AI智慧工地视频分析系统 CNN

AI智慧工地视频分析系统通过视频智能分析技术，AI智慧工地视频分析系统对工地现场监控画面中物的不安全状态以及现场施工作业人员的不合规行为及穿戴进行全天候不间断实时分析，发现有人不合规行为及违规穿戴抽烟打电话等，不需人为干预，AI智慧工地视频分析系统立即自动抓拍存档告警。AI智慧工地视频分析系统通过施工现场的AI视频管理，改变传统施工现场人工巡查的管理方式，提高现场施工企业的安全工作效率，使施工企业的竞争力得到质的提升。

在CNN出现之前，对于图像的处理一直都是一个很大的问题，一方面因为图像处理的数据量太大，比如一张512 x 512的灰度图，它的输入参数就已经达到了252144个，更别说1024x1024x3之类的彩色图，这也导致了它的处理成本十分昂贵且效率极低。另一方面，图像在数字化的过程中很难保证原有的特征，这也导致了图像处理的准确率不高。

而CNN网络能够很好的解决以上两个问题。对于第一个问题，CNN网络它能够很好的将复杂的问题简单化，将大量的参数降维成少量的参数再做处理。也就是说，在大部分的场景下，我们使用降维不会影响结果。比如在日常生活中，我们用一张1024x1024x3表示鸟的彩色图和一张100x100x3表示鸟的彩色图，我们基本上都能够用肉眼辨别出这是一只鸟而不是一只狗。这也是卷积神经网络在图像分类里的一个重要应用。

随着社会的发展和人们生活的快速进步，大家对于建筑行业安全施工作业合规施工穿戴越来越重视。 建筑行业是一个高危行业，所有现场施工作业人员都要增强施工安全意识，安全生产是建筑业必须遵循的底线。根据调查，目前工地上普遍存在的三大痛点问题：1、作业区域大：人工监控难，巡检时间长，环境复杂，传统人工巡查识别难度大。2、员工违规行为频发：依靠人工查看容易漏看，灵活度低，无及时预警，问题反馈不及时。3、事后取证难：传统监控方式下发现异常情况无法及时预警，需要事后回放视频手动调查，监控效率低。对此，AI智慧工地视频分析系统应运而生。

import torch
from torch import nn
from d2l import torch as d2l


class Reshape(torch.nn.Module):
    def forward(self, x):
        # 通过view函数把图像展成标准的Tensor接收格式，即(样本数量，通道数，高，宽)
        return x.view(-1, 1, 28, 28)

net = torch.nn.Sequential(
    Reshape(),
    # 第一个卷积块，这里用到了padding=2
    nn.Conv2d(1, 6, kernel_size=5, padding=2), 
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    
    # 第二个卷积块
    nn.Conv2d(6, 16, kernel_size=5), 
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    
    # 稠密块（三个全连接层）
    nn.Flatten(),
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.Sigmoid(),
    nn.Linear(84, 10))

AI智慧工地视频分析系统基于人工智能AI计算机视觉技术，AI智慧工地视频分析系统可以自动对现场视频画面中作业人员异常行为及穿戴进行有效监测，并发出告警。AI智慧工地视频分析系统还可以对工地施工作业场景下：如攀爬、离岗、打电话、睡岗、周界入侵、危险区域闯入、人员摔倒等进行识别预警，一旦发现异常，立即抓拍并提醒后台人员及时采取救援措施制止。AI智慧工地视频分析系统通过AI技术手段，降低工地安全事故发生，减少人力监管成本，有效协助管理人员的监管工作。