视频监控智能分析系统 yolov5

视频监控智能分析系统的价值体现在当值班人员面对成百上千的摄像机，视频监控智能分析系统可以真正的在风险产生时预防或干预。分布在现场的各大品牌的监控终端将现场的视频流对接给视频监控系统，把现场的风险的分析和识别转交给机器视觉算法或者芯片，使值班人员从“死盯”监视器的工作中解脱出来，当计算机发现问题时候，产生报警，同时同步给值班人员进行响应。

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

• 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；
• 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；
• Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；
• Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

# 检测类
class Detect(nn.Module):
    stride = None  # strides computed during build
    export = False  # onnx export

    def __init__(self, nc=80, anchors=(), ch=()):  # detection layer
        super(Detect, self).__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        a = torch.tensor(anchors).float().view(self.nl, -1, 2)
        self.register_buffer('anchors', a)  # shape(nl,na,2)
        self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2))  # shape(nl,1,na,1,1,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv

视频监控智能分析技术是工地、工厂、车间、石化、煤矿等作业现场的安全监控管理系统的重要组成部分。视频监控智能分析技术应用于现场施工作业日常安防监控体系建设中，对监控终端接入的视频流实时分析诊断、入侵检测和物体状态检测、人员徘徊、遗留物检测、员工着装合规检测、车速检测、消防通道堵塞检测、物体移除检测门禁与监控的视频复合、消防与监控的联动报警等技术的应用已经趋向成熟。

监控视频智能分析软件将人体行为或者物体的状态进行实时分析，这种技术是基于AI神经网络的视觉分析算法，根据各大终端品牌摄像机拍摄回来的视频流画面勾勒出人体结构，针对人体运动轨迹做算法分析，识别出人的各种异常行为动作。当系统检测识别到异常状态时，系统会第一时间进行预警处理，把现场画面传到监控后台，并同步给管理人员预警信息。