工地安全带穿戴监测系统 CNN

工地安全带穿戴监测系统通过计算机视觉+边缘计算视频分析，工地安全带穿戴监测系统自动对监控画面视频流进行分析识别，不需要人工干预；工地安全带穿戴监测系统对工地高空作业人员的安全带穿戴开展及时查验。当检测出人员未系安全带时，立即预警提醒，合理协助相关人员处理解决，最大程度地降低误报和漏报状况。

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。比如在日常生活中，我们用一张1024x1024x3表示鸟的彩色图和一张100x100x3表示鸟的彩色图，我们基本上都能够用肉眼辨别出这是一只鸟而不是一只狗。这也是卷积神经网络在图像分类里的一个重要应用。

在施工作业中，人员不按要求戴安全带，高空作业容易发生危险。人员违规不戴安全帽易被高空坠落物伤到头部，丧失安全防护实际效果；没戴护目镜，很容易被强碱、强酸等化合物扎伤；不穿动保鞋，很容易被路尖或钢烫伤，碰撞；不按照规定要求佩戴防护装备，无法保证人身安全。

在CNN中，卷积操作只是加权求和的线性操作。若神经网络中只用卷积层，那么无论有多少层，输出都是输入的线性组合，网络的表达能力有限，无法学习到非线性函数。因此CNN引入激活函数，激活函数是个非线性函数，常用于卷积层和全连接层输出的每个神经元，给神经元引入了非线性因素，使网络的表达能力更强，几乎可以逼近任意函数，这样的神经网络就可应用到众多的非线性模型中。

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))

工地安全带穿戴监测系统实时识别监控画面中人员的防护用品(安全带、安全帽、护目镜、安全鞋等)。)穿戴情况，当工地安全带穿戴监测系统检测出人员未按要求佩戴时，积极主动开启警报，连接现场音响语音提醒。与此同时，当现场出现意外时还可以查看违规视频录像，方便事后管理查询。