车辆未冲洗抓拍系统 工地车辆冲洗监测系统 YOLOv5

车辆未冲洗抓拍系统 工地车辆冲洗监测系统可以对进出工地的渣土车车辆冲洗情况进行自动识别和违规判定，如果车辆未冲洗抓拍系统 工地车辆冲洗监测系统发现车辆冲洗不合格，车辆未冲洗抓拍系统 工地车辆冲洗监测系统就会自动进行抓拍存档同步发送到智慧工地系统平台。车辆未冲洗抓拍系统 工地车辆冲洗监测系统可以对出入工地的工程车冲洗进行全力保障，降低工程车辆将沙土带入城市道路环境，造成城市空气环境污染的情况。

YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：

• 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；
• 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；
• Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；
• Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。

随着社会的发展和人们生活水平的进步，大家对于生活环境和空气质量越来越重视，特别是对城市周边工地施工更加严谨对待。很多工地虽然设置了过水池等冲洗设备，在很多情况下车辆可以随意不经过冲洗就出入工地，沉淀的泥土随着车辆带出工地进入城市道路影响城市环境和空气质量，这都是造成带泥上路的重要原因。车辆未冲洗抓拍系统 工地车辆冲洗监测系统应运而生。

# 检测类
class Detect(nn.Module):
    stride = None  # strides computed during build
    export = False  # onnx export

    def __init__(self, nc=80, anchors=(), ch=()):  # detection layer
        super(Detect, self).__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        a = torch.tensor(anchors).float().view(self.nl, -1, 2)
        self.register_buffer('anchors', a)  # shape(nl,na,2)
        self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2))  # shape(nl,1,na,1,1,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv

    def forward(self, x):
        # x = x.copy()  # for profiling
        z = []  # inference output
        self.training |= self.export
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i] = self._make_grid(nx, ny).to(x[i].device)

                y = x[i].sigmoid()
                y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i].to(x[i].device)) * self.stride[i]  # xy
                y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    @staticmethod
    def _make_grid(nx=20, ny=20):
        yv, xv = torch.meshgrid([torch.arange(ny), torch.arange(nx)])
        return torch.stack((xv, yv), 2).view((1, 1, ny, nx, 2)).float()

车辆未冲洗抓拍系统 工地车辆冲洗监测系统不需新增硬件可以对即将驶出施工工地的车辆进行冲洗自动识别，车辆未冲洗抓拍系统 工地车辆冲洗监测系统可以自动抓取绕道和冲洗不干净的车辆的信息。车辆未冲洗抓拍系统 工地车辆冲洗监测系统可以实时清楚地自动识别出违规不冲洗车辆信息，提升工地监控的实时应用效率，降低因依赖人工而产生的误报和漏报。