值班离岗智能识别监测系统通过AI视频分析技术，值班离岗智能识别监测算法能自动检测画面中人员的岗位状态（睡岗或者离岗），一旦发现工作时间人员不在岗位的时间超出后台设置时间，值班离岗智能识别监测系统便会立即抓拍存档报警，同步将违规信息传送至后台平台。值班离岗智能识别监测算法对现场人员岗位状态实时监测，当算法监测到在现场监控画面中人员在工作时间离开工作岗位达到一定时间时，立即存档并通知后台值班人员及时处理。

YOLOv5算法具有4个版本，具体包括：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种，本文重点讲解YOLOv5s，其它的版本都在该版本的基础上对网络进行加深与加宽。

  • 输入端-输入端表示输入的图片。该网络的输入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并提出了一种自适应锚框计算与自适应图片缩放方法。
  • 基准网络-基准网络通常是一些性能优异的分类器种的网络，该模块用来提取一些通用的特征表示。YOLOv5中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为基准网络。
  • Neck网络-Neck网络通常位于基准网络和头网络的中间位置，利用它可以进一步提升特征的多样性及鲁棒性。虽然YOLOv5同样用到了SPP模块、FPN+PAN模块，但是实现的细节有些不同。
  • Head输出端-Head用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支。YOLOv4利用GIOU_Loss来代替Smooth L1 Loss函数，从而进一步提升算法的检测精度。

值班离岗智能识别监测系统 YOLOv5_自适应

随着社会的发展和人们生活水平的提高，大家对于各种办公生活生产场景下的人员工作状态越来越重视。如工厂、监控室、塔台、车间、保安室、流水线、监狱狱警中控室等等，上面场景的工作岗位是禁止随便离开工作岗位的。为了防止某些关键的岗位人员因个人原因疏漏给企业以及自身安全引起不可估量的损害。值班离岗智能识别监测系统应运而生。

# From Mr. Dinosaur
 
import os
 
 
def listdir(path, list_name):  # 传入存储的list
    for file in os.listdir(path):
        file_path = os.path.join(path, file)
        if os.path.isdir(file_path):
            listdir(file_path, list_name)
        else:
            list_name.append(file_path)
 
 
list_name = []
path = 'D:/PythonProject/data/'  # 文件夹路径
listdir(path, list_name)
print(list_name)
 
with open('./list.txt', 'w') as f:  # 要存入的txt
    write = ''
    for i in list_name:
        write = write + str(i) + '\n'
    f.write(write)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.

值班离岗智能识别监测算法通过现场摄像头，算法对重要工作岗位区域进行7*24小时不间断自动实时监测，一旦算法监测到工作人员离开岗位时间超过设定时长，无需人工干预系统会自动抓拍报警提醒值班人员及时处理。算法通过AI视频分析技术，有效解决监控画面中工作人员脱岗离岗玩手机打电话等不规范操作问题，实现被动管理向主动管理转变，由“被动人为监督”向“提前主动预警”智能化转变。