[發(fā)明專利]一種基于改進(jìn)YOLOv3的人員在崗狀態(tài)檢測方法

在審

• 申請?zhí)枺?/td>: 202010040949.X
• 申請日: 2020-01-15
• 公開（公告）號: CN111274894A
• 公開（公告）日: 2020-06-12
• 發(fā)明（設(shè)計(jì)）人: 謝斌紅;栗寧君;張英俊;潘理虎
• 申請（專利權(quán)）人: 太原科技大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 14110
• 代理人: 鄭晉周

本發(fā)明公開了一種基于改進(jìn)YOLOv3的人員在崗狀態(tài)檢測方法，ILF?YOLOv3（Improve Loss and Feature?YOLOv3）。首先，使用二分交叉熵?fù)p失函數(shù)和添加制衡權(quán)重參數(shù)的方式分別對YOLOv3算法的目標(biāo)定位和置信度損失函數(shù)進(jìn)行了改進(jìn)，有效緩解了梯度的不穩(wěn)定性，加快了模型的收斂速度，均衡了難、易分類樣本權(quán)重的比重；此外，在YOLOv3網(wǎng)絡(luò)的多尺度特征檢測模塊添加了一個卷積模塊，增加了多尺度特征間的特征融合密度，增強(qiáng)了多尺度特征信息的完整性；最后，針對采樣數(shù)據(jù)集單一性的問題，采用對抗網(wǎng)絡(luò)對其進(jìn)行定向增強(qiáng)來模擬現(xiàn)實(shí)中可能會出現(xiàn)的各種環(huán)境狀況。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在測試集上的mAP（mean Average Precision）值提高了7.9%，召回率提高了14%。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)YOLOv3 的人員在崗狀態(tài)檢測方法。

背景技術(shù)

服務(wù)型行業(yè)在崗人員工作狀態(tài)嚴(yán)重影響著單位的對外形象，存在 客戶對員工異常工作狀態(tài)不滿意的問題。為了有效解決這一問題成為 現(xiàn)有許多服務(wù)型單位的首要任務(wù)。但是現(xiàn)有的管理和監(jiān)督手段還停留 在人工監(jiān)督階段，而且由于人員檢測存在背景壞境復(fù)雜、光照強(qiáng)度和 監(jiān)控角度變化等問題嚴(yán)重影響著目標(biāo)檢測算法的性能。

隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的不斷發(fā)展和應(yīng)用，基于深 度學(xué)習(xí)的目標(biāo)檢測算法已成為主流。該類算法主要分為兩類：第一類 是two-stage模型，首先預(yù)選出候選區(qū)域，再通過卷積神經(jīng)網(wǎng)絡(luò)提取 目標(biāo)特征。此類算法精度較高，發(fā)展成熟，但速度較慢，無法滿足實(shí) 時性檢測要求。典型的特征提取網(wǎng)絡(luò)有AlexNet、OverFeat、GoogleNet、 VGG和ResNet；2014年在ILSVRC上又提出了R-CNN算法，之后 在該算法基礎(chǔ)上，又提出了Fast R-CNN、DeepID-Net和Faster R-CNN 等目標(biāo)檢測算法。第二類算法為one-stage模型，該類方法是基于回 歸思想的端到端的模型算法，其網(wǎng)絡(luò)結(jié)構(gòu)簡單，實(shí)時性更強(qiáng)。2016 年，Redmon等人相繼了提出了YOLO和YOLOv2網(wǎng)絡(luò)模型；2018 年，在YOLOv2的基礎(chǔ)上Redmon等人又提出YOLO-v3算法，該算 法是時下在檢測的精度和訓(xùn)練的速度上最均衡的目標(biāo)檢測算法。

基于YOLOv3的優(yōu)越性能，已經(jīng)有很多的實(shí)踐應(yīng)用和相應(yīng)的模 型改進(jìn)。如戴偉聰?shù)热藢OLOv3網(wǎng)絡(luò)應(yīng)用于遙感圖像飛機(jī)目標(biāo)的 識別，并提出了49層的網(wǎng)絡(luò)模型，將3尺度特征檢測增加至4尺度 檢測；鞠默然等人改進(jìn)了網(wǎng)絡(luò)加強(qiáng)了網(wǎng)絡(luò)對小目標(biāo)的檢測；施輝等人將YOLO應(yīng)用到安全帽佩戴的檢測上都取得了非常優(yōu)越的效果。

但是目前針對在崗人員狀態(tài)檢測，還存在的人力資源浪費(fèi)、檢測 環(huán)境復(fù)雜和檢測結(jié)果不客觀等問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于避免現(xiàn)有技術(shù)的不足之處而提供一種基于改 進(jìn)YOLOv3的人員在崗狀態(tài)檢測方法。

為解決上述技術(shù)問題，本發(fā)明采用的一個技術(shù)方案是：提供一種 基于改進(jìn)YOLOv3的人員在崗狀態(tài)檢測方法，包括：

基于YOLOv3網(wǎng)絡(luò)模型構(gòu)建改進(jìn)YOLOv3網(wǎng)絡(luò)模型，改進(jìn)過程 為：替換YOLOv3網(wǎng)絡(luò)模型的損失函數(shù)；對YOLOv3網(wǎng)絡(luò)模型的多 尺度檢測模塊進(jìn)行改進(jìn)；

提取在崗狀態(tài)監(jiān)測視頻，利用圖像工具生成在崗狀態(tài)特征圖像， 標(biāo)注出全部在崗狀態(tài)特征圖像中的目標(biāo)特征區(qū)域，并將標(biāo)注后的在崗 狀態(tài)特征圖像按比例分為訓(xùn)練集、測試集和驗(yàn)證集；

將作為訓(xùn)練集的在崗狀態(tài)特征圖像輸入改進(jìn)YOLOv3網(wǎng)絡(luò)模型 進(jìn)行訓(xùn)練，訓(xùn)練完成后將測試集和驗(yàn)證集作為輸入，對訓(xùn)練結(jié)果進(jìn)行 驗(yàn)證；

訓(xùn)練完成后，利用實(shí)時在崗狀態(tài)監(jiān)控視頻生成實(shí)時在崗狀態(tài)特征 圖像，輸入訓(xùn)練完成的改進(jìn)YOLOv3網(wǎng)絡(luò)模型，輸出標(biāo)注目標(biāo)特征 區(qū)域的實(shí)時在崗狀態(tài)特征圖像，通過查看輸出的實(shí)時在崗狀態(tài)特征圖 像中是否存在異常目標(biāo)，判斷在崗狀態(tài)是否異常。