工地安全带识别系统 CNN

高处工地安全带识别系统选用目前的视频监控系统系统，高处工地安全带识别系统依据图像检测，工地现场作业人员的工地安全带识别系统将识别工作人员是不是系好安全带，如果没有则立刻报警提醒。施工工地安全带识别：安全带识别系统高处作业安全带识别。

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。

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。

高处作业就是指绝对高度高过2M在上述作业中，高处作业存在很大的安全性难题。除了对高处作业施工队伍的体质有一定的要求外，在正常工作上还应严格遵守高处作业的施工阶段，不盲目追随时尚潮流，并没有安全防范措施进行施工。安全带在高处作业中尤为重要，规范化安全带的使用是确保作业安全的必要条件。

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))

工地安全带识别系统对视频监控区域画面开展实时监控分析。当发现工作人员在视频画面中未佩戴安全带时，系统将及时主动开启警报提示，并通过短消息、手机上、报警视频视频语音等方式进行通告。高处作业未系安全带检测系统有效提升未系安全带预警提醒的即时监管实际效果，缓解监管工作人员工作负荷，降低工作人员开支。