[发明专利]一种基于深度学习的睡岗检测方法

说明书

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。

技术领域

本发明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。

背景技术

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度学习算子兼容性差等原因，难以将其部署至嵌入式终端。

发明内容

针对上述不足，本发明提供了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，实现睡岗行为检测。

本发明创造的优点：与其它检测方法相比，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，同时具有高精度性等优良特质。

附图说明

图1是目标检测网络模型示意图；

图2是睡岗检测算法流程。

具体实施方式

下面结合附图对本发明作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本发明，并不用于限定本发明。

本申请通过对深度学习网络进行调整和优化，实现了基于嵌入式终端的高精度的睡岗检测方法，技术方案如下：

（1）收集使用场景下的人员睡岗和非睡岗图片，为保证检测算法的准确性，所收集的睡岗及非睡岗图片具有普遍性及可辨识性。图片使用样本标注工具进行样本标注，标注出人体区域，组成训练所需的样本集Dataset_1。