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数据集的质量，有利于高效训练人员识别模型，且得到的模型识别精度更高。本申请实施例的另一个目的在于提供人员识别模型的训练系统。为了达到上述技术目的，本申请实施例所采取的技术方案包括：第一方面，本申请实施例提供了一种人员识别模型的训练方法，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。另外，根据本申请上述实施例的人员识别模型的训练方法，还可以具有以下附加的技术特征：进一步地，在本申请的一个实施例中，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。进一步地，在本申请的一个实施例中，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。进一步地，在本申请的一个实施例中，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。进一步地，在本申请的一个实施例中，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，得到第二识别结果；根据所述第二识别结果和所述标签确定训练的损失值；根据所述损失值对所述深度学习模型的参数进行更新。进一步地，在本申请的一个实施例中，所述根据所述第二识别结果和所述标签确定训练的损失值，包括：通过交叉熵损失函数确定所述第二识别结果和所述标签之间的损失值。第二方面，一种人员识别方法，包括以下步骤：获取包含待识别人员的图像数据；将所述图像数据输入到如第一方面所述的人员识别模型的训练方法所得到的人员识别模型中，得到人员识别结果。第三方面，本申请实施例提供了一种人员识别模型的训练系统，包括：获取模块，用于获取批量的图像数据；输入模块，用于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；处理模块，用于根据所述置信度，确定所述图像数据对应的熵值；标注模块，用于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；训练模块，用于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。第四方面，本申请实施例提供了一种人员识别模型的训练装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现第一方面所述的人员识别模型的训练方法。第五方面，本申请实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的人员识别模型的训练方法。本申请的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到：本申请实施例中提供的人员识别模型的训练方法，通过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。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。附图说明为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。图1为本申请一种人员识别模型的训练方法具体实施例的流程示意图；图2为本申请一种人员识别方法具体实施例的流程示意图；图3为本申请一种人员识别模型的训练系统具体实施例的结构示意图；图4为本申请一种人员识别模型的训练装置具体实施例的结构示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。随着人工智能技术的发展，智本文档来自技高网...

【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