深度学习

本项目通过对近千张工人安全帽佩戴与未佩戴的有标注数据集，使用paddleDetection神经网络模型对其进行训练，最终的获得了一个可以针对视频流中未带安全帽人物发出识别报警的视觉神经网络。 同时又通过对近千张工人睡岗与未睡岗的有标注数据集，使用pp-Human神经网络模型对其进行训练，最终的获得了一个可以针对视频流中睡岗人物发出识别报警的视觉神经网络。 开源地址是训练过程与部署文档

本项目面向矿井关键设备的智能监测与故障诊断，解决了传统设备监测手段单一、数据采集与处理效率低、故障定位与分析滞后的问题。 与市场现有的解决方案相比，本项目具有以下特点： 1.精准数据采集与可视化：通过高清图像与多维度传感器数据的实时采集与展示，实现设备状态的直观监测，帮助用户快速定位潜在问题。 2.智能故障诊断：基于深度学习算法，融合多源数据分析，实现设备故障的精准诊断与趋势预测，提升设备运维效率。 3.模块化设计：支持多设备灵活接入，系统界面友好，功能模块清晰，用户可根据需求自由扩展。 4.本项目采用C#与深度学习技术相结合，构建了一套集设备监测、数据管理与可视化为一体的综合平台，技术选型以高效与可靠为核心，涵盖实时状态展示、数据分析与故障预测等功能。

项目背景 在制造业环境中，工人穿戴的安全装备和服装合规性直接关系到工厂的安全生产与员工的健康保护。美的工厂作为全球知名的家电制造企业，对生产过程中的工人穿戴规范有严格的要求。然而，传统的人工检查方法存在效率低、覆盖不全的缺陷，且容易出现人为疏忽。因此，引入智能化的穿戴合规检测系统，有助于提高安全管理水平，确保员工符合工厂规定的穿戴标准。 项目目标 本项目旨在开发一套智能穿戴合规检测系统，通过图像识别、深度学习等技术对工人穿戴的合规性进行实时检测，确保员工按照规定穿戴安全帽、工作服、手套等装备，从而提高美的工厂的生产安全性和规范性。 项目功能 穿戴合规检测：实时识别员工的穿戴情况，判断安全帽、工服、手套等是否佩戴齐全，并自动记录检测结果。 违规报警：如果发现穿戴不合规的情况，系统会触发报警，通知现场管理人员及时干预，确保安全隐患尽早消除。 数据分析与报告生成：对检测数据进行统计分析，生成定期合规报告，帮助管理层掌握安全状况，改进管理流程。 人员身份与权限管理：结合员工的身份信息进行权限管理，确保特定区域和任务的穿戴合规，提升管理的精准性。 项目特点 高效性：通过自动化检测提高合规检查效率，减少人工检查的时间消耗。 准确性：采用深度学习模型，能够准确识别和判断员工穿戴是否符合规定。 实时性：系统提供实时监控和报警功能，及时处理违规情况，保障安全。 数据可追溯性：所有检测数据将保存至数据库，便于追溯和分析，帮助工厂制定进一步的安全管理措施。 技术架构 前端系统：安装在工厂的摄像头实时采集工人图像，传送至后台系统。 后台系统：应用深度学习模型（如 YOLOv8）进行图像分析，判断员工穿戴情况。检测结果保存至数据库，并生成定期合规报告。 报警与通知系统：与现场报警装置和管理层通知系统集成，实现异常情况实时报警和通知。 项目价值 提升安全管理水平：减少安全隐患，确保生产环境的安全性。 提高检查效率：自动化系统替代人工检查，减少误差，提高工厂管理的智能化程度。 降低管理成本：自动化合规检测大幅减少了人工检查的投入，节约管理成本。 通过本项目的实施，美的工厂将大幅提升工人穿戴规范的合规性，进一步保障生产安全，为企业的智能化管理奠定基础。

本项目的用户主要面对钢材厂，在以往的初生晶体含量检测都是通过ps或者肉眼判断，价格非常昂贵，本程序解决了此问题。本程序使用python编写，使用了yolo+torch+u-net+opencv+tkbootstarp等技术制作

屠宰厂生猪的收货管理里，数量是一个非常重要的管理指标，因为数量错误会严重的影响企业利润，尤其是人为作弊的情况下。 传统的人工点数，人工记录或者输入电脑的方式，都存在点数效率低（点2-3次还不一定能点准），劳动强度大，如果有人为因素就必然会出错的弊端； 基于ai（人工智能）和视觉技术的点猪系统，通过摄像头拍摄卸猪的过程，自动对生猪进行计数。

1，装配清单系统：数字化船舶模型，1：1呈现所有船舶零部件，提供一定的编辑功能 2，备忘录系统：为零件提供备忘录，现场勘验的时候可以查看备忘录 3，组装顺序和教程系统：编辑船舶零件装配顺序，检验现场装配施工顺序是否合规 4，AR定位系统：零件级别的虚实叠加AR显示系统，检验现场施工精度误差情况，并记录反馈。提供二维码定位，和自写算法的高精准定位系统，解决大户外场景定位漂移问题