首页 > 其他分享 >安全生产作业现场违规行为识别预警系统 CNN

安全生产作业现场违规行为识别预警系统 CNN

时间:2024-09-25 10:21:39浏览次数:9  
标签:违规行为 self torch 预警系统 CNN grid 识别


安全生产作业现场违规行为识别预警系统具有以下优势:安全生产作业现场违规行为识别预警系统通过智能摄像头对工厂现场进行实时监控,利用先进的识别技术对人员的行为和电力作业行为进行实时识别和分析。安全生产作业现场违规行为识别预警系统预先设定了各种合规行为和违规行为的模型,当工厂现场出现违规行为时,系统能够准确判定并进行告警。安全生产作业现场违规行为识别预警系统检测到违规行为,将立即进行抓拍并发送告警信息给相关人员,以便及时采取相应的处置措施。

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。

安全生产作业现场违规行为识别预警系统 CNN_安全

安全生产是工厂管理中至关重要的一环,而违规行为往往是导致事故的主要原因之一。为了及时识别并预警工厂现场的违规行为,我们开发了安全生产作业现场违规行为识别预警系统。安全生产作业现场违规行为识别预警系统基于先进的识别技术,可以判断工厂人员的行为和电力作业行为是否合规,并在发现违规场景时立即进行抓拍告警。

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

安全生产作业现场违规行为识别预警系统的工作原理如下:安全生产作业现场违规行为识别预警系统在工厂现场布置智能摄像头,对人员和电力作业进行实时监控。安全生产作业现场违规行为识别预警系统利用先进的识别算法对监控视频进行处理和分析,判断人员行为和电力作业行为是否合规。安全生产作业现场违规行为识别预警系统可以广泛应用于工厂等场所,通过实时识别和告警的方式,帮助工厂管理人员及时发现并处理违规行为,提升工厂的安全管理水平和生产效率。我们相信,这一创新解决方案将继续得到推广和应用,为工厂安全生产作业创造更加安全和可靠的环境。

标签:违规行为,self,torch,预警系统,CNN,grid,识别
From: https://blog.51cto.com/u_16270964/12107604

相关文章

  • 模型压缩:CNN和Transformer通用,修剪后精度几乎无损,速度提升40%
    前言随着目标检测的蓬勃发展,近年来提出了几种深度卷积神经网络模型,例如R-CNN、SSD和YOLO等。然而,随着网络变得越来越复杂,这些模型的规模不断增加,这使得在现实生活中将这些模型部署到嵌入式设备上变得越来越困难。因此,开发一种高效快速的物体检测模型以在不影响目标检测质量的情况下......
  • MATLAB疲劳驾驶预警系统
    MATLAB可以用于开发疲劳驾驶预警系统。以下是一个基本的实现步骤:数据采集:使用摄像头或传感器采集驾驶员的眼睛活动数据和头部姿势数据。可以使用MATLAB的图像处理工具箱来进行图像处理和眼部跟踪。特征提取:从采集的数据中提取有用的特征,例如眼睛的闭合程度、眼球运动等。可......
  • 论文速递!Auto-CNN-LSTM!新的锂离子电池(LIB)剩余寿命预测方法
    论文标题:AData-DrivenAuto-CNN-LSTMPredictionModelforLithium-IonBatteryRemainingUsefulLife期刊信息:IEEETII(中科院1区,JCRQ1,IF=11.7)引用:RenL,DongJ,WangX,etal.Adata-drivenauto-CNN-LSTMpredictionmodelforlithium-ionbatteryremainingusef......
  • YOLOv5:Android手机NCNN部署
    视频链接:YOLOv5:Android手机NCNN部署_哔哩哔哩_bilibili 《YOLOv5:Android手机NCNN部署》课程致力于帮助学生实战YOLOv5目标检测算法在Android手机上的NCNN部署。常心老师将手把手带领大家从0开始搭建YOLOv5+Android+NCNN环境,带领大家排坑、避坑、填坑。本课程将进行环境搭......
  • 日新月异 PyTorch - pytorch 基础: 通过卷积神经网络(Convolutional Neural Networks,
    源码https://github.com/webabcd/PytorchDemo作者webabcd日新月异PyTorch-pytorch基础:通过卷积神经网络(ConvolutionalNeuralNetworks,CNN)做图片分类-通过ResNet50做图片分类的学习(对cifar10数据集做训练和测试),保存训练后的模型,加载训练后的模型并评估指定的......
  • 诸神黄昏!多模型齐亮相!GAF-PCNN-GRU、GASF-CNN-GRU、GADF-CNN-GRU的多特征分类预测/故
    诸神黄昏!多模型齐亮相!GAF-PCNN-GRU、GASF-CNN-GRU、GADF-CNN-GRU的多特征分类预测/故障诊断目录诸神黄昏!多模型齐亮相!GAF-PCNN-GRU、GASF-CNN-GRU、GADF-CNN-GRU的多特征分类预测/故障诊断分类效果格拉姆矩阵图GAF-PCNN-GRUGASF-CNN-GRUGADF-CNN-GRU基本介绍程序设计参考资料分......
  • 【单变量输入多步预测】基于CNN-BiLSTM的风电功率预测研究(Matlab代码实现)
             ......
  • 基于nodejs+vue校内突发事件预警系统[开题+源码+程序+论文]计算机毕业设计
    本系统(程序+源码+数据库+调试部署+开发环境)带文档lw万字以上,文末可获取源码系统程序文件列表开题报告内容研究背景随着教育事业的快速发展和校园规模的不断扩大,校园安全问题日益凸显,尤其是突发事件的频繁发生,给学校管理和师生安全带来了严峻挑战。近年来,从自然灾害到公共......
  • 人员工装未穿戴识别预警系统
    人员工装未穿戴识别预警系统基于OpenCv计算机视觉深度学习技术代替后台监控人员,人员工装未穿戴识别预警系统不需要人工干预自动识别不按要求穿工作服行为,发现违规行为立即抓拍存档同步后台人员及时处理违规行为,避免后续发生更大的危险事件。整个过程无需新增硬件人员工装未穿戴识......
  • 《深度学习》卷积神经网络CNN 原理及其流程解析
    目录一、CNN图像原理1、了解图像的原理2、举例二、CNN图像识别1、画面不变性2、主要表现    1)平移不变性    2)尺度不变性    3)旋转不变性3、传统神经网络识别    1)数据预处理    2)特征提取    3)搭建神经网络模型......