我们知道，一幅静图的最小单位是像素。不同的颜色，被记录为不同的数值。假定用“1”来表示黑色，如果图像中有一条黑色线段，可以在坐标中表示为y=kx+b（mxn），符合本条件的点的值如果都是“1”，我们可以告诉AI，这是一条黑色的线段。
同样，按照这个规则，我们可以输入不同角度、不同长短、不同宽度、不同颜色的巨量照片，由AI来识别并进行学习，并由AI把自己的算法进行优化和迭代，最终，AI就学会了识别“线段”。无论什么颜色、长度、粗细，所处的角度，甚至颜色不均匀的线段，AI都能识别了。
用相同的方法，可以“教会”AI识别弧线、角度、圆形、正方形、三角形等诸多几何图像。AI拥有了这个能力后，就相当于有了一套固定的算法。算法是可以移植的。
此时，我们就可以把巨量的图片，例如张，交给AI来学习，这些图片，都事先被人为标定了“眼睛”的标签。AI发现，由两段弯曲的弧线组成了闭合区域、里面包含了一个“圆”的影像，叫做“眼睛”。
为了让AI能够准确地识别，我们需要提供给它以不同年龄、不同性别、不同民族、不同肤色、不同颜值、不同物种、不同表情、不同角度、不同照度……的各种图片。这些图片都必须事先由人工做好标识。
所以，在人工智能圈子有个梗：“想要多大的智能，就要投入多大的人工”。又一次幸运的是，机器学习理论上可以由任意多台电脑同步协同实现，这一点机器的能力远超人类。
人力可以在体力上分工协作，建造长城与金字塔，但在智力上，协作的效率远低于机器，而且有天花板。人员数量到了一定的规模，沟通的成本已经高于任务本身了。
而且，只要有一台机器学会了，就代表所有机器都学会了。迁移学习成果所用的时间非常少，不像人类幼仔的学习要十几、二十年，而且还可能学不会。
同理，有了眼睛的基础，再学习识别人脸，就没什么难度了。进而学习人类的表情，也一样。只要有巨量的人脸图片，机器学习识别表情没有难度。虽然即使拥有识别能力后，它仍然并不理解人类表情的含义。
传音控股手机在非洲卖得非常好，因为“在较暗的背景下对黝黑的面部识别准确并能正确聚焦”，在人脸识别上下了功夫。
现在我们都明白，识别一名工人有没正确佩戴安全帽，是一件多么简单的事情。可以说，我们想让AI识别什么就它就会识别什么。或者要识别的物品已有算法，或者没有，就让算法新开始一个学习任务，而已。
有了安全帽识别功能后，可以在事件发生时，向平台发送"事件告警"，并同步向平台发送一桢或数桢图片，这样管理人员可以在几秒钟内知道，近期（1天、1周、1个月）内，发生了几次未戴安全帽的事件。大大节省了人力，让监控真正发挥作用。
而且，前端监控设备还可以同步发出声音提醒，让未正确戴安全帽的工友及时纠正自己的行为。