人员识别模型的训练方法、识别方法、系统、装置及介质制造方法及图纸

本申请公开了一种人员识别模型的训练方法、识别方法、系统、装置及介质。该方法通过获取批量的图像数据；将各个图像数据输入到深度学习模型中，获取深度学习模型对各个图像数据的第一识别结果和对应的置信度；根据置信度，确定图像数据对应的熵值；挑选熵值最大的若干图像数据组成训练数据集，将训练数据集发送给用户进行标注，并获取训练数据集中各个图像数据对应的标签；将训练数据集输入到深度学习模型中进行训练，通过标签对深度学习模型的参数进行更新，得到训练好的人员识别模型。该方法可以有效提高训练得到的人员识别模型的准确性，有利于得到高效、高质量的人员识别结果。本申请可广泛应用于人工智能技术领域内。

【技术实现步骤摘要】
人员识别模型的训练方法、识别方法、系统、装置及介质
本申请涉及人工智能
，尤其是一种人员识别模型的训练方法、识别方法、系统、装置及介质。
技术介绍
建筑业的建造和工人的工作状态息息相关，而以人力为主的建造过程中，往往事故频发，生产力低下。自动化和机器人技术被认为是促进建筑业发展的一个很有前途的途径，通过机器人搬运物料、安装搭建，可以大大提高建筑的施工效率。但是，目前建筑工地的现场往往形式比较复杂，对机器人的控制是一个较大的难点。例如，当机器人搬运物料时，如果按照固定的规划路线行进，很可能会撞到施工现场的其他人员，造成人员的损伤。因此，对于建筑工地上人员位置的识别是机器人控制策略制定的重要因素，而当前人工智能技术中的人员识别方法，在复杂的环境中往往识别成功率较低，准确度不够，应用的效果比较一般。综合上述，相关技术中存在的技术问题亟需得到解决。
技术实现思路
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。为此，本申请实施例的一个目的在于提供一种人员识别模型的训练方法，该方法可以有效提高训练本文档来自技高网...

【技术保护点】
1.一种人员识别模型的训练方法，其特征在于，包括以下步骤：/n获取批量的图像数据；/n将各个所述图像数据输入到深度学习模型中，获取所述深度学习模型对各个所述图像数据的第一识别结果和对应的置信度；/n根据所述置信度，确定所述图像数据对应的熵值；/n挑选所述熵值最大的若干图像数据组成训练数据集，将所述训练数据集发送给用户进行标注，并获取所述训练数据集中各个图像数据对应的标签；/n将所述训练数据集输入到深度学习模型中进行训练，通过所述标签对所述深度学习模型的参数进行更新，得到训练好的人员识别模型。/n

【技术特征摘要】
1.一种人员识别模型的训练方法，其特征在于，包括以下步骤：
获取批量的图像数据；
将各个所述图像数据输入到深度学习模型中，获取所述深度学习模型对各个所述图像数据的第一识别结果和对应的置信度；
根据所述置信度，确定所述图像数据对应的熵值；
挑选所述熵值最大的若干图像数据组成训练数据集，将所述训练数据集发送给用户进行标注，并获取所述训练数据集中各个图像数据对应的标签；
将所述训练数据集输入到深度学习模型中进行训练，通过所述标签对所述深度学习模型的参数进行更新，得到训练好的人员识别模型。


2.根据权利要求1所述的人员识别模型的训练方法，其特征在于，所述将各个所述图像数据输入到深度学习模型中，包括：
获取初始化的深度学习模型；
将各个所述图像数据输入到所述初始化的深度学习模型中。


3.根据权利要求1所述的人员识别模型的训练方法，其特征在于，所述获取所述深度学习模型对各个所述图像数据的第一识别结果和对应的置信度，包括：
获取所述深度学习模型对所述图像数据中各个人员预测的边界框和所述边界框的第一置信度；
对所述图像数据中的各个边界框的第一置信度进行归一化处理，得到所述边界框对应的置信度。


4.根据权利要求3所述的人员识别模型的训练方法，其特征在于，所述根据所述置信度，确定所述图像数据对应的熵值，包括：
通过公式确定所述图像数据对应的所述熵值；
式中，E表示图像数据对应的熵值；i表示图像数据中边界框的编号；ci表示第i个边界框对应的置信度。


5.根据权利要求1所述的人员识别模型的训练方法，其特征在于，所述将所述训练数据集输入到深度学习模型中进行训练，通过所述标签对所述深度学习模型的参数进行更新，包括：
将所述训练数据集中的图像数据输入到所述深度学习模型，得到第二识...

【专利技术属性】
技术研发人员：蔡长青，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44