工作服反光衣AI视频识别系统根据智能化视频剖析，工作服反光衣AI视频识别系统全自动剖析和识别视频图像信息内容，不用人工控制，可对建筑工地职工不穿工作服开展全天监管，工作服反光衣AI视频识别系统发现违规人员立即预警，合理帮助管理者工作中降低虚报汇报和忽略遗漏的状况，减少人力监管成本费。人工智能技术视频识别系统全自动监管职工施工作业过程是否合规的最佳辅助系统，提早采取一定的有效措施，严控，将事故隐患抹杀在萌发情况。
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。
工作服反光衣AI视频识别系统全天候监控工程地区，当监管到很多职工不穿工作服时，马上开启警报提醒，立即阻止违规行为。国家规定工作人员进到建筑工地务必穿达标的工作服，衣服裤子和衣袖务必扣上，实际操作员工的衣服裤子不可被转动机和有可能的卡住一部分，工作服严禁应用涤纶、化学纤维、棉、化纤混纺布服饰，避免火灾事故点燃加剧点燃可能。
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)
def evaluate_accuracy_gpu(net, data_iter, device=None): #@save
"""使用GPU计算模型在数据集上的精度。"""
if isinstance(net, torch.nn.Module):
net.eval（) # 设置为评估模式
if not device:
device = next(iter(net.parameters())).device
# 正确预测的数量，总预测的数量
metric = d2l.Accumulator(2)
for X, y in data_iter:
if isinstance(X, list):
X = [x.to(device) for x in X]
else:
X = X.to(device)
y = y.to(device)
metric.add(d2l.accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
"""用GPU训练模型。"""
def init_weights(m):
if type(m) == nn.Linear or type(m) == nn.Conv2d:
nn.init.xavier_uniform_(m.weight)
net.apply(init_weights)
print('training on', device)
net.to(device)
optimizer = torch.optim.SGD(net.parameters(), lr=lr)
loss = nn.CrossEntropyLoss()
animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
legend=['train loss', 'train acc', 'test acc'])
timer, num_batches = d2l.Timer(), len(train_iter)
for epoch in range(num_epochs):
# 训练损失之和，训练准确率之和，范例数
metric = d2l.Accumulator(3)
net.train()
for i, (X, y) in enumerate(train_iter):
timer.start()
optimizer.zero_grad()
X, y = X.to(device), y.to(device)
y_hat = net(X)
l = loss(y_hat, y)
l.backward()
optimizer.step()
with torch.no_grad():
metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])
timer.stop()
train_l = metric[0] / metric[2]
train_acc = metric[1] / metric[2]
if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
animator.add(epoch + (i + 1) / num_batches,
(train_l, train_acc, None))
test_acc = evaluate_accuracy_gpu(net, test_iter)
animator.add(epoch + 1, (None, None, test_acc))
print(f'loss {train_l:.3f}, train acc {train_acc:.3f}, '
f'test acc {test_acc:.3f}')
print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec '
f'on {str(device)}')在监控摄像头的可视性区域内，系统全自动检查员是不是佩戴安全头盔和反光服。假如看到有些人并没有合规佩戴安全头盔和反光服，现场监控报警装置会语音广播提示，并捕获违规操作。在施工工地、电力工程、煤矿业、石油化工、化工厂等高危作业现场，可合理避免重大安全事故的产生，完成生产安全智能化系统管理，减少降低人工控制。
