化工廠液體泄漏識別預(yù)警基于圖像識別算法是計算機視覺的基礎(chǔ)算法，例如VGG，GoogLeNet，ResNet等，化工廠液體泄漏識別這類算法主要是判斷圖片中目標(biāo)的種類液體泄漏識別預(yù)警自動識別監(jiān)控視頻中機械管道是否存在液體泄漏行為。如檢測到液體泄漏，立即反饋給后臺人員及時處理。

要對圖片中一個物體進行分類，首先要解決如何從圖片中發(fā)現(xiàn)這個物體，最直觀的方法就是用不同尺寸的方框進行掃描，這個方框可以被稱為window，和要得到的物體尺寸是兩回事。這就是RNN的方法，但這種方法計算量大，因此出現(xiàn)了Yolo，其核心思想就體現(xiàn)在如何從一張圖像準(zhǔn)確獲取目標(biāo)的方法上。

至于目標(biāo)檢測的用處，現(xiàn)在最大的場景就是無人駕駛，在無人駕駛中，需要實時檢測出途中的人、車、物體、信號燈、交通標(biāo)線等，再通過融合技術(shù)將各類傳感器獲得的數(shù)據(jù)提供給控制中心進行決策。而目標(biāo)檢測相當(dāng)于無人駕駛系統(tǒng)的眼睛。在目標(biāo)檢測技術(shù)領(lǐng)域，有包含region proposals提取階段的兩階段(two-stage)檢測框架如R-CNN/Fast-RCNN/R-FCN等。

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練與硬件加速器實現(xiàn)圖像識別系統(tǒng)的第二部分是 CNN 加速器，CNN 加速器的實現(xiàn)包含訓(xùn)練與推理兩個階段。一是卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，提取相應(yīng)的權(quán)重值和偏置值，即訓(xùn)練階段。二是根據(jù)網(wǎng)絡(luò)模型實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)，并做硬件加速，提升卷積神經(jīng)網(wǎng)絡(luò)運算的速率，即推理階段。CNN 網(wǎng)絡(luò)訓(xùn)練完畢后，采用 PyTorch 神經(jīng)網(wǎng)絡(luò)框架將卷積神經(jīng)網(wǎng)絡(luò)模型及其參數(shù)保存在pt 文件中。而 PyTorch 神經(jīng)網(wǎng)絡(luò)框架提供了 load 方法，可以很方便地讀取文件中保存的參數(shù)，但輸出格式為張量，無法直接使用。故先轉(zhuǎn)換為 Numpy[61]的數(shù)據(jù)格式，再提取其中的參數(shù)，以固定的格式保存數(shù)據(jù)。

class Detect(nn.Module): stride = None # strides computed during build onnx_dynamic = False # ONNX export parameter def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer super().__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 self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2) self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv self.inplace = inplace # use in-place ops (e.g. slice assignment) def forward(self, x): z = [] # inference output 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.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]: self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i) y = x[i].sigmoid() if self.inplace: y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953 xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh y = torch.cat((xy, wh, y[..., 4:]), -1) z.append(y.view(bs, -1, self.no)) return x if self.training else (torch.cat(z, 1), x) def _make_grid(self, nx=20, ny=20, i=0): d = self.anchors[i].device if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij') else: yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)]) grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float() anchor_grid = (self.anchors[i].clone() * self.stride[i]) \ .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float() return grid, anchor_grid