[發明專利]一種基于改進YOLOv3的人員在崗狀態檢測方法

在審

• 申請號: 202010040949.X
• 申請日: 2020-01-15
• 公開（公告）號: CN111274894A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 謝斌紅;栗寧君;張英俊;潘理虎
• 申請（專利權）人: 太原科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 鄭晉周

1.一種基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，包括：

基于YOLOv3網絡模型構建改進YOLOv3網絡模型，改進過程為：替換YOLOv3網絡模型的損失函數；對YOLOv3網絡模型的多尺度檢測模塊進行改進；

提取在崗狀態監測視頻，利用圖像工具生成在崗狀態特征圖像，標注出全部在崗狀態特征圖像中的目標特征區域，并將標注后的在崗狀態特征圖像按比例分為訓練集、測試集和驗證集；

將作為訓練集的在崗狀態特征圖像輸入改進YOLOv3網絡模型進行訓練，訓練完成后將測試集和驗證集作為輸入，對訓練結果進行驗證；

訓練完成后，利用實時在崗狀態監控視頻生成實時在崗狀態特征圖像，輸入訓練完成的改進YOLOv3網絡模型，輸出標注目標特征區域的實時在崗狀態特征圖像，通過查看輸出的實時在崗狀態特征圖像中是否存在異常目標，判斷在崗狀態是否異常。

2.根據權利要求1所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，在替換YOLOv3網絡模型的損失函數的步驟中，包括對目標置信度損失函數和損失函數的更換。

3.根據權利要求1所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，對YOLOv3網絡模型的多尺度檢測模塊進行改進的步驟中，通過添加YOLOv3網絡模型中間層的卷積模塊來到達更多層級間的特征融合，保證輸出的特征包含更完整的特征信息。

4.根據權利要求3所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，卷積模塊包含3項卷積操作：首先，第一個1í1íN的卷積核會將特征圖像的通道數卷積成目標特征圖像的通道數，從而方便之后拼接操作，其中N表示目標特征圖像的通道數；然后通過改變Stride參數，利用3í3的卷積核來倍化特征圖像，將特征圖像的大小卷積成目標特征圖像的大??；最后，對拼接后獲得的新特征圖像進行3í3卷積，該卷積是在與目標特征拼接之后執行，將減少拼接特征圖像融合后出現的混疊效應，同時也減少了不必要的特征偏移。

5.根據權利要求1所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，將標注后的在崗狀態特征圖像按比例分為訓練集、測試集和驗證集的步驟中，將標注后的在崗狀態特征圖像根據6:4的比例生成訓練集和交叉驗證集，在交叉驗證集中測試集和驗證集又根據3:2的比例劃分。

6.根據權利要求1所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，利用圖像工具生成在崗狀態特征圖像，標注出全部在崗狀態特征圖像中的目標特征區域之后，還包括：利用對抗網絡來處理在崗狀態特征圖像的樣本集，模擬現實復雜環境中會出現的噪點信息，增強在崗狀態特征圖像數據集的多樣性。

7.根據權利要求6所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，利用對抗網絡來處理在崗狀態特征圖像的樣本集的步驟中，

通過對抗網絡中的生成網絡用隨機的噪聲點處理標注后的在崗狀態特征圖像，生成新的在崗狀態特征圖像；通過對抗網絡中的判別網絡用來判別生成的在崗狀態特征圖像的真實性。

8.根據權利要求1所述的基于改進YOLOv3的人員在崗狀態檢測方法，其特征在于，在訓練之前，采用K-means聚類算法來獲取改進YOLOv3網絡模型中合理的anchor框進行訓練，包括步驟：

擬定適當的聚類個數，然后按參數間距離的方式來實現聚類的劃分；計算參數間距離的方式包括歐式聚類或曼哈頓距離；

采用Elbow method方法獲取k值；將誤差平方和不會隨k值變化而發生大幅度變化的k值作為合適的k值。