工地安全带穿戴识别系统 CNN

工地安全带穿戴识别系统依据智能视频分析和神经网络算法，工地安全带穿戴识别系统对监控画面实时监控。当工地安全带穿戴识别系统监控到人员不配戴安全带行为及时识别预警提醒，报警记录存档并发给后台，提示管理者马上解决。工地安全带穿戴识别系统可以实现7×24h不间断实时分析，大大提升了监控效率，减少了人力劳动成本。

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。

安全带是作业人员必须的安全防护设备。按照要求佩戴安全带是人员作业确保安全的一种方式。因为人力后台监控查看，很容易产生信息漏看误看，人力管理方式不可以及时发现并劝阻不戴安全带行为。工地安全带穿戴识别系统及早发现管控地区人员不穿安全带行为，以迅速及时的预警提醒方式，保证人员人身安全。

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))

工地安全带穿戴识别系统是一种基于监控摄像头视频流图象采集识别风险，搭载了计算机视觉+边缘计算分析、对现场人员行为全自动识别分析预警提醒。工地安全带穿戴识别系统运用最新神经网络模型和机器学习技术，应用现场监控摄像头对作业现场实时监控剖析识别，发现违规行为或者物体的不安全状态，及时抓拍存档报警。