监控识别未佩戴安全帽

监控识别未佩戴安全帽对生产制造现场施工作业起到关键的安全防范措施之一，监控识别未佩戴安全帽使作业现场的施工人员在施工作业的时候一定戴安全帽。因为在施工作业的工地或者煤矿作业现场会出现：有的人随便取下安全帽，有的人在高处工作中不戴安全帽这种情况。

在CNN出现之前，对于图像的处理一直都是一个很大的问题，一方面因为图像处理的数据量太大，比如一张512 x 512的灰度图，它的输入参数就已经达到了252144个，更别说1024x1024x3之类的彩色图，这也导致了它的处理成本十分昂贵且效率极低。另一方面，图像在数字化的过程中很难保证原有的特征，这也导致了图像处理的准确率不高。而CNN网络能够很好的解决以上两个问题。对于第一个问题，CNN网络它能够很好的将复杂的问题简单化，将大量的参数降维成少量的参数再做处理。也就是说，在大部分的场景下，我们使用降维不会影响结果。

传统式的生产现场管理工作人员是不是戴安全帽在于大家去看看。这类方式太花费时间，生产制造当场室内空间很大，工作人员过多，管控工作人员的考虑周全，不可以一直看着你看看。这类传统式的管理方案已经无法达到持续上升的要求。大家应当运用先进的科技来管理建筑施工。

通过上面对于卷积的过程以及权重共享的解释，我们能够总结出CNN的另一个特征。有心的读者其实能够自己总结出来。我们在上面提到过，对于普通的神经网络，隐藏层和输入层之间的神经元是采用全连接的方式。然而CNN网络并不是如此。它的在**局部区域创建连接，即稀疏连接。**比如，对于一张输入的单通道的8x8图片，我们用3x3的卷积核和他进行卷积，卷积核中的每个元素的值是和8x8矩阵中选取了3x3的矩阵做卷积运算，然后通过滑动窗口的方式，卷积核中的每个元素（也就是神经元）只与上一层的所有神经元中的9个进行连接。**相比于神经元之间的全连接方式，稀疏连接极大程度上的减少了参数的数量，同时也一定程度上避免了模型的过拟合。**这种算法的灵感是来自动物视觉的皮层结构，其指的是动物视觉的神经元在感知外界物体的过程中起作用的只有一部分神经元。

import torch
from torch import nn
from d2l import torch as d2l


class Reshape(torch.nn.Module):
    def forward(self, x):
        # 通过view函数把图像展成标准的Tensor接收格式，即(样本数量，通道数，高，宽)
        return x.view(-1, 1, 28, 28)

net = torch.nn.Sequential(
    Reshape(),
    # 第一个卷积块，这里用到了padding=2
    nn.Conv2d(1, 6, kernel_size=5, padding=2), 
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    
    # 第二个卷积块
    nn.Conv2d(6, 16, kernel_size=5), 
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    
    # 稠密块（三个全连接层）
    nn.Flatten(),
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.Sigmoid(),
    nn.Linear(84, 10))

安全帽识别有2种方式:连动门禁系统和动态性监控。安全帽识别系统融合门禁系统系统布署在公司的高危地域。当工作人员进到施工工作区的时候，她们要过门禁系统系统，同时需要监控她们是不是戴安全帽。假如它们不戴安全帽，门禁系统门禁机就不会开启；根据门禁系统门进到工作区域务必戴安全帽；动态性监控方式是在生产安全地区内布署安全帽检验系统主题活动，在生产安全地区内布署安全帽检验系统。当监测到别人时，识别并检验在职员工是不是戴安全帽。假如它们不戴安全帽，她们会导出告警信息内容，通告后台管理监控工作人员，并根据响声提示工作员戴安全帽；安全帽识别系统还将产生统计分析汇报，统计分析每日出入厂区的人员流动状况。