【技术实现步骤摘要】
基于机器学习的教室课桌检测方法
[0001]本专利技术属于人工智能领域，涉及一种基于机器学习的教室课桌检测方法。
技术介绍
[0002]随着机器学习的发展，尤其是深度学习的发展，一些传统计算机视觉解决不了的问题得到解决，一些传统视觉效果不够的方面也得到了很大提高。目前课堂数据大都依靠人力来统计计算，例如课堂就座率、学生逃课情况、学生对课程的兴趣度等，根据这些课堂数据可以改进教学质量，帮助老师家长更好地改善学生学习。但是依靠人力不仅耗时费力，还有更大的错误可能性，如果能利用机器学习和深度学习计算机视觉方法，解决教育场景中自动检测教室课桌的位置，实现一定程度的自动化和智能化分析课堂情况，将是非常有益的。
技术实现思路
[0003]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于机器学习的教室课桌检测方法。
[0004]为了解决上述技术问题，本专利技术公开了一种基于机器学习的教室课桌检测方法，包括以下步骤：
[0005]步骤1：训练出检测课桌的深度学习目标检测模型，并检测
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的教室课桌检测方法，其特征在于，包括以下步骤：步骤1：训练出检测课桌的深度学习目标检测模型，并检测出输入图像I
input
中每个课桌的包围盒，记所有课桌的包围盒集合为B
input
；所述图像I
input
为有多排课桌的教室场景；步骤2：利用直线检测算法检测出图像I
input
中所有直线；步骤3：对检测出的直线，利用聚类算法计算出教室主方向，所述教室主方向为教室课桌横向排列的方向；步骤4：利用步骤3得到的教室主方向，对步骤1得到的包围盒集合B
input
中的所有包围盒进行仿射变换，得到旋转后的包围盒集合B
rotate
；步骤5：利用步骤3得到的教室主方向，对图像I
input
进行仿射变换，得到旋转后的图像I
rotate
；步骤6：对步骤4得到的包围盒集合B
rotate
执行聚类算法，得到多个包围盒聚类簇；步骤7：对于步骤6得到的聚类簇，计算聚类中心之间的差值和阙值，并合并聚类簇，合并后的聚类簇中每个聚类簇的包围盒是同排课桌的包围盒；步骤8：对于步骤7得到的合并后的聚类簇，根据需要取出连续多排课桌的包围盒，记取出的连续多排课桌的包围盒集合为B
multirow
；步骤9：计算区域包围盒B
mf
，所述包围盒B
mf
能够包含步骤8中的连续多排课桌包围盒集合B
multirow
中所有的包围盒；步骤10：将步骤9得到的区域包围盒B
mf
绘制在步骤5得到的图像I
rotate
上，获得包含区域包围盒B
mf
的图像I
rotate
‑
mf
；步骤11：利用步骤3得到的教室主方向，对步骤10获得的图像I
rotate
‑
mf
做逆仿射变换，得到结果图像I
result
‑
mf
。2.根据权利要求1所述的基于机器学习的教室课桌检测方法，其特征在于，步骤1包括如下步骤：步骤1
‑
1：利用爬虫技术，从网络下载教室课桌图像；步骤1
‑
2：利用图像标注工具对步骤1
‑
1获得的教室课桌图像标注课桌目标，将标注后的教室课桌图像作为检测课桌的深度学习目标检测模型的学习训练集，所述检测课桌的深度学习目标检测模型采用yolov4目标检测网络；步骤1
‑
3：构造yolov4目标检测网络，yolov4的主干网络采用CSPDarknet53，脖颈网络采用路径聚合网络PAN，检测头部分采用yolo的方法，主干网络用于通过连续地卷积和下采样提取图像的基本特征，脖颈网络针对图像中目标大小不一的问题，构造出多个尺度特征映射用于检测，同时融合了低层的较强细节、定位信息和高层的强语义信息，检测头部分用于生成所有包围盒，并执行非极大值抑制算法，去除单个目标的冗余包围盒，得到最终的检测结果；步骤1
‑
4：利用预训练权重初始化yolov4目标检测网络的主干网络；步骤1
‑
5：利用步骤1
‑
2的训练集，对步骤1
‑
4的yolov4目标检测网络进行训练，得到能够检测课桌目标的泛化模型；步骤1
‑
6：将图像I
input
输入至步骤1
‑
5中的泛化模型，通过泛化模型检测出图像I
input
中的每个课桌，得到所有课桌的包围盒集合B
input
。3.根据权利要求2所述的基于机器学习的教室课桌检测方法，其特征在于，步骤2包括
以下步骤：步骤2
‑
1：选择霍夫变换作为直线检测算法；步骤2
‑
2：利用步骤2
‑
1中的霍夫变换...
【专利技术属性】
技术研发人员：张锐，盛谦，孟祥祥，胡锦鑫，潘飞，蒋斌，郭延文，
申请(专利权)人：南京览众智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。