加油站视频监控智能识别分析 CNN

加油站视频监控智能识别分析根据AI视频识别的加油站智能监控解决方案：加油站视频监控智能识别分析依据加油站现场已经存在的高清摄像头搜集加油站视频在此基础上加油站视频监控智能识别加油站监控画面中的人的行为或者车的视频图象。智能识别工作人员行为状态，是否存在违规操作，系统自动识别员工，不戴工帽、未穿工装、烟火行为、操作错误等违规行为。

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。

加油站应用推广双重预防机制、智能视频监控、独特实际操作信息内容审核和整个过程视频监控、企业安全管理全要素管理信息平台、加油站智能视频监控信息科技，推动数字转型、智能更新，提升安全事故多发和阶段监控预警信息、信息内容监管。现阶段，在我国已基本建设了10多万个加油站。

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))

在加油站执行全天候不间断监控，选用优秀的人工ai智能视频分析技术，根据智能视频分析模块智能分析视频、智能识别抽烟、不穿工作服装、烟火、智能储存直接证据、智能分发送给管理者、变动“处于被动”为“积极”监管。合理改善“三减一升”实际效果是：降低人工资源、降低时长、降低案件，提升加油站的细致管理能力。