值班脱岗智能监测识别算法 Python

值班脱岗智能监测识别系统通过AI视频智能分析技术，值班脱岗智能监测识别算法对办公工作岗位区域、岗亭、值班室、生产线岗位等进行7*24小时不间断实时监测，当超过后台规定时间没有人员在规定工作区域，无需人为干预系统立即抓拍告警提醒后台值班人员及时处理。算法基于智能视频分析，可针对画面中重要岗位值班管理中工作时间进行状态实时监测。除此之外，算法对监控区域内的人员玩手机、睡岗、打电话、离岗、抽烟等违规异常行为进行识别，发现则会抓拍存档立即报警。

Python是一门跨平台、脚本以及开发应用的编程语言。跨平台：跨平台概念是软件开发中一个重要的概念，即不依赖于操作系统，也不依赖硬件环境。一个操作系统（如Windows）下开发的应用，放到另一个操作系统(如Linux)下依然可以运行。开发应用：Python较为简单，无法支撑起太复杂的结构，只能用来实现简单功能。

Python通常应用于文本处理、数据处理、爬虫、科学计算和统计。由于Python 较为简单，一般无法进行复杂的后端搭建，所以该语言通常用来进行一些简单的文本处理、数据处理等操作。爬虫：网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF（Friend-of-a-Friend）社区中间，更经常性的被称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

随着社会的发展和人们生活水平的快速进步，大家对于安全生产流程以及安全生产作业效率越来越重视。在现实生活工作中，有很多岗位是禁止在工作时间任意离开岗位的，如果有特殊情况不能到岗的也应该有人员代替值班。如果发生脱岗离岗睡岗行为，稍不留神的话会引起重大安全生产事故，给企业和员工自身家庭带来严重的损失。

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

值班脱岗智能监测识别算法通过现场监控摄像头，值班脱岗智能监测识别算法对现场画面中岗位区域进行自动实时监测，无需人工干预，算法一旦识别到岗位人员离开工作岗位时间超过后台设定的离岗时间未回时，立即进行告警，同时将告警截图和视频回传后台监控管理中心提醒后台值班人员及时管理，有效避免现场发生重大事故。算法通过AI视频分析技术，可以减少现场人力监管成本，避免因现场员工随意脱岗而造成意外损失，同时提高管控区域的安全性以及现场人员的工作质量。