工地AI视频行为分析系统通过现场安装的监控摄像头,工地AI视频行为分析系统对现场视频监控画面当中人员行为进行实时分析预警,工地AI视频行为分析系统在可以监测分析:安全帽佩戴识别、反光衣穿戴识别、抽烟识别、打电话识别、睡岗离岗识别、安全带佩戴识别、区域入侵识别、玩手机识别等,当系统检测到出现违规行为时马上预警信息,并联动现场音柱语音广播提醒,进一步提高现场安全作业监督效率。
YOLOv8 算法的核心特性和改动可以归结为如下:
提供了一个全新的 SOTA 模型,包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样,基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型,用于满足不同场景需求
Backbone:
骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想,将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构,并对不同尺度模型调整了不同的通道数。
Head: Head部分较yolov5而言有两大改进:1)换成了目前主流的解耦头结构(Decoupled-Head),将分类和检测头分离 2)同时也从 Anchor-Based 换成了 Anchor-Free
Loss :1) YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式,而是使用了Task-Aligned Assigner正负样本匹配方式。2)并引入了 Distribution Focal Loss(DFL)
Train:训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作,可以有效地提升精度
如今施工作业经常会出现三大问题:人力资源监管难,并没有及时发现预警,事后查找视频繁琐复杂。依据机器视觉+边缘计算分析,工地AI视频行为分析系统实时分析视频监控中人员行为问题与目标对象,并推送警报。从处于被动监管到主动识别分析,充分反映了预警信息、正常的和检测规范化管理。
class Conv(nn.Module):
# 标准的卷积 参数(输入通道数, 输出通道数, 卷积核大小, 步长, 填充, 组, 扩张, 激活函数)
default_act = nn.SiLU() # 默认的激活函数
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True):
super().__init__()
self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False) # 2维卷积,其中采用了自动填充函数。
self.bn = nn.BatchNorm2d(c2) # 使得每一个batch的特征图均满足均值为0,方差为1的分布规律
# 如果act=True 则采用默认的激活函数SiLU;如果act的类型是nn.Module,则采用传入的act; 否则不采取任何动作 (nn.Identity函数相当于f(x)=x,只用做占位,返回原始的输入)。
self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()
def forward(self, x): # 前向传播
return self.act(self.bn(self.conv(x))) # 采用BatchNorm
def forward_fuse(self, x): # 用于Model类的fuse函数融合 Conv + BN 加速推理,一般用于测试/验证阶段
return self.act(self.conv(x)) # 不采用BatchNorm
工地AI视频行为分析系统主动实时分析施工作业现场的人员违规不安全的行为,识别现场明火烟雾情况,鉴别人员的工作状态。依据深度学习和视频分析算法,识别现场人员是不是按规定采用安全防范措施,降低安全问题发生的几率。规范现场安全作业行为,遵循安全规定。