人员行为识别系统人员行为识别系统通过TensorFlow深度学习技术，人员行为识别系统对监控画面中区域7*24小时实时检测。人员行为识别系统监测到现场施工作业人员异常时如：不按要求穿戴工服、违规抽烟打电话、睡岗离岗以及作业流程不规范，人员行为识别系统立即抓拍告警，提醒后台值班人员及时处理，避免发生更大的危险事件。人员行为识别系统通过AI技术手段提升了现场作业监控区域的安全管控效率，人员行为识别系统清晰对监控区域人员行为及着装做出实时分析，完成违规行为及状态事件的及时预警。
在YOLO系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框也是比较关键的一环。在YOLOv3和YOLOv4检测算法中，训练不同的数据集时，都是通过单独的程序运行来获得初始锚点框。YOLOv5中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument(‘–noautoanchor’, action=‘store_ true’, help=‘disable autoanchor check’)，如果需要打开，只需要在训练代码时增加–noautoanch or选项即可。
随着社会的发展和人民生活水平的快速进步，大家对于工地/煤矿/石化/化工厂园区，人员作业过程中人身安全问题越来越重视。在上述施工作业环境中，普遍现存现场监控路数较多、监控内容涵盖多、现场作业各环节相关人员无法对每个监控实时监管，缺少智能提示等先进技术手段。为了做到全时全域的安全监管，避免发生危险意外事件，传统安防监控手段已经不足以适应当下施工环境的要求。人员行为识别系统应运而生。
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))人员行为识别系统对利用现场已有的监控摄像头，人员行为识别系统对煤矿/工地/工厂施工人员行为如：离岗、睡岗、违规抽烟、打电话玩手机以及作业操作流程不规范等行为。除此之外，人员行为识别系统还可以对现场人员的着装穿戴劳保防护用品行为实时监测，不需人为干预人员行为识别系统可以自动发现识别出现场人员的违规行为及违规穿戴情况，人员行为识别系统立即告警并推送给相关管理人员及时处理，提升监控区域的管控效率，纠正现场作业人员的不安全规范的违规行为和穿戴。
