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别预警系统利用场内已有摄像头，覆盖范围内的监控画面实时检测，快捷方便。
从YOLOv1到YOLOv3，每一代性能的提升都与backbone（骨干网络）的改进密切相关。在YOLOv3中，作者不仅提供了darknet-53，还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼备，可以选择darknet-53作为backbone；如果你想达到更快的检测速度，精度方面可以妥协。那么tiny-darknet是你很好的选择。总之，YOLOv3的灵活性使得它在实际工程中得到很多人的青睐。相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。
随着社会的发展和人们生活水平的进步，大家越来越重视安全生产作业，特别是工厂工地生产作业过程更加重视人身安全，在工业生产和建设中，工作服在安全生产作业中的起着举重若轻的作用。因此，按规定地穿着工作服是安全生产的必要措施。人员工装未穿戴识别预警系统可实时视频检测监控画面中在岗工人是否按照要求穿戴着装，充分发挥AI技术在工业工地生产作业中的作用。
import numpy as np
def convert(size, box):
"""
将标注的 xml 文件生成的【左上角x,左上角y,右下角x，右下角y】标注转换为yolov5训练的坐标
:param size: 图片的尺寸： [w,h]
:param box: anchor box 的坐标 [左上角x,左上角y,右下角x,右下角y,]
:return: 转换后的 [x,y,w,h]
"""
x1 = int(box[0])
y1 = int(box[1])
x2 = int(box[2])
y2 = int(box[3])
dw = np.float32(1. / int(size[0]))
dh = np.float32(1. / int(size[1]))
w = x2 - x1
h = y2 - y1
x = x1 + (w / 2)
y = y1 + (h / 2)
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return [x, y, w, h]人员工装未穿戴识别预警系统无需新增其他硬件，人员工装未穿戴识别预警系统通过现场已有监控摄像头可以实现对工厂、建筑工地、煤矿石化、园区电力等高危行业安全生产区域人员是否穿戴工装进行实时分析识别，人员工装未穿戴识别预警系统对未穿戴工装的危险行为立即将违规截图和视频推送给相关管理人员。人员工装未穿戴识别预警系统可以最大限度地降低人工因素导致的误报漏报情况，降低危险事件发生的概率。
