值班人员睡岗离岗监控算法 YOLOv3

值班人员睡岗离岗监控报警系统可持续24个小时对值班岗位开展智能化监控。值班人员睡岗离岗监控报警系统识别工作员长时间保持不动的姿态，会被判定为睡岗，随后马上提醒睡岗工作人员。值班人员睡岗离岗监控报警系统同时保存前端分析视频证据并上传至后台，为后续的人工审查提供管理依据。

2018年，作者Redmon又在YOLOv2的基础上做了一些改进。特征提取部分采用Darknet-53网络结构代替原来的Darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实用性的同时保证了目标检测的准确性。

从YOLOv1到YOLOv3，每一代性能的提升都与backbone（骨干网络）的改进密切相关。在YOLOv3中，作者不仅提供了darknet-53，还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼备，可以选择darknet-53作为backbone；如果你想达到更快的检测速度，精度方面可以妥协。那么tiny-darknet是你很好的选择。总之，YOLOv3的灵活性使得它在实际工程中得到很多人的青睐。

值班人员睡岗离岗的行为无法从源头上解决，增加人力资源管理成本会增加很多。问题在于职工没法维持高度的自觉性。为了降低过多的人工成本开展管理，值班人员睡岗离岗监控报警系统发挥了重要的作用。当监测到睡岗现象时，系统自动分析、警报，叫醒睡岗工作人员。

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))

值班人员睡岗离岗监控报警系统适用建筑施工、小区、机场、铁路、写字楼、各种工厂、石油石化、煤矿业、物流仓储、大中小型公共场合等。值班人员睡岗监控报警系统自动识别脱岗、睡岗等行为，避免有关安全值班工作人员离岗而影响工作可能造成不可挽回的损失。