工地扬尘监测系统算法能够通过yolo网络框架模型，工地扬尘监测系统算法自动对区域的扬尘、粉尘颗粒进行实时监测识别，并及时进行预警，有效防止扬尘污染。工地扬尘监测系统算法中Yolo框架模型意思是You Only Look Once，它并没有真正的去掉候选区域，而是创造性的将候选区和目标分类合二为一，看一眼图片就能知道有哪些对象以及它们的位置。Yolo模型采用预定义预测区域的方法来完成目标检测，具体而言是将工地扬尘监测系统算法原始图像划分为 7x7=49 个网格（grid），每个网格允许预测出2个边框（bounding box，包含某个对象的矩形框），总共 49x2=98 个bounding box。将其理解为98个预测区，很粗略的覆盖了图片的整个区域，就在这98个预测区中进行目标检测。
在介绍Yolo算法之前，我们回忆下RCNN模型，工地扬尘监测系统算法中RCNN模型提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别，但处理速度较慢。如果你使用的是CNN分类器，那么滑动窗口是非常耗时的。但是结合卷积运算的特点，工地扬尘监测系统算法可以使用CNN实现更高效的滑动窗口方法。这里要介绍的是一种全卷积的方法，简单来说就是网络中用卷积层代替了全连接层。
工地扬尘监测系统算法红YOLO的结构非常简单，就是单纯的卷积、池化最后加了两层全连接，从网络结构上看，与前面介绍的CNN分类网络没有本质的区别，最大的差异是输出层用线性函数做激活函数，因为需要预测工地扬尘监测系统算法bounding box的位置（数值型），而不仅仅是对象的概率。所以粗略来说，YOLO的整个结构就是输入图片经过神经网络的变换得到一个输出的张量。
