工地安全着装识别系统 CNN

工地安全着装识别系统依据很多工作服图片信息数据训练识别模型，工地安全着装识别系统对现场视频监控画面实时分析，工地安全着装识别系统利用视频监控机器学习算法判断工地作业人员着装、工作服颜色识别；工地安全着装识别系统识别到违规信息后系统马上把违规图片、违规视频等信息发送给后台监管综合服务平台，后台管理人员可以能够第一时间获取违规图像，及时处理违规行为。

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。

工地安全着装识别系统针对建筑工地的监管系统，其作用包含：安全头盔检测、着装检验、烟雾明火检验，区域入侵识别。工地安全着装识别系统在建筑工地、电力安装、煤矿、石油化工、冶金工业、化工企业等危险工作上自动识别工作人员，有效预防危险事件的发生。

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))

工地安全着装识别系统利用项目现场已经安装的监控摄像机拍的视频画面展开了实时分析，一旦发现工作人员并没有按照要求着装，工地安全着装识别系统会自动报警。工地安全着装识别系统会自动保存时间、地点及相应的图片，作为事后追溯的依据。