[发明专利]一种基于深度学习的睡岗检测方法

权利要求书

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所述的基于深度学习的睡岗检测方法，其特征在于，

在步骤（4）进行训练时，具体训练如下：

① 将训练集中样本分批次输入到Resnet50深度学习网络模型；

② 训练时，正样本的分类结果为1；负样本的分类结果为0；训练时采用的损失函数为交叉熵损失函数，反向传播策略选择随机梯度下降算法；

③ 经过一段时间的训练后，Resnet50深度学习网络模型的loss逐渐减小，表明模型准确度逐渐提高；每完成一定数量的训练，在测试数据集上对该深度学习网络模型进行测试；若测试集的准确率没有达到标准，则回到步骤①，重新训练；若测试集的准确率达到标准，则完成了整个训练过程。

8.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（5）中检测流程如下：

① 获取网络摄像头的视频流，该阶段通过opencv或是ffmpeg获取视频流；

② 利用训练好的目标检测网络模型检测视频每一帧，并将检测出的人体区域以正方形截取传输至下一节点；

③利用目标跟踪算法IOUTracker对各个人体区域进行编号，并记录其对应的中心点坐标，每隔一分钟对记录的中心点坐标进行方差计算，方差小于某阈值的目标图片传输至下一节点判断；

④ 利用Resnet50深度学习网络模型对截取的人体区域进行图片分类判断，如果输出结果为1，则说明存在睡岗行为，进行睡岗信息提示；否则，则说明不存在睡岗行为，算法继续运行。

9.根据权利要求8所述的基于深度学习的睡岗检测方法，其特征在于，IOUTracker算法中通过判断连续两帧之间的目标IOU大小是否达到阈值来认定是否是同一目标，设置IOU大于0.5则连续两帧的物体为同一目标。

10.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，监控设备采用嵌入式终端或显卡主机，接入网络摄像头进行检测。