工装识别工装检测系统通过AI视频智能分析技术,工装识别工装检测系统对现场施工作业人员工装是否穿戴的进行实时分析,算法发现现场画面中工作人员未按要求着装,系统会自动抓拍发出警报并讲违规图片视频保存下来,同步回传后台提醒监理人员及时处理。按照规定要求着装穿戴是安全生产的一个重要环节,工装识别工装检测系统代替人眼,自动对着装实现智能化管理识别未穿工作服行为,为打造稳定安全的生产环境保驾护航。
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民生活水平的快速进步,大家对于日常生活中是否按照要求进行穿戴着装越来越重视,因为这不仅关系到是否顺利生产作业也关系到施工人员的人身安全。正确着装是安全生产的一个重要环节,而由于作业现场全天候都有工作人员作业,在空间上的广度大,无论空间还是时间上总是存在盲区,对人力的投入要求也很高,各专业作业时间交叉,人工管理不仅成本高,人工监督要做到面面俱到难度大,并且现场事件的处理要求及时。因此,工装识别工装检测系统应运而生。按规定地穿着工作服是安全生产的必要措施。
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))
工装识别工装检测系统通过YOLOv7网络模型算法,算法可以实现对煤矿施工、工地施工、石化作业场景、电力等高危行业安全生产区域人员是否按照规定要求穿戴工装进行7*24小时实时分析识别,直接通过视频实时分析和预警同时将报警信息推送给后台管理人员。算法基于智能视频分析和深度学习神经网络技术,自动对视频图像信息进行分析识别,及时发现监控区域内的未穿戴工装人员等,助力施工现场智能化管理。