工地车辆未冲洗识别抓拍系统 YOLOv5

工地车辆未冲洗识别抓拍系统 智慧工地通过出入口摄像头，工地车辆未冲洗识别抓拍系统 智慧工地可以对每辆要出施工工地的工程车辆的清洗实现自动识别判定。如果工地车辆未冲洗识别抓拍系统 智慧工地识别到车辆冲洗不合格，工地车辆未冲洗识别抓拍系统 智慧工地就会自动进行抓拍并将违规车辆信息回传给智慧工地系统平台。工地车辆未冲洗识别抓拍系统 智慧工地促进车辆离开施工工地前可以认真进行全面的清洗，尽量避免将施工工地尘土带入道路，导致城市环境污染加剧。

在YOLO系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框也是比较关键的一环。在YOLOv3和YOLOv4检测算法中，训练不同的数据集时，都是通过单独的程序运行来获得初始锚点框。YOLOv5中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument(‘–noautoanchor’, action=‘store_ true’, help=‘disable autoanchor check’)，如果需要打开，只需要在训练代码时增加–noautoanch or选项即可。

随着社会的发展和工地规划建设的快速进步，大家对于环保施工、环境卫生质量更加重视。工地车辆未冲洗识别抓拍系统 智慧工地促进工地合法合规进行智慧施工建设更进一步顺应了针对进出施工工地工程车车身清洗不净就违规出工地等监管难点。工地车辆未冲洗识别抓拍系统 智慧工地通过深度学习算法分析，构成24小时全域即时锁定违规行为覆盖化监管，让建筑施工车辆违规行为无所遁形。工地车辆未冲洗识别抓拍系统 智慧工地价值得到进一步体现。

登录后复制

# 检测类
class Detect(nn.Module):
    stride = None  # strides computed during build
    export = False  # onnx export

    def __init__(self, nc=80, anchors=(), ch=()):  # detection layer
        super(Detect, self).__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
        a = torch.tensor(anchors).float().view(self.nl, -1, 2)
        self.register_buffer('anchors', a)  # shape(nl,na,2)
        self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2))  # shape(nl,1,na,1,1,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv

    def forward(self, x):
        # x = x.copy()  # for profiling
        z = []  # inference output
        self.training |= self.export
        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.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i] = self._make_grid(nx, ny).to(x[i].device)

                y = x[i].sigmoid()
                y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i].to(x[i].device)) * self.stride[i]  # xy
                y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    @staticmethod
    def _make_grid(nx=20, ny=20):
        yv, xv = torch.meshgrid([torch.arange(ny), torch.arange(nx)])
        return torch.stack((xv, yv), 2).view((1, 1, ny, nx, 2)).float()

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.

工地车辆未冲洗识别抓拍系统 智慧工地通过YOLO网络模型，工地车辆未冲洗识别抓拍系统 智慧工地可以24小时不间断自动对每辆出入工地的车辆清洗实现自动识别，发现违规车辆时，工地车辆未冲洗识别抓拍系统 智慧工地可以立即抓拍存档并声光报警提醒车辆按要求清洗，合规后再进行放行。工地车辆未冲洗识别抓拍系统 智慧工地提升现场监督管理效率，促进工地施工进一步合规合法安全作业。

原创作者: u_16270964 转载于: https://blog.51cto.com/u_16270964/11708979