[发明专利]一种基于卷积神经网络检测值班人员睡觉行为的方法

权利要求书

1.一种基于卷积神经网络检测值班人员睡觉行为的方法，其特征在于，包含以下步骤：

步骤(1)、收集睡觉的人物照片，包括不同俯视角度下的趴在桌上睡觉、背靠椅子睡觉以及其他各种睡姿，作为正样本图片集；收集没有睡觉的人物图片，包括不同俯视角度下的站姿、坐姿以及其他姿态，作为负样本图片集；

步骤(2)、使用YOLO v3算法便利正负样本图片集，获取人物区域，提取出只包含人物区域的图片，形成正负样本数据集；

步骤(3)、将正负样本数据集划分为训练数据集和测试数据集；

步骤(4)、基于ShuffleNet v2模型构建卷积神经网络；

步骤(5)、使用训练数据集训练卷积神经网络模型，输入正样本，该网络的输出为1，输入为负样本，则该网络的输出应为0；训练过程中，每当完成一次对整个样本集的迭代，即用测试数据集对卷积神经网络模型进行测试，当检测准确率达到精度要求时，则训练完成；

步骤(6)、将训练好的卷积神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测值班人员睡岗情况；

所述步骤(2)包括如下：

步骤(2.1)、依次遍历正样本图片集，对图片作直方图均衡化处理，减少不同光照环境的影响，然后使用YOLO v3算法检测每张图片；

步骤(2.2)、依据检测结果中的类别和坐标信息，截取出人物区域并保存为图片，作为正样本数据集；

步骤(2.3)、按照上述两个步骤，对负样本图片集进行相同的操作，得到负样本数据集；

所述步骤(5)包括如下：

步骤(5.1)、将训练集中样本分批次输入到卷积神经网络模型；

步骤(5.2)、训练时，输入正样本，输出结果应该为1；输入负样本，输出结果应为0；采用交叉熵损失函数计算输出结果和期望值的差，通过随机梯度下降法不断调整卷积神经网络模型的参数；

步骤(5.3)、经过一段数量的迭代后，卷积神经网络模型的输出结果和期望值的差不断变小，趋向稳定；每完成一次迭代，在测试数据集上对该网络模型进行测试；若测试精度没有达到要求，则回到步骤(5.1)，重新训练；若测试精度达到要求，则完成了整个训练过程；

所述步骤(6)包括如下：

步骤(6-1)、获取值班室监控设备的实时视频流数据，对数据解码得到序列帧数据；

步骤(6-2)、对帧数据进行图像处理，输入到YOLO v3算法，检测出画面中的人物及坐标信息；

步骤(6-3)、根据YOLO v3算法的检测结果，提取人物区域所在图像，输入到训练好的卷积神经网络模型中，检测该人物姿态是否为睡姿；如果识别为睡姿，则记录下人物在画面中的坐标和当前系统时间，并标记为P_i；当检测到多个人，依次记为P_i+1，P_i+2，……；将所有的检测结果存入列表中，记为sleep_list，列表中的每个元素代表一个正在睡觉的人员；

步骤(6-4)、重复步骤(6-1)到(6-3)，继续分析新的帧数据，并得到新的检测结果P_i+n，P_i+n+1,P_i+n+2,……；将sleep_list中的每个元素依次和新的检测结果进行比对，根据坐标信息计算重合面积，当两个区域的重合度超过50％，则认定为同一人，根据系统时间更新该人员的睡觉时长；当sleep_list中的某个元素无法和新检测结果匹配，表明该人员的睡觉行为已经结束；如果新的检测结果没有和sleep_list中的任一结果匹配成功，表明这是一个新开始的睡觉行为；

步骤(6-5)、重复以上步骤，当发现值班人员持续睡觉时间大于预设的时间阈值，即发出告警通知。