自动化学科前沿讲座作业 基于深度学习的工厂人员监测系统设计

1 背景及应用场景
在工业复杂生产环境下,作业人员的安全问题至关重要。大多数工业企业采用人眼观察视频的方式对作业人员位置进行判断,这种方式长时间会使管理者出现疲劳问题,效率非常低下,遇到安全问题也不能进行及时的处理。采用图像处理以及深度学习技术使计算机代替人眼去检测和定位人员,不仅可以提高检测的准确率,同时也可以减轻监管人员的工作负担。使用计算机视觉技术,在工厂实现工作服穿戴检测、员工到岗和离岗检测、员工疲劳检测等人员管理的场景 AI化,可以提升工厂人员管理效率并降低企业管理成本。

在这里插入图片描述

2 系统预实现目标
通过摄像头实时采集工厂员工视频流数据,基于所采集的视频流数据实现工业生产环境员工穿戴检测、到离岗检测以及疲劳检测等功能。并且将检测结果反应至控制调度中心,由控制调度中心做出相应的记录展示、提示警报和异常处理等。以上所描述的即为该基于深度学习的工厂人员监测系统预实现的技术和功能层面目标,而该系统所要实现的企业效益目标为利用计算机代替管理人员对生产员工进行标准化、智能化管理,进而减少额外的劳动力费用和降低生产事故发生率等。
在这里插入图片描述

3 场景及重难点分析

在这里插入图片描述

在这里插入图片描述

4 系统设计方案
4.1 系统整体方案

在这里插入图片描述

4.2 系统技术架构

在这里插入图片描述

4.3 主要算法 Yolov3
原始 Yolov3 的网络结构如下图所示,主干网络为 Darknet-53 结构,借鉴ResNet 中的残差结构进行网络地搭建.网络本身为全卷积结构,不包含池化层以及全连接层,张量的尺寸变换通过改变卷积核的步长来实现.特征图在网络中会经历 5 次缩小,最终特征图的尺寸等于输入尺寸的 51/2,即 1/32。

在这里插入图片描述

Yolov3 借鉴 FPN 的思想,引入了多尺度检测模块,网络的输出层总共包含3 个不同尺度的特征图。具体来说,从主干网络的 8 倍、16 倍以及 32 倍下采样处分别提取特征图进行 3 个尺度的预测,特别地,对于 8 倍和 16 倍下采样的特征图,通过与后一层特征图的上采样(upsampling)结果拼接融合(concat)得到新的特征图进行最终的预测。其中输出层特征图的每一个网格需要预测 3 个目标框,每个预测框(predicted boxes)包含(x,y,w,h,confidence) 5 个参数,另外包含一个类别概率,所以最终每个网格需要预测的参数总共为 18。Yolov3 网络同样引入了 anchor 机制,通过 anchor 的设置引导网络的训练.通过维度聚类算法,对数据集所有样本中真实目标框(ground-truth boxes)的尺寸进行聚类分析,得出 9 组不同的宽高组合,进一步将 9 组数据分为 3 个大组,分别分配给 3 个不同的尺度,每个尺度包含 3 个不同的宽高组合,通过不同尺寸 anchor的设置来实现对不同尺度目标的检测。

4.4 数据采集与模型迭代
原始数据采集:从视频片段中采样得到数据集,模拟违规。
违规规则定义:将业务规则转化成单帧物体检测的规则。
单帧图像违规规则判断:违规是否持续了一段时间(真的发生了违规,还是某一两帧模型的误判)。
在模型迭代优化中,同步进行:①Bad Case 数据的收集与标注 扩充数据集,尽量涵盖数据集中未出现的情景。②检查已有的数据标注 提高数据质量。③将违规行为检测问题分解为“单帧图像的物体检测问题”与“聚合到时间维度的规则
判断问题”。
优化:①通过多次试验,调整规则的阈值条件,使单帧检测效果提升。②通过合适的时间聚合条件,将单帧违规信息聚合到事件维度,提高事件级别的识别准确率(Precision)。③迭代期间模型试运行测试时,收集 Bad Case 数据,追加标注数据进行迭代训练。

在这里插入图片描述

5 系统成本估算

在这里插入图片描述

6 道德伦理问题
该系统中需要进行人脸识别、人脸特征提取等涉及员工生物特征的采集与存储等处理,因此存在一定的安全隐患与道德伦理问题。人脸识别系统通常是专有的并且保密,但是有专家称,大多数系统涉及一个多阶段过程,该过程通过深度学习对大量数据进行大规模神经网络训练。为了使人脸识别算法正常工作,必须对大型图像数据集进行训练和测试,理想情况下,必须在不同的光照条件和不同的角度多次捕获这些图像,大多数员工未经许可即被收集人脸图像。
人脸识别信息以或显或隐的方式表征着自然人的人格,一旦被非法收集、使用、存储、传输、披露,对信息主体造成歧视、人格尊严贬损和隐私泄露等后果可能伴随一生。因此,属于敏感个人信息的人脸识别信息被非法处理的后果较一般个人信息更为严重,需要法律的特殊保护。
规制人脸识别技术应用带来的风险、严格保护人脸识别信息的前提是明确人脸识别信息在法律上的属性。我国暂未出台专门保护人脸识别信息的法律,保护人脸识别信息主要依据现行法中关于敏感个人信息、一般个人信息和隐私权的规定。个人信息保护法为保护人脸识别信息构建了严格的事前信息处理规则,除此之外还为侵害人脸识别信息的行为规定了罚款、吊销营业执照、损害赔偿等行政、民事乃至刑事责任,以增强对违规使用人脸识别技术、侵害人脸识别信息的行为的威慑力。而对于企业本身来说,必须加强监管、提高技术透明度,防止员工人脸特征等信息的泄露和被非法使用。


前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料)


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/347332.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

MATLAB库函数resample(重采样函数)的C语言实现【姊妹篇1基于std::vector】

resample的原理 MATLAB中resample函数最简单的参数如下: y = resample(x,p,q) 以p/q乘以原始采样速率对输入序列x重新采样。resample在x上应用抗锯齿FIR低通滤波器,补偿滤波器带来的延迟。 根据以下2篇文章 MATLAB库函数upfirdn(分数倍采样率变换)的C语言实现(采用了STL::v…

多重继承java_Java中的多重继承与组合vs继承

多重继承java有时我写了几篇有关Java 继承 , 接口和组成的文章。 在这篇文章中,我们将研究多重继承,然后了解组成优于继承的好处。 Java中的多重继承 多重继承是创建具有多个超类的单个类的能力。 与其他一些流行的面向对象的编程语言&#…

数电实验二-点亮一个数码管(Multisim和Basys3 )

特别说明:该系列内容均是本人实验记录,无盗取侵权之嫌,仅供参考,请多动手实践。 一、实验目的 详见报告 二、实验环境 详见报告 三、实验内容 (1)基本要求:以Basys3四位拨码开关SW3~SW0为输入…

模拟调频信号FM解调的matlab和C语言实现【姊妹篇1基于std::vector】

本文所需的FM已调信号、原始音频、包络检波法解调后的音频、差分相位法解调后的音频,可通过以下链接进行下载。其中,FM已调信号文件较大共有两百多兆,故截取其部分上传,若有需要完整信号的请留言! FM调制解调音频文件.rar 已调信号:采样率为 F s = 5 m H z Fs=5mHz Fs=

倍福(Beckhoff)嵌入式控制器PLC

前些天发现了十分不错的人工智能学习网站,通俗易懂,风趣幽默,没有广告,分享给大家,大家可以自行看看。(点击跳转人工智能学习资料) 摘要:与家喻户晓的西门子相比,倍福&am…

fftw-3.3.8库在linux下的的编译和配置

关注公号【逆向通信猿】更精彩!!! 运行环境 Ubuntu 14.04版本以上,64位系统 FFTW库的下载 首先在官网上下载fftw-3.3.8.tar.gz压缩包,解压。本人下载好的压缩包地址:https://download.csdn.net/download/wlwdecs_dn/12904577 FFTW库的生成 首先,将压缩包进行解压,…

tms tck_两个用于Eclipse的TCK –开源到底有什么?

tms tck早在5月,Oracle就向Eclipse Foundation 授予了兼容性测试奖学金 。 在过去的几天里,这引起了媒体的关注,我只是想确保我对整个过程和详细动作有所了解。 看起来像是一见钟情的简单诚实的礼物实际上具有更多的方面。 但是让我们从头开始…

倍福嵌入式控制器PLC各型号简介

CX8000 性能强大的 32 位控制器,集成现场总线和 I/O 接口 CX8000 系列产品是一款可编程控制器,搭载 32 位 ARM 处理器,可用于处理 PLC 程序或用作为上位现场总线系统的从站设备。与 EK 系列总线耦合器(EtherCAT 耦合器&#xff0…

循环自相关函数和谱相关密度(一)——公式推导

1 引言 R ^ x α ( f ) ≡ 0 \hat R_x^\alpha (f) \equiv 0 R<

Spring Security with Spring Boot 2.0:密码编码器

在上一篇文章中&#xff0c;我们使用了用户详细信息服务&#xff0c;以便提供一种基于给定用户名从函数加载数据的方法。 用户详细信息的实现可能由内存机制&#xff0c;sql / no-sql数据库等支持。 选项是无限的。 关于密码存储&#xff0c;我们必须注意的是密码哈希。 出…

第十二届蓝桥杯省赛:试题 A: 卡片(Java)

本题总分&#xff1a;5 分 【问题描述】 小蓝有很多数字卡片&#xff0c;每张卡片上都是数字0到9。 小蓝准备用这些卡片来拼一些数&#xff0c;他想从1开始拼出正整数&#xff0c;每拼一个&#xff0c;就保存起来&#xff0c;卡片就不能用来拼其它数了。 小蓝想知道自己能从1拼…

循环自相关函数和谱相关密度(二)——实信号、复信号模型下的BPSK信号循环谱推导

说明&#xff1a;接上一节循环自相关函数和谱相关密度&#xff08;一&#xff09;——公式推导 7 BPSK信号谱相关密度函数 7.1 实信号模型 BPSK实信号表达式可以写为 r(t)y(t)n(t)r(t) y(t) n(t)r(t)y(t)n(t) s(t)p(t)n(t) s(t)p(t) n(t)s(t)p(t)n(t) ∑n−∞∞a(nT)q(t−…

第十二届蓝桥杯A组省赛填空题Java思路及代码合集(相乘直线货物摆放路径回路计数)

文章目录试题 A: 相乘试题 B: 直线试题 C: 货物摆放试题 D: 路径试题 E: 回路计数试题 A: 相乘 本题总分&#xff1a;5 分 【问题描述】 小蓝发现&#xff0c;他将 1 至 1000000007 之间的不同的数与 2021 相乘后再求除以1000000007 的余数&#xff0c;会得到不同的数。小蓝想…

循环自相关函数和谱相关密度(三)——实信号、复信号模型下的BPSK信号循环谱MATLAB仿真结果及代码

关注公号【逆向通信猿】,循环谱 说明:接上一节循环自相关函数和谱相关密度(二)——实信号、复信号模型下的BPSK信号循环谱推导 7.5 仿真结果 7.5.1 实BPSK信号 符号速率RB = 40,采样率Fs = 960,载波频率fc = 300,符号数N = 1000,矩形成形。

executor线程池框架_如何使用Java 5 Executor框架创建线程池

executor线程池框架Java 5以Executor框架的形式在Java中引入了线程池&#xff0c;它允许Java程序员将任务提交与任务执行分离。 如果要使用Java进行服务器端编程&#xff0c;则线程池是维护系统可伸缩性&#xff0c;鲁棒性和稳定性的重要概念。 对于那些不熟悉Java中的线程池或…

第十二届蓝桥杯A组省赛试题 I: 双向排序(Java)

试题 I: 双向排序 本题总分&#xff1a;25 分 【问题描述】 给定序列 (a1, a2, , an) (1, 2, , n)&#xff0c;即 ai i。 小蓝将对这个序列进行 m 次操作&#xff0c;每次可能是将 a1, a2, , aqi 降序排列&#xff0c; 或者将 aqi , aqi1, , an 升序排列。 请求…

循环自相关函数和谱相关密度(四)——实信号、复信号模型下的QPSK信号循环谱推导

关注公号【逆向通信猿】,口令:循环谱 说明:接上一节循环自相关函数和谱相关密度(三)——实信号、复信号模型下的BPSK信号循环谱MATLAB仿真结果及代码 8 QPSK信号谱相关密度函数 8.1 实信号模型 QPSK实信号表达式可以写为 r ( t ) = y I ( t ) − y Q (

JavaFX技巧29:使布局忽略不可见的节点

在我仍在Swing中实现UI的时候&#xff0c;我曾经是MigLayout的忠实拥护者&#xff08;“一个布局管理者来统治所有这些&#xff0c;对吗Mikael&#xff1f;”&#xff09;。 我真正喜欢的功能之一是当组件不可见时可以定义不同的行为。 MigLayout允许我保留现在不可见的组件所占…

第十一届蓝桥杯A组省赛填空试题 A: 门牌制作(Java)

试题 A: 门牌制作 本题总分&#xff1a;5 分 【问题描述】 小蓝要为一条街的住户制作门牌号。 这条街一共有 2020 位住户&#xff0c;门牌号从 1 到 2020 编号。 小蓝制作门牌的方法是先制作 0 到 9 这几个数字字符&#xff0c;最后根据需要将字符粘贴到门牌上&#xff0c;例如…

循环自相关函数和谱相关密度(五)——实信号、复信号模型下的QPSK信号循环谱MATLAB仿真结果及代码

关注公号【逆向通信猿】口令:循环谱 说明:接上一节循环自相关函数和谱相关密度(四)——实信号、复信号模型下的QPSK信号循环谱推导 8.4 仿真结果 8.4.1 实QPSK信号 符号速率RB = 40,采样率Fs = 960,载波频率fc = 300,符号数N = 1000,矩形成形,二倍载波频率为符号速…