工地升降机AI人数识别系统 YOLOv8

工地升降机人数识别系统采用了AI神经网络和深度学习算法，工地升降机AI人数识别系统通过升降机内置的摄像头实时监测轿厢内的人员数量。通过图像处理和人脸识别算法，系统能够精确地识别升降机内的人数。一旦系统识别到人数达到或者超过设定的阈值，工地升降机AI人数识别系统会立即通过现场音柱发出告警语音提醒人数超员，提醒人员注意，并可控制升降机梯控设备同步联动，停止升降机的运行。当现场人员调整后，人数符合规定要求后，升降机将恢复正常工作。支持深度学习算法，准确识别电梯内人数。同时支持闯值设定，超限 闽值本地报警，断开控制回路，防止违规运行。

YOLOv8 与YOLOv5出自同一个团队，是一款前沿、最先进（SOTA）的模型，基于先前 YOLOv5版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8是一种尖端的、最先进的 (SOTA) 模型，它建立在以前成功的 YOLO 版本的基础上，并引入了新的功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，这也使其成为对象检测、图像分割和图像分类任务的绝佳选择。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，还支持YOLO以往版本，方便不同版本切换和性能对比。YOLOv8 有 5 个不同模型大小的预训练模型：n、s、m、l 和 x。关注下面的参数个数和COCO mAP（准确率），可以看到准确率比YOLOv5有了很大的提升。特别是 l 和 x，它们是大模型尺寸，在减少参数数量的同时提高了精度。

施工升降机作为建筑工程常用的垂直起重运输机械，在工程施工中扮演着极其重要的角色，发挥着重要作用。但随其使用数量激增，安全事故也频繁发生。为了避免人员超员导致的安全风险，基于AI神经网络和深度学习算法的工地升降机人数识别系统应运而生。工地升降机AI人数识别系统利用升降机内的普通摄像头，当人数达到或者超过后台设置的人数时，系统会自动通过现场音柱发出告警语音提醒人员人数超员，并可通过联动升降机梯控设备控制升降机开关门停止升降机的运行。当现场人员调整后，人数符合规定要求后，升降机将恢复正常工作。

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

工地升降机AI人数识别系统通过充分的数据训练和算法优化，工地升降机AI人数识别系统具备较高的识别准确性和实时性，能够适应不同工地升降机环境的监测需求。同时，系统还支持告警和联动控制功能，能够实现对超员情况的及时响应和处理。工地升降机AI人数识别系统的应用范围广泛，适用于各类工地升降机环境。传统上，人员超员的监管主要依赖人工统计，存在统计不准确和盲区漏洞的问题。而基于AI神经网络和深度学习算法的工地升降机人数识别系统能够自动实现人数的识别和监测，大大提高了管理的效率和准确性。