触摸静电柱动作行为识别系统借助ai视频分析技术和风险管控技术需求,触摸静电柱动作行为识别系统开展人员睡岗离岗检测,触摸静电柱动作行为识别系统识别职工没按规定触摸静电柱这两种风险行为识别分析报警,智能化识别生产作业场所安全隐患,为当代城市安全风险管理提供关键优算法。
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。
在CNN中,我们就是通过不断的改变卷积核矩阵的值来关注不同的细节,提取不同的特征。也就是说,在我们初始化卷积核的矩阵值(即权重参数)后,我们通过梯度下降不断降低loss来获得最好的权重参数,整个过程都是自动调整的。
2006年1月11日,国务院公布的《烟花安全管理条例》确定了烟花厂、库房设计方案、结构材料以及消防安全、防爆、避雷、防静电等安全防护设备、设施的技术标准和标准。严格安全大检查和监督执法,严格生产制造、生产制造、仓储安全风险管控,提高安全风险管控信息内容智能化水准。
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))
当触摸静电柱动作行为识别系统检测出工人进到车间未触摸静电柱释放静电时,马上警报。报警记录能够展示在监管客户端页面上,触摸静电柱动作行为识别系统还可以将报警记录推送到移动端。触摸静电柱动作行为识别系统并对监控屏幕开展7×24不间断分析大大提升了视频内容利用效率,减少了人力资源成本。