[發(fā)明專利]基于圖像識別和機器學習的考勤分析方法

在審

• 申請?zhí)枺?/td>: 201711483810.7
• 申請日: 2017-12-29
• 公開（公告）號: CN108154276A
• 公開（公告）日: 2018-06-12
• 發(fā)明（設(shè)計）人: 付長松;陳曉洋
• 申請（專利權(quán)）人: 天津市淘客科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06
• 代理公司: 天津濱海科緯知識產(chǎn)權(quán)代理有限公司 12211
• 代理人: 楊慧玲

本發(fā)明提供了一種基于圖像識別和機器學習的考勤分析方法，其步驟為：接受客戶端發(fā)送的考勤數(shù)據(jù)并轉(zhuǎn)化成為統(tǒng)一的考勤圖；對考勤圖進行圖像預(yù)處理，識別出圖中的作息時間、考勤區(qū)間和打卡落點；將識別出的數(shù)據(jù)轉(zhuǎn)化為可識別的模型數(shù)據(jù)并存儲；將得到的模型數(shù)據(jù)根據(jù)機器學習算法訓練考勤分析機器，并通過考勤分析機器判定考勤情況；得出考勤的判定、統(tǒng)計和分析結(jié)果。本發(fā)明有益效果：采用圖像技術(shù)來統(tǒng)一考勤數(shù)據(jù)格式多樣性，讓無規(guī)律的結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換成為統(tǒng)一的非結(jié)構(gòu)化圖形數(shù)據(jù)，從而達到統(tǒng)一數(shù)據(jù)載體的目的；再利用機器學習來解決考勤業(yè)務(wù)模型數(shù)據(jù)、格式、規(guī)則多樣化帶來的復雜問題；滿足用戶的個性化需求，提高生產(chǎn)效率，更加智能、快捷、高效。

技術(shù)領(lǐng)域

本發(fā)明屬于考勤分析技術(shù)領(lǐng)域，尤其是涉及一種基于圖像識別和機器學習的考勤分析方法。

背景技術(shù)

隨著計算機信息技術(shù)的不斷發(fā)展，圖像識別和機器學習這一技術(shù)在各領(lǐng)域中的應(yīng)用也越發(fā)的廣泛和普及，甚至已經(jīng)開始滲透到我們的日常生活。

該技術(shù)主要作用就是按照所觀測的圖像，對圖像中的物體進行分辨，以此來做好相應(yīng)的具有實際意義的判斷。實質(zhì)是利用現(xiàn)代信息技術(shù)實現(xiàn)計算機對人類認知過程的模擬。

在人工智能領(lǐng)域，機器學習是這場技術(shù)革命的璀璨明珠，它大大提高了計算機識別圖像和語音的精度，在某些測試中甚至超過了人類的識別精度。

在考勤系統(tǒng)中，由于作息時間的多樣性和考勤打卡時間的無規(guī)律性，使得傳統(tǒng)的編程方式進行考勤統(tǒng)計變得十分復雜且存在“不合理”的情況，多種收集考勤打卡信息的方式，如指紋機、APP移動打卡、設(shè)備信息主動上報，甚至是基于人臉識別的自動打卡，都很難統(tǒng)一收集到信息數(shù)據(jù)的格式。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明旨在提出一種基于圖像識別和機器學習的考勤分析方法，以解決上述問題的不足之處。

為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

基于圖像識別和機器學習的考勤分析方法，包括以下步驟：

A.接受客戶端發(fā)送的考勤數(shù)據(jù)，并將考勤數(shù)據(jù)轉(zhuǎn)化成為統(tǒng)一的考勤圖；

B.對考勤圖進行圖像預(yù)處理，識別出圖中的作息時間、考勤區(qū)間和打卡落點；

C.將步驟B中識別出的數(shù)據(jù)轉(zhuǎn)化為可識別的模型數(shù)據(jù)，并存儲；

D.將步驟C得到的模型數(shù)據(jù)根據(jù)機器學習算法訓練考勤分析機器，并通過考勤分析機器判定考勤情況；

E.得出考勤的判定、統(tǒng)計和分析結(jié)果。

進一步的，步驟A中所述考勤數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，所述結(jié)構(gòu)化數(shù)據(jù)包括人員的作息規(guī)則和打卡落點信息，所述非結(jié)構(gòu)化數(shù)據(jù)對可識別的考勤圖樣例進行手工繪制。

進一步的，對于所述結(jié)構(gòu)化數(shù)據(jù)進行考勤分析機器訓練的過程如下：

I.對于產(chǎn)生的作息規(guī)則和打卡落點信息的原始數(shù)據(jù)進行特征提取，包括最大值、最小值、均值、方差和均方差，將數(shù)據(jù)按照一定比例切分為訓練數(shù)據(jù)和測試數(shù)據(jù)；

II.使用準備好的訓練數(shù)據(jù)訓練邏輯回歸模型；

III.將測試數(shù)據(jù)送入訓練好的模型進行測試，如果預(yù)測準確率達到95％以上則可以上線使用，否則繼續(xù)優(yōu)化模型進行訓練；

IV.對新產(chǎn)生的每一條數(shù)據(jù)進行預(yù)測，得出各項考勤分析的特征所對應(yīng)的概率。

進一步的，對于所述非結(jié)構(gòu)化數(shù)據(jù)進行考勤分析機器訓練的過程如下：

a.將圖片打上考勤分析的特征的分類標簽，每種標簽種類保證均衡，將數(shù)據(jù)按照一定比例切分為訓練數(shù)據(jù)和測試數(shù)據(jù)；

b.使用步驟a中準備好的訓練數(shù)據(jù)，訓練vgg16網(wǎng)絡(luò)模型；