工厂人员作业流程合规实时检测系统通过AI视觉深度分析技术，工厂人员作业流程合规实时检测系统融入具体工厂生产线的操作流程当中，不需人为干预算法可以实现对工厂流水线上作业人员的每一个流程每个动作进行识别，将现场操作行为识别得出的结果与系统中约定的标准进行比对，如现场操作行为符合标准不进行预警，如在现场人员操作时间、动作行为等方面出现差异不符合标准，系统自动预警，并及时提醒作业人员进行改正。
YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：
- 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；
- 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；
- Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构；
- Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的DIOU_nms。
随着社会的进步以及科技的不断发展人们生活水平也在不断的提高，而伴随着社会的发展和科技的进步，AI数字化已经被越来越多的生产企业作为实现提高生产效率的重要手段。慢慢的AI更在深入到越来越多的生产环节当中，更成为提升自身综合竞争力的关键举措。传统生产线在一定程度上是可以实现机器换人，但在很多关键生产环节，生产线人员是依然非常重要的。而当下随着竞争越来越激烈，企业竞争最终就是效率以及成本控制的竞争。工厂人员作业流程合规实时检测系统应运而生。
针对不同的目标检测算法而言，我们通常需要执行图片缩放操作，即将原始的输入图片缩放到一个固定的尺寸，再将其送入检测网络中。YOLO系列算法中常用的尺寸包括416*416，608 *608等尺寸。原始的缩放方法存在着一些问题，由于在实际的使用中的很多图片的长宽比不同，因此缩放填充之后，两端的黑边大小都不相同，然而如果填充的过多，则会存在大量的信息冗余，从而影响整个算法的推理速度。为了进一步提升YOLOv5算法的推理速度，该算法提出一种方法能够自适应的添加最少的黑边到缩放之后的图片中。
# 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()工厂人员作业流程合规实时检测系统基于AI视觉分析技术，工厂人员作业流程合规实时检测系统借助现场摄像头对现场的人员作业流程合规实时检测预警，工厂人员作业流程合规实时检测系统可以高效的准确检测出生产现场人员作业过程中的不合规操作及危险行为，工厂人员作业流程合规实时检测系统相当于通过AI技术对作业人员的每一道工序进行了细致的检查。及时纠正错误方法和不良习惯，可大大降低安全事故的发生，保证每一道工序完成的时候都是合格的。工厂人员作业流程合规实时检测系统大大提高产品的良品率、提高产品质量。有效节省监督人员人力成本
