人员到岗检测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种人员到岗检测方法、装置、电子设备及存储介质，所述方法包括：获取人员到岗场景的多个图像并存储至数据集；针对多个图像中的每个图像，标注图像中的人员，得到图像的标注信息并存储至数据集；搭建SparseR

【技术实现步骤摘要】
人员到岗检测方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及人员到岗检测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]当前工作生活中，快递网点、工厂班组织等各类组织机构时常会开展晨会、周例会、月度总结会等会议，借此强调纪律、安全、操作等内容。然而，开会不及时、人员参会不积极的情况时有发生，为了方便公司总部的统一管理，有必要对现场进行监控，对开会情况进行记录。
[0003]现有技术中，一般是通过摄像机或照相机获取会议地点中的包含与会人员的视频流图像，依靠人力来监控，统计出图像中的人员总数，这种方式效率低下，不便于管理工作的开展。

技术实现思路

[0004]本申请的目的在于提供人员到岗检测方法、装置、电子设备及计算机可读存储介质，无需依靠人力来监控和管理，效率较高，适用于快递公司的网点、分拨中心等机构的晨会管理工作。
[0005]本申请的目的采用以下技术方案实现：
[0006]第一方面，本申请提供了一种人员到岗检测方法，所述方法包括：获取人员到岗场景的多个图像并存储至数据集；针对所述多个图像中的每个图像，标注所述图像中的人员，得到所述图像的标注信息并存储至所述数据集；搭建Sparse R
‑
CNN模型，并使用HyperNet对所述Sparse R
‑
CNN模型进行网络整合，得到预设模型；利用所述数据集训练所述预设模型，得到到岗检测模型；利用摄像头实时采集预设区域的待测图像，并将所述待测图像输入所述到岗检测模型，得到所述待测图像中的预测人员数量；获取所述预设区域对应的应到岗人员数量，并当所述待测图像中的预测人员数量和所述预设区域对应的应到岗人员数量相匹配时，确定所述预设区域处于开会状态。该技术方案的有益效果在于，一方面，可以将人员到岗场景的多个图像和对应的标注信息存储至数据集，利用数据集对预设模型进行训练，得到到岗检测模型，将摄像头实时采集到的待测图像输入至到岗检测模型即可对待测图像中的人员数量进行预测，得到预测人员数量，通过比较预测人员数量和应到岗人员数量可以确定预设区域是否处于开会状态；另一方面，可以使用HyperNet对Sparse R
‑
CNN模型进行网络整合，得到预设模型，预设模型的精度较高。
[0007]综上所述，可以利用该方法自动监控预设区域的人员到岗情况，无需依靠人力来监控和管理，效率较高，适用于快递公司的网点、分拨中心等机构的晨会管理工作。
[0008]在一些可选的实施例中，所述搭建Sparse R
‑
CNN模型，并使用HyperNet对所述Sparse R
‑
CNN模型进行网络整合，得到预设模型，包括：搭建Sparse R
‑
CNN模型；使用HyperNet将所述Sparse R
‑
CNN模型中的多层网络接在一起，集合多层网络的特征图，得到
多尺度的超特征，用于Fast R
‑
CNN；将所述Sparse R
‑
CNN模型的损失函数修改为focal loss；将改进后的Sparse R
‑
CNN模型作为所述预设模型。该技术方案的有益效果在于，一方面，随着Sparse R
‑
CNN模型的层数加深，特征越来越抽象，分辨率也逐渐下降，使用HyperNet将Sparse R
‑
CNN模型中的多层网络接在一起，得到的多尺度的超特征可以获得较高的精度；另一方面，可以将Sparse R
‑
CNN模型的损失函数修改为focal loss，利用focal loss可以降低大量简单负样本在训练中所占的权重，解决正负样本比例严重失衡的问题。
[0009]在一些可选的实施例中，所述利用所述数据集训练所述预设模型，得到到岗检测模型，包括：通过脚本代码对所述数据集进行分类，得到训练集、验证集和测试集，比例分别为60％、30％和10％；响应于用户操作，修改训练参数，所述训练参数包括需要训练的类别、batch_size和训练次数中的至少一种；基于修改后的训练参数，利用所述数据集对所述预设模型进行训练，得到pth格式的到岗检测模型。该技术方案的有益效果在于，一方面，可以利用脚本代码对数据集进行自动分类，得到相应比例的训练集、验证集和测试集，智能化程度较高；另一方面，用户可以根据自身的需要调整训练参数，基于修改后的训练参数，利用数据集对预设模型进行训练，得到pth格式的到岗检测模型，训练参数发生改变，得到的到岗检测模型在预测类别、训练所需时长以及预测精度等方面的属性也会改变。
[0010]在一些可选的实施例中，所述方法还包括：获取不属于所述数据集的测试图像以及所述测试图像中的真实人员数量；将所述测试图像输入所述到岗检测模型，得到所述测试图像中的预测人员数量；当所述测试图像中的预测人员数量和真实人员数量相匹配时，确定所述到岗检测模型通过测试；当所述测试图像中的预测人员数量和真实人员数量不匹配时，确定所述到岗检测模型未通过测试。该技术方案的有益效果在于，可以获取不属于数据集的测试图像，利用测试图像对到岗检测模型进行盲测，将测试图像输入到岗检测模型，得到测试图像中的预测人员数量，比较预测人员数量和真实人员数量，当二者相匹配时，说明到岗检测模型的预测效果较好，确定到岗检测模型通过测试，当二者不匹配时，说明到岗检测模型的预测效果较差，确定到岗检测模型未通过测试。
[0011]在一些可选的实施例中，所述获取所述预设区域对应的应到岗人员数量，包括：获取组织人员信息，所述组织人员信息用于指示组织和应到岗人员数量之间的对应关系；获取所述预设区域对应的预设组织；从所述组织人员信息中查询得到所述预设组织对应的应到岗人员数量，作为所述预设区域对应的应到岗人员数量。该技术方案的有益效果在于，可以根据组织人员信息得到组织和应到岗人员数量之间的对应关系，预设区域对应的预设组织一旦确定，预设组织对应的应到岗人员数量就可以根据组织人员信息查询得到。
[0012]在一些可选的实施例中，所述获取所述预设区域对应的应到岗人员数量，包括：获取所述预设区域对应的会议信息，所述会议信息用于指示会议时间和应到岗人员数量之间的对应关系；从所述会议信息中查询得到当前时间对应的应到岗人员数量，作为所述预设区域对应的应到岗人员数量。该技术方案的有益效果在于，可以根据会议信息得到会议时间和应到岗人员数量之间的对应关系，基于当前时间即可查询得到对应的应到岗人员数量。
[0013]在一些可选的实施例中，所述方法还包括：获取所述预设区域对应的考勤信息，并基于所述考勤信息获取所述预设区域对应的已到岗人员数量；当所述待测图像中的预测人员数量和所述预设区域对应的应到岗人员数量不匹配时，检测所述已到岗人员数量是否大
于所述待测图像中的预测人员数量；如果是，则生成提示信息并发送至预设终端设备，所述提示信息包括所述待测图像和所述考勤信息。该技术方案的有益效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人员到岗检测方法，其特征在于，所述方法包括：获取人员到岗场景的多个图像并存储至数据集；针对所述多个图像中的每个图像，标注所述图像中的人员，得到所述图像的标注信息并存储至所述数据集；搭建Sparse R
‑
CNN模型，并使用HyperNet对所述Sparse R
‑
CNN模型进行网络整合，得到预设模型；利用所述数据集训练所述预设模型，得到到岗检测模型；利用摄像头实时采集预设区域的待测图像，并将所述待测图像输入所述到岗检测模型，得到所述待测图像中的预测人员数量；获取所述预设区域对应的应到岗人员数量，并当所述待测图像中的预测人员数量和所述预设区域对应的应到岗人员数量相匹配时，确定所述预设区域处于开会状态。2.根据权利要求1所述的人员到岗检测方法，其特征在于，所述搭建Sparse R
‑
CNN模型，并使用HyperNet对所述Sparse R
‑
CNN模型进行网络整合，得到预设模型，包括：搭建Sparse R
‑
CNN模型；使用HyperNet将所述Sparse R
‑
CNN模型中的多层网络接在一起，集合多层网络的特征图，得到多尺度的超特征，用于Fast R
‑
CNN；将所述Sparse R
‑
CNN模型的损失函数修改为focal loss；将改进后的Sparse R
‑
CNN模型作为所述预设模型。3.根据权利要求2所述的人员到岗检测方法，其特征在于，所述利用所述数据集训练所述预设模型，得到到岗检测模型，包括：通过脚本代码对所述数据集进行分类，得到训练集、验证集和测试集，比例分别为60％、30％和10％；响应于用户操作，修改训练参数，所述训练参数包括需要训练的类别、batch_size和训练次数中的至少一种；基于修改后的训练参数，利用所述数据集对所述预设模型进行训练，得到pth格式的到岗检测模型。4.根据权利要求1所述的人员到岗检测方法，其特征在于，所述方法还包括：获取不属于所述数据集的测试图像以及所述测试图像中的真实人员数量；将所述测试图像输入所述到岗检测模型，得到所述测试图像中的预测人员数量；当所述测试图像中的预测人员数量和真实人员数量相匹配时，确定所述到岗检测模型通过测试；当所述测试图像中的预测人员数量和真实人员数量不匹配时，确定所述到岗检测模型未通过测试。5....

【专利技术属性】
技术研发人员：徐梦佳，李斯，杨周龙，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：