工装穿戴识别检测系统通过计算机视觉技术,工装穿戴识别检测系统对现场画面区域7*24全天候监测,当工装穿戴识别检测系统监测到现场人员未按要求穿工服作业时,不需人工干预,工装穿戴识别检测系统立即抓拍存档告警同步提醒后台人员及时制止。传统巡检方式依赖于人工在现场实时查看,这种巡视的工作方式效率低下且存在误报漏报。工装穿戴识别检测系统通过AI技术降低人力成本,提高工作效率,提升企业信息化水平。
从YOLOv1到YOLOv3,每一代性能的提升都与backbone(骨干网络)的改进密切相关。在YOLOv3中,作者不仅提供了darknet-53,还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼备,可以选择darknet-53作为backbone;如果你想达到更快的检测速度,精度方面可以妥协。那么tiny-darknet是你很好的选择。总之,YOLOv3的灵活性使得它在实际工程中得到很多人的青睐。相比于 YOLOv2 的 骨干网络,YOLOv3 进行了较大的改进。借助残差网络的思想,YOLOv3 将原来的 darknet-19 改进为darknet-53。
随着社会的发展和人民生活水平的快速进步,大家对于工地/煤矿/石化/工厂/等危险作业场景人员安全着装作业更加重视。在各个场景生产和建设中,安全作业平安健康一直是永恒不变的主题,而按照要求规范穿戴着装在安全事故的防范中起着举足轻重的作用。国家规定工人进入施工现场必穿着材质合格的工作服,因为各种原因还是有一部分人存在侥幸心理,进入作业现场不按要求穿工作服,最后导致事故的发生。
# 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()
工装穿戴识别检测系统基于智能视频分析,工装穿戴识别检测系统利用现场监控摄像头对现场监控画面中人员行为及着装穿戴信息自动进行分析识别,无需新增硬件,工装穿戴识别检测系统能对施工作业现场进行7*24小时不间断全天候监测。工装穿戴识别检测系统可以有效的协助管理人员监督现场人员工作,降低因人工因素导致的误报和漏报现象,同时后台人力监管的成本。