智慧工地扬尘监测系统剖析，智能化当场烟尘监管系统全自动剖析和鉴别视频图像信息内容，不用人工控制；智慧工地扬尘监测系统自动检测施工工地等监管范围的烟尘，立即预警信息，合理帮助管理者解决。与此同时，还能够查询当场视频，查看，提升企业信息管理水准，完成建筑工地的自动化管理方法。
近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。
第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。本文介绍的是Yolo算法，其全称是You Only Look Once: Unified, Real-Time Object Detection，其实个人觉得这个题目取得非常好，基本上把Yolo算法的特点概括全了：You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快。
在作业流程中，因为工作人员的行动和机械设备的运作，不但会提升粉尘浓度，并且会减少环境质量。一旦进到吸气系统，便会致使一系列病症，严重影响施工队伍的身心健康。因而，施工工地扬尘导致的民事法律问题可能提升，这不但不可以确保作业的顺利开展和产品质量的确保，并且也会给施工企业导致明显的损害。
class Yolo(object):
def __init__(self, weights_file, verbose=True):
self.verbose = verbose
# detection params
self.S = 7 # cell size
self.B = 2 # boxes_per_cell
self.classes = ["aeroplane", "bicycle", "bird", "boat", "bottle",
"bus", "car", "cat", "chair", "cow", "diningtable",
"dog", "horse", "motorbike", "person", "pottedplant",
"sheep", "sofa", "train","tvmonitor"]
self.C = len(self.classes) # number of classes
# offset for box center (top left point of each cell)
self.x_offset = np.transpose(np.reshape(np.array([np.arange(self.S)]*self.S*self.B),
[self.B, self.S, self.S]), [1, 2, 0])
self.y_offset = np.transpose(self.x_offset, [1, 0, 2])
self.threshold = 0.2 # confidence scores threhold
self.iou_threshold = 0.4
# the maximum number of boxes to be selected by non max suppression
self.max_output_size = 10智慧工地扬尘监测系统对现场检测范围内的烟尘开展即时鉴别和预警信息，智慧工地扬尘监测系统将警报信息内容储存到服务器数据库查询，包含时长、地址、快照更新、视频等。对施工现场工程施工范围开展7×24持续检测和剖析，清除气侯和外部环境的影响，进一步提高了视频网络资源的使用率，减少了人力检测的工作强度。智能化烟尘检测系统可以彻底解决传统式检测高效率低的问题，消耗很多的人工和物力资源，提升检测高效率，大大的节省检测成本费用。
