智慧工地AI视频分析系统 Python

智慧工地AI视频分析系统通过图像识别技术，智慧工地AI视频分析系统配合现场已有摄像头，不需人为干预自动识别现场作业人员穿戴是否合规如安全帽反光衣有无穿戴、高空作业是否穿戴安全带、抽烟打电话识别、人员打架、危险区域人员闯入识别、工作时间睡岗离岗识别、工地车辆识别、车辆闯入等。智慧工地AI视频分析系统可以解决施工工地现场监控盲区大，人员作业场景复杂、监督管理难等痛点。智慧工地AI视频分析系统通过AI技术提升对施工现场安全作业人员的人身安全，降低违规行为不合规穿戴带来的意外事故。

Python是一门解释性脚本语言。解释性语言：解释型语言，是在运行的时候将程序翻译成机器语言；解释型语言的程序不需要在运行前编译，在运行程序的时候才翻译，专门的解释器负责在每个语句执行的时候解释程序代码，所以解释型语言每执行一次就要翻译一次，与之对应的还有编译性语言。

编译性语言：编译型语言写的程序执行之前，需要一个专门的编译过程，把程序编译成为机器语言的文件，比如exe文件，以后要运行的话就不用重新翻译了，直接使用编译的结果就行了（exe文件），因为翻译只做了一次，运行时不需要翻译，所以编译型语言的程序执行效率一般来说较高。

脚本语言：脚本语言又被称为扩建的语言，或者动态语言，是一种编程语言，用来控制软件应用程序，脚本通常以文本（如ASCII)保存，只在被调用时进行解释或编译。所以一般使用Python来实现特定功能而不是较为复杂的后端。

随着社会的发展和人们生活水平的进步，人们开始越来越多的关注化工厂、煤矿、电力、石化、建筑工地的施工作业场景人员的安全。而其中建筑行业是一个高危行业，现场参与施工作业的工地人员都要增强施工安全意识，但是事实却不是这样的。目前工地上普遍存在的三大问题：第一：作业区域大，人工监控难，环境复杂；第二：传统安防监控无及时预警，依靠人工查看，漏报概率高，问题反馈不及时。第三：传统方式事后取证难，现场出现异常情况，没办法及时处理，监控效率低等同于摆设。智慧工地AI视频分析系统应运而生。

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

智慧工地AI视频分析系统基于yolo网络模型人工智能技术，智慧工地AI视频分析系统有效监测现场施工画面中人员作业行为及异常不合规穿戴识别，不需人为干预智慧工地AI视频分析系统7*24小时自动分析现场情况并发出告警。智慧工地AI视频分析系统通过AI技术将现场传统安防摄像头化事后查询监督为主动识别预警监控，智慧工地AI视频分析系统真正做到事前预警提醒值班人员及时处理，事后规范管理。