加油站ai系统视频监测通过深度学习边缘计算技术,加油站ai系统视频监测对现场画面中人员作业行为实时进行检测分析,加油站ai系统视频监测不需人为干预通过AI技术识别异常违规行为信息,加油站ai系统视频监测能将风险及时发现并进行预警,提升加油站作业全流程安全系数。加油站ai系统视频监测系统了可以识别以下7种加油卸油过程中违规异常行为,分别卸油过程中人员违规离岗、现场灭火器没有按要求正确摆放、以及卸油前需要遵守静电释放15分钟的作业流程,除此之外还有是违规打电话、明火烟雾情况、抽烟行为。
Python是一种由Guido van Rossum开发的通用编程语言,它很快就变得非常流行,主要是因为它的简单性和代码可读性。它使程序员能够用更少的代码行表达思想,而不会降低可读性。
与C / C++等语言相比,Python速度较慢。也就是说,Python可以使用C / C++轻松扩展,这使我们可以在C / C++中编写计算密集型代码,并创建可用作Python模块的Python包装器。这给我们带来了两个好处:首先,代码与原始C / C++代码一样快(因为它是在后台工作的实际C++代码),其次,在Python中编写代码比使用C / C++更容易。OpenCV-Python是原始OpenCV C++实现的Python包装器。
随着社会的发展和人们生活水平的提高,城市建设发展过程中涌现出来越来越多的加油站,加油站场景属于危化品行业且离大众生活非常近,几乎每个月每周都会有接触。所以加油站的日常作业安全非常重要。明火烟雾等在加油站内是绝对不允许的。 而传统安防监控不但需要人力而且对于违规作业危险情况不能及时预警,几乎成为摆设。加油站ai系统视频监测采用AI智能视频识别技术,对现场人员违规行为及异常状态进行自动智能识别,提高加油站安全系数。
# 检测类
class Detect(nn.Module):
stride = None # strides computed during build
export = False # onnx export
def __init__(self, nc=80, anchors=(), ch=()): # detection layer
super(Detect, self).__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
a = torch.tensor(anchors).float().view(self.nl, -1, 2)
self.register_buffer('anchors', a) # shape(nl,na,2)
self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2)) # shape(nl,1,na,1,1,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
def forward(self, x):
# x = x.copy() # for profiling
z = [] # inference output
self.training |= self.export
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.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i] = self._make_grid(nx, ny).to(x[i].device)
y = x[i].sigmoid()
y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i].to(x[i].device)) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
@staticmethod
def _make_grid(nx=20, ny=20):
yv, xv = torch.meshgrid([torch.arange(ny), torch.arange(nx)])
return torch.stack((xv, yv), 2).view((1, 1, ny, nx, 2)).float()
加油站ai系统视频监测通过现场摄像头,加油站ai系统视频监测利旧针对加油站监控画面中作业区工作人员违规行为规范、烟火烟雾异常情况、违规打电话行为识别、违规抽烟识别、卸油过程中人员在岗离岗,实现对加油站画面人员危险行为紧急情况快速预警,做到防患于未然。加油站ai系统视频监测降低了现场安全依赖后台监控人工盯屏幕的情况以及因现场人工因素导致的误报漏报,提升了加油站现场安全行为作业的管控效率。