[发明专利]一种特殊岗位人员视觉认知能力量化评测方法、系统及评测设备

权利要求书

1.一种特殊岗位人员视觉认知能力量化评测方法，包括：

获取评测请求人每个题目的答题数据，所述答题数据包括图像题目的答题数据，所述图像题目所用的图像为基于深度学习得到的模拟特殊岗位业务场景的图像，所述深度学习为生成对抗网络，所述图像题目所用的图像为基于生成对抗网络得到的模拟特殊岗位业务场景的图像，所述图像题目所用的图像生成方法包括：生成噪音序列；将所述噪音序列输入预先训练的生成对抗网络模型，生成模拟特殊岗位业务场景的图像，所述每个题目根据反映能力的不同进行标签，所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力，所述获取评测请求人的答题数据包括评测请求人每道题目的交互时间、评测请求人每道题目的交互结果，所述交互结果为将评测请求人的答题结果与题目的答案进行比较，获得答题准确与否的交互结果，所述题目的答案包括图像题目的答案，所述图像题目的答案为采用预先训练的目标检测模型对所述生成对抗网络得到的模拟特殊岗位业务场景的图像生成的图像题目的答案；

所述预先训练的目标检测模型的训练方法包括：

获取训练样本的集合，标定每个训练样本中的待检测目标区域，所述训练样本为所述生成对抗网络得到的模拟特殊岗位业务场景的图像，或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合；

将所述生成对抗网络得到的模拟特殊岗位业务场景的图像或所述生成对抗网络得到的模拟特殊岗位业务场景的图像和原始目标图像的混合输入目标检测模型进行目标检测训练，得到预先训练的目标检测模型；

其中所述专业能力的题目包括闪动测试，所述闪动测试是在屏幕出现的很多圆点中点击发生变化的圆点，记录评测请求人在答题过程中的交互时间记录和交互结果记录，对所述评测请求人的闪动测试的答题数据进行交互时间长短的分析、交互结果准确率的分析，得到量化的评测请求人的所述闪动测试的得分，所述得分归属于评测请求人的专业能力得分；

对所述评测请求人的答题数据进行交互时间长短的分析、交互结果准确率的分析，综合所述分析，得到量化的评测请求人的视觉认知能力得分；

输出所述评测请求人的视觉认知能力得分，所述能力包括视觉能力、关注力能力、记忆能力、心理承受能力、专业能力。

2.根据权利要求1所述视觉认知能力量化评测方法，其特征在于，所述预先训练的生成对抗网络模型的训练方法包括：

截取特殊岗位日常训练所用图像作为真实样本训练集图像；

在噪声序列中随机采样，输入生成器中，得到假样本训练集图像；

将所述真实样本训练集图像和所述假样本训练集图像输入判别器中，判别器输出值为图像属于真实样本的概率；

根据得到的概率值和损失函数计算损失值；

根据判别器和生成器的损失值，利用反向传播算法计算梯度，利用优化器更新判别器和生成器的参数，得到训练的生成对抗网络模型。

3.根据权利要求2所述视觉认知能力量化评测方法，其特征在于，所述截取特殊岗位日常训练所用图像为分别反映视觉能力、关注力能力、记忆能力、心理承受能力、专业能力的图像，采用反映视觉能力的图像作为真实样本训练集图像训练生成对抗网络模型，得到生成视觉能力的图像的生成对抗网络模型；采用反映关注力能力的图像作为真实样本训练集图像训练生成对抗网络模型，得到生成关注力能力的图像的生成对抗网络模型；采用反映记忆能力的图像作为真实样本训练集图像训练生成对抗网络模型，得到生成记忆能力的图像的生成对抗网络模型；采用反映心理承受能力的图像作为真实样本训练集图像训练生成对抗网络模型，得到生成心理承受能力的图像的生成对抗网络模型；采用反映专业能力的图像作为真实样本训练集图像训练生成对抗网络模型，得到生成专业能力的图像的生成对抗网络模型。

4.根据权利要求1所述的视觉认知能力量化评测方法，其特征在于，所述目标检测模型为Faster RCNN、Mask R-CNN或Cascade R-CNN目标检测模型。