办公室人员离岗识别检测系统 YOLOv3

办公室人员离岗识别检测系统根据计算机视觉深度学习技术，办公室人员离岗识别检测系统能够7*24小时全天候自动识别工作时间监控画面中人员是否在岗位工作。办公室人员离岗识别检测系统发现监控画面中人员在工作时间没有在岗位时，不需人为干预办公室人员离岗识别检测系统会立刻抓拍告警，同步违规信息到后台提醒后台人员及时处理。办公室人员离岗识别检测系统通过：离岗睡岗、打电话、抽烟等AI技术协助企业提高效率。

2018年，作者Redmon又在YOLOv2的基础上做了一些改进。特征提取部分采用Darknet-53网络结构代替原来的Darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实用性的同时保证了目标检测的准确性。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。

随着社会的发展和人们生活水平的进步，大家对于各个生产岗位的安全作业效率更加重视，因个人原因而在工作时间离岗睡岗或者玩手机抽烟，会给企业及值班人员自身带来不可估量的损失。由于各种原因，在大多数时候传统监控用作过后调查取证，无法提前及时对违规异常行为进行预防，实际预警效果并不是很好。传统视频监控多数情况下仅起“录像”的工作，异常现象甚至于突发事件已经发生了以后，但这时损失和危险已经发生，这个时候再进行后续的检查，是“亡羊补牢”形的“监管”，无法挽回损失。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__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
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        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.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

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

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

办公室人员离岗识别检测系统通过现场摄像头，办公室人员离岗识别检测系统利旧对值班岗位开展全天候不间断智能化识别预警。办公室人员离岗识别检测系统发现画面中人员在工作岗位上长时间保持不动的姿态，办公室人员离岗识别检测系统会判定该人员为睡岗，办公室人员离岗识别检测系统同时保存前端分析视频证据上传至后台，为人工后续的审查提供管理依据。办公室人员离岗识别检测系统通过AI技术降低过多的企业在运行过程中的人工成本，办公室人员离岗识别检测系统发挥了重要的作用。