一种基于深度学习的睡岗检测方法技术

一种基于深度学习的睡岗检测方法，包括：（1）收集图片，组成训练所需的样本集Dataset_1；（2）使用所述样本集Dataset_1对目标检测网络模型进行迁移训练；（3）正负样本图片共同组成样本集Dataset_2，将Dataset_2分为训练集、测试集；（4）利用样本集Dataset_2的训练集对Resnet50深度学习网络模型进行训练，并用测试集测试；（5）当完成后即可将目标检测网络模型、Resnet50深度学习网络模型部署监控设备检测；实现了值班室场景的睡岗检测算法，并且可以部署在嵌入式终端上，该算法极大的提高了检测的灵活性和实时性。

【技术实现步骤摘要】
一种基于深度学习的睡岗检测方法
本专利技术属于计算机图像视觉检测领域，具体涉及一种深度学习应用于视频监控值班室场景的睡岗检测算法。
技术介绍
如何检测和禁止员工睡岗问题一直以来都是许多管理人员思考的问题，因为值班室往往需要员工时刻专注保持警惕，一旦因为睡岗造成疏忽极有可能造成巨大的安全隐患。如塔台管理员等，是严厉禁止随意离岗睡岗的，因为此类行为可能会引起重大事故，而此类岗位监督管理又有一定困难，因此促生了智能视频检测系统的出现。目前市面上在使用的基于深度学习的睡岗检测算法，大多基于骨骼检测算法，而骨骼检测算法网络模型极其复杂，往往需要部署至高端的显卡主机才可以使用，而高端显卡主机费用高昂，这就限制了其实用价值。鉴于高端显卡主机费用高昂，越来越多的客户选择使用性价比更高且部署安装更为简单的深度学习嵌入式终端。值班室睡岗检测方法目前市面上还未有真正意义上可以在嵌入式终端上使用的算法：传统的数字图像算法由于自身属性限制在面对复杂场景时可用性极低；基于深度学习的行为检测算法虽然能够达到一定的准确度，但是由于深度学习网络模型复杂度高以及深本文档来自技高网...

【技术保护点】
1.一种基于深度学习的睡岗检测方法，其特征在于，包括：/n（1）收集使用场景下的人员睡岗和非睡岗图片，组成训练所需的样本集Dataset_1；/n（2）使用所述样本集Dataset_1对目标检测网络模型进行迁移训练；/n（3）利用步骤（2）训练出的目标检测网络模型对所有的人员睡岗和非睡岗图片进行遍历，并将检测出的人体区域截图保存；将保存之后的图片进行分类，睡岗图片分为正样本，非睡岗图片分为负样本；正负样本图片共同组成样本集Dataset_2，将Dataset_2分为训练集、测试集；/n（4）利用步骤（3）得到的样本集Dataset_2的训练集对Resnet50深度学习网络模型进行训练，并用测试...

【技术特征摘要】
1.一种基于深度学习的睡岗检测方法，其特征在于，包括：
（1）收集使用场景下的人员睡岗和非睡岗图片，组成训练所需的样本集Dataset_1；
（2）使用所述样本集Dataset_1对目标检测网络模型进行迁移训练；
（3）利用步骤（2）训练出的目标检测网络模型对所有的人员睡岗和非睡岗图片进行遍历，并将检测出的人体区域截图保存；将保存之后的图片进行分类，睡岗图片分为正样本，非睡岗图片分为负样本；正负样本图片共同组成样本集Dataset_2，将Dataset_2分为训练集、测试集；
（4）利用步骤（3）得到的样本集Dataset_2的训练集对Resnet50深度学习网络模型进行训练，并用测试集测试，当测试集的准确率达到标准之后即表示完成训练；
（5）当完成了步骤（1）~（4）之后即将目标检测网络模型、Resnet50深度学习网络模型部署监控设备，实现睡岗行为检测。


2.根据权利要求1所述的基于深度学习的睡岗检测方法，其特征在于，步骤（1）中图片使用样本标注工具进行样本标注，标注出人体区域。


3.根据权利要求1所述的基于深度学习的睡岗检测方法，其特征在于，步骤（2）对目标检测网络模型在COCO数据集的预训练权重上进行迁移训练。


4.根据权利要求1所述的基于深度学习的睡岗检测方法，其特征在于，步骤（2）目标检测网络模型基于YOLO-v3进行优化。


5.根据权利要求1所述的基于深度学习的睡岗检测方法，其特征在于，步骤（3）训练集、测试集的比例为8：2。


6.根据权利要求1所述的基于深度学习的睡岗检测方法，其特征在于，步骤（3）在截图保存时，对检测框进行调整：以最长边为边长，截图保留方形区域图片。


7.根据权利要求1所述的基于深...

【专利技术属性】
技术研发人员：王纵驰，王建兴，刘健，臧媛媛，王培，于佳耕，
申请(专利权)人：中国航空油料集团有限公司，航天神舟智慧系统技术有限公司，中国科学院软件研究所，
类型：发明
国别省市：北京;11