【技术实现步骤摘要】
本专利技术涉及物流，尤其涉及一种驾驶动作偏离识别方法、装置、设备及存储介质。
技术介绍
1、随着线上购物的兴起，物流包裹的运输也随之增多。物流运输中，物流企业对驾驶员的安全和行为监控变得至关重要。物流运输驾驶员在驾驶过程中保持正确的驾驶姿势和驾驶位置对于确保行车安全至关重要。然而，长时间、长途驾驶等可能会导致驾驶员出现疲劳、精神不集中或者迅速反应能力下降。因此，如何确保驾驶员在驾驶位置且驾驶动作安全、在出现不安全的动作时能够进行及时预警和提醒、保证物流运输安全是现阶段丞待解决的技术问题。
2、为了能够快速有效地确保驾驶员在驾驶位置且驾驶动作安全、在出现不安全的动作时能够进行及时预警和提醒、保证物流运输安全，有必要专利技术一种驾驶动作偏离识别方法、装置、设备及存储介质。
技术实现思路
1、本专利技术的主要目的在于解决现有技术中无法确保驾驶员在驾驶位置且驾驶动作安全、在出现不安全的动作时能够进行及时预警和提醒、保证物流运输安全的技术问题。
2、本专利技术第一方面提供了一种驾驶动作偏离识别方法，所述方法包括：
3、将包含安全驾驶动作的正样本和包含非安全驾驶动作的负样本划分为训练集、验证集和测试集；
4、对所述训练集中的图像进行数据增强处理，并对所述验证集、测试集和数据增强后的训练集的图像大小进行调整；
5、构建多头自注意力模块和卷积神经网络，并将所述多头自注意力模块添加至卷积神经网络中，得到用于提取驾驶动作图像特征的特征提取网络
6、利用训练集和验证集对所述多路卷积神经网络进行训练，并使用验证集进行验证，获得驾驶动作识别模型；
7、基于所述驾驶动作识别模型对待测驾驶动作图像进行识别，得到驾驶动作识别结果。
8、可选的，在本专利技术第一方面的第一种实现方式中，所述将包含安全驾驶动作的正样本和包含非安全驾驶动作的负样本划分为训练集、验证集和测试集，包括：
9、获取样本驾驶动作图像集；
10、根据预设驾驶动作安全标准，将所述样本驾驶动作图像集中的安全驾驶图像确定为正样本；
11、将所述样本驾驶动作图像集中的非安全驾驶图像以及无驾驶员图像确定为负样本；
12、将所述正样本和所述负样本划分为训练集、验证集和测试集。
13、可选的，在本专利技术第一方面的第二种实现方式中，所述对所述训练集中的图像进行数据增强处理，并对所述验证集、测试集和数据增强后的训练集的图像大小进行调整，包括：
14、对所述训练集进行数据增强处理，得到增强训练集；所述增强训练集中训练图像标注了驾驶动作类别标签；所述驾驶动作类别标签包括安全驾驶动作标签以及非安全驾驶动作标签；
15、将所述增强训练集输入预设网络进行驾驶动作识别训练，得到样本驾驶动作识别结果；
16、基于所述样本驾驶动作识别结果与驾驶动作类别标签之间的差异，对所述预设网络进行训练，得到初始模型；
17、对所述增强训练集、验证集、测试集中的图像大小进行调整，将图像各通道像素值归一化。
18、可选的，在本专利技术第一方面的第三种实现方式中，所述预设网络包括多头自注意力模块和卷积神经网络，所述将所述增强训练集输入预设网络进行驾驶动作识别训练，得到样本驾驶动作识别结果，包括：
19、将所述增强训练集输入多头自注意力模块进行驾驶动作特征提取，得到训练驾驶动作特征；
20、将所述训练驾驶动作特征输入所述卷积神经网络进行驾驶动作识别训练，得到样本驾驶动作识别结果。
21、可选的，在本专利技术第一方面的第四种实现方式中，所述构建多头自注意力模块和卷积神经网络，包括：
22、构建多头自注意力模块；
23、将所述卷积神经网络中的第五阶段中的所有残差块中卷积核为预设尺寸的结构替换为所述多头自注意力模块，得到用于提取驾驶动作图像特征的特征提取网络。
24、可选的，在本专利技术第一方面的第五种实现方式中，所述方法还包括：
25、将所述验证集输入所述初始模型，得到模型验证结果；
26、当所述模型验证结果表征预测准确率大于预设阈值时，将所述初始模型确定为驾驶动作识别模型；
27、当所述模型验证结果表征预测准确率小于或等于所述预设阈值时，重复训练所述初始模型直至满足训练结束条件。
28、可选的，在本专利技术第一方面的第六种实现方式中，所述基于所述驾驶动作识别模型对待测驾驶动作图像进行识别，得到驾驶动作识别结果包括：
29、获取待测驾驶动作图像；
30、将所述待测驾驶动作图像输入所述驾驶动作识别模型，基于所述驾驶动作识别模型的多头自注意力模块提取待测驾驶动作特征；
31、基于所述驾驶动作识别模型的卷积神经网络，对所述待测驾驶动作特征进行动作识别，得到驾驶动作识别结果。
32、本专利技术第二方面提供了一种驾驶动作偏离识别装置，包括：
33、驾驶动作样本划分模块，用于将包含安全驾驶动作的正样本和包含非安全驾驶动作的负样本划分为训练集、验证集和测试集；
34、数据处理模块，用于对所述训练集中的图像进行数据增强处理，并对所述验证集、测试集和数据增强后的训练集的图像大小进行调整；
35、构建多头自注意力模块和卷积神经网络模块，用于构建多头自注意力模块和卷积神经网络，并将所述多头自注意力模块添加至卷积神经网络中，得到用于提取驾驶动作图像特征的特征提取网络；
36、训练网络模型模块，用于利用训练集和验证集对所述多路卷积神经网络进行训练，并使用验证集进行验证，获得驾驶动作识别模型；
37、识别驾驶动作模块，用于基于所述驾驶动作识别模型对待测驾驶动作图像进行识别，得到驾驶动作识别结果。
38、本专利技术第三方面提供了一种计算机设备，所述计算机设备包括存储器和至少一个处理器，所述存储器中存储有指令；
39、所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如上述所述的驾驶动作偏离识别方法。
40、本专利技术第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行上述所述的驾驶动作偏离识别方法。
41、本专利技术的驾驶动作偏离识别方法，通过实时获取的驾驶员的驾驶动作来快速有效地识别出驾驶是否在驾驶位置上且驾驶动作是否安全；在出现不安全的驾驶动作时能够进行及时对驾驶员进行预警和提醒，保证物流运输安全，以提高物流企业运输能力，具有广阔的应用前景。
本文档来自技高网...【技术保护点】
1.一种驾驶动作偏离识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的驾驶动作偏离识别方法，其特征在于，所述将包含安全驾驶动作的正样本和包含非安全驾驶动作的负样本划分为训练集、验证集和测试集，包括：
3.根据权利要求2所述的驾驶动作偏离识别方法，其特征在于，所述对所述训练集中的图像进行数据增强处理，并对所述验证集、测试集和数据增强后的训练集的图像大小进行调整，包括：
4.根据权利要求3所述的驾驶动作偏离识别方法，其特征在于，所述预设网络包括多头自注意力模块和卷积神经网络，所述将所述增强训练集输入预设网络进行驾驶动作识别训练，得到样本驾驶动作识别结果，包括：
5.根据权利要求1所述的驾驶动作偏离识别方法，其特征在于，所述构建多头自注意力模块和卷积神经网络，包括：
6.根据权利要求3所述的驾驶动作偏离识别方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的驾驶动作偏离识别方法，其特征在于，所述基于所述驾驶动作识别模型对待测驾驶动作图像进行识别，得到驾驶动作识别结果包括：
8.一种驾
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1-7任一项所述的驾驶动作偏离识别方法。
...【技术特征摘要】
1.一种驾驶动作偏离识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的驾驶动作偏离识别方法，其特征在于，所述将包含安全驾驶动作的正样本和包含非安全驾驶动作的负样本划分为训练集、验证集和测试集，包括：
3.根据权利要求2所述的驾驶动作偏离识别方法，其特征在于，所述对所述训练集中的图像进行数据增强处理，并对所述验证集、测试集和数据增强后的训练集的图像大小进行调整，包括：
4.根据权利要求3所述的驾驶动作偏离识别方法，其特征在于，所述预设网络包括多头自注意力模块和卷积神经网络，所述将所述增强训练集输入预设网络进行驾驶动作识别训练，得到样本驾驶动作识别结果，包括：
5.根据权利要求1所述的驾驶动...
【专利技术属性】
技术研发人员：曾月，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：
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。