一种基于深度学习的施工现场人员制服穿着识别的方法专利检索-本技术领域的技术人员说明书国际申请第I章专利合作条约专利权专利检索查询-专利查询网

一种基于 深度学习的施工现场人员制服穿着识别的方法

阅读：503发布：2020-05-11

专利汇可以提供一种基于深度学习的施工现场人员制服穿着识别的方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于深度学习的施工现场人员制服穿着识别的方法，属于深度学习技术领域，本发明用深度学习算法对施工现场人员制服穿着情况进行识别。本发明和现有技术相比，可以提高识别的效率和准确度，快速精确的识别出施工现场的外来人员。，下面是一种基于深度学习的施工现场人员制服穿着识别的方法专利的具体信息内容。

权利要求

1.一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述方法包括：
用深度学习算法对施工现场人员制服穿着情况进行识别。
2.根据权利要求1所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，具体方法如下：
S1、服务器采集施工现场的视频信息；
S2、对采集到的视频信息进行人工标记，标记穿着制服的工作人员与非工作人员；
S3、将人工标记后的数据用深度学习算法进行检索训练；
S4、对人工标记后的数据进行深度学习算法进行分类训练，生成CNN模型；
S5、实时获取施工现场的视频，利用CNN模型检索并识别出工作人员与非工作人员。
3.根据权利要求2所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述的服务器采集施工现场的视频信息，包括采集视频信息后，对视频信息数据按帧分割为多个图像数据。
4.根据权利要求2所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述的对采集到的视频信息进行人工标记，人工标记使用的工具为labelImg工具。
5.根据权利要求2所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述的将人工标记后的数据用深度学习算法进行检索训练包括，依照Faster R-CNN 框架搭建神经网络模型，检索出施工现场工作人员轮廓，训练模型检测图像中人员的位置。
6.根据权利要求2所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述的对人工标记后的数据进行深度学习算法进行分类训练包括，使用ResNet-
152-CNN 卷积神经网络模型作为人员的分类模型，进行分类训练。
7.根据权利要求5所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述的卷积层采用预训练的VGG16的卷积层。
8.根据权利要求2所述的一种基于深度学习的施工现场人员制服穿着识别的方法，其特征在于，所述的利用CNN模型检索并识别出工作人员与非工作人员包括，使用Faster R-CNN模型检索人员位置并使用ResNet-1522-CNN模型进行工作人员与非工作人员的分类。
9.一种基于深度学习的施工现场人员制服穿着识别的装置，其特征在于，包括深度学习模型生成模块、视频信息采集模块和模型推理模块；
所述的深度学习模型生成模块，用于将采集的视频信息数据进行深度学习算法训练，得到深度学习模型；
所述的视频信息采集模块，用于实时采集施工现场的视频信息；
所述的模型推理模块，用于利用深度学习模型检索并识别出工作人员与非工作人员。
10.根据权利要求9所述的一种基于深度学习的施工现场人员制服穿着识别的装置，其特征在于，所述的深度学习生成模块，包括数据采集单元、数据标注单元、检索训练单元和分类训练单元；
所述的数据采集单元，用于采集施工现场的视频信息，并将视频信息数据按帧分割为多个图像数据；
所述的数据标注单元，用于将数据采集单元的图像数据进行人工标记，标记工作人员与非工作人员；
所述的检索训练单元，用于将人工标记后的数据用Faster R-CNN算法进行检索训练；
所述的分类训练单元，用于将人工标记后的数据用ResNet-1522-CNN算法进行分类训练。

说明书全文

一种基于深度学习的施工现场人员制服穿着识别的方法

[0001]

技术领域

[0002] 本发明涉及深度学习技术领域，具体地说是一种基于深度学习的施工现场人员制服穿着识别的方法。

背景技术

[0003] 由于如电力系统设施施工现场，建筑施工现场等等区域需要实时监测进入区域的人员是否为专业的工作人员。专业的工作人员一般穿着定制的制服予以分别。如果安排专门人员进行检查，会耗费大量的人力物力，识别的实时性和准确性也比较低，因此，需要一种识别制服的视频监控和检测方法。

[0004] 近年来，特别是2009年以来，借助机器学习领域深度学习研究的发展，识别技术得到突飞猛进的发展。将深度学习研究引入到识别领域，极大提高了识别的准确率降低了人的工作量。

[0005] 深度学习的概念源于人工神经网络的研究，由Hinton等人于2006年提出。2006年，加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：(1)多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；(2)深度神经网络在训练上的难度，可以通过“逐层初始化”(layer-wisepre-training)来有效克服，在文章中逐层初始化是通过无监督学习实现的。由此可见，深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

[0006] 发明内容本发明的技术任务是针对以上不足之处，提供一种基于深度学习的施工现场人员制服穿着识别的方法。

[0007] 本发明解决其技术问题所采用的技术方案是：一种基于深度学习的施工现场人员制服穿着识别的方法，所述方法包括：用深度学习算法对施工现场人员制服穿着情况进行识别。

[0008] 进一步的，优选的方法：S1、服务器采集施工现场的视频信息；
S2、对采集到的视频信息进行人工标记，标记穿着制服的工作人员与非工作人员；
S3、将人工标记后的数据用深度学习算法进行检索训练；
S4、对人工标记后的数据进行深度学习算法进行分类训练，生成CNN模型；
S5、实时获取施工现场的视频，利用CNN模型检索并识别出工作人员与非工作人员。

[0009] 进一步的，优选的方法：所述的服务器采集施工现场的视频信息，包括采集视频信息后，对视频信息数据按帧分割为多个图像数据。

[0010] 进一步的，优选的方法：所述的对采集到的视频信息进行人工标记，人工标记使用的工具为labelImg工具。

[0011] 进一步的，优选的方法：所述的将人工标记后的数据用深度学习算法进行检索训练包括，依照Faster R-CNN 框架搭建神经网络模型，检索出施工现场工作人员轮廓，训练模型检测图像中人员的位置。

[0012] 进一步的，优选的方法：所述的对人工标记后的数据进行深度学习算法进行分类训练包括，使用ResNet-152-CNN 卷积神经网络模型作为人员的分类模型，进行分类训练。

[0013] 进一步的，优选的方法：所述的卷积层采用预训练的VGG16的卷积层。

[0014] 进一步的，优选的方法：所述的利用CNN模型检索并识别出工作人员与非工作人员包括，使用Faster R-CNN模型检索人员位置并使用ResNet-1522-CNN模型进行工作人员与非工作人员的分类。

[0015] 一种基于深度学习的施工现场人员制服穿着识别的装置，包括深度学习模型生成模块、视频信息采集模块和模型推理模块；所述的深度学习模型生成模块，用于将采集的视频信息数据进行深度学习算法训练，得到深度学习模型；
所述的视频信息采集模块，用于实时采集施工现场的视频信息；
所述的模型推理模块，用于利用深度学习模型检索并识别出工作人员与非工作人员。

[0016] 进一步的，优选的结构：所述的深度学习生成模块，包括数据采集单元、数据标注单元、检索训练单元和分类训练单元；
所述的数据采集单元，用于采集施工现场的视频信息，并将视频信息数据按帧分割为多个图像数据；
所述的数据标注单元，用于将数据采集单元的图像数据进行人工标记，标记工作人员与非工作人员；
所述的检索训练单元，用于将人工标记后的数据用Faster R-CNN算法进行检索训练；
所述的分类训练单元，用于将人工标记后的数据用ResNet-1522-CNN算法进行分类训练。

[0017] 本发明的一种基于深度学习的施工现场人员制服穿着识别的方法和现有技术相比，有益效果如下：利用深度学习算法进行识别工作，识别的准确度较高，与人工识别相比，大大减少了人的工作量。
附图说明

[0018] 下面结合附图对本发明进一步说明。

[0019] 附图1为一种基于深度学习的施工现场人员制服穿着识别的方法的原理框图。

具体实施方式

[0020] 下面结合附图和具体实施例对本发明作进一步说明。

[0021] 本发明为一种基于深度学习的施工现场人员制服穿着识别的方法。

[0022] CNN模型是卷积神经网络，属于深度学习的一种，常用于图像识别。Faster R-CNN模型是一个通用的物体检测模型，该模型能够自动识别图像中可识别对象在图像中的像素位置和对象类别。是基于深度学习的目标检测中应用最广泛的模型。

[0023] 实施例1：一种基于深度学习的施工现场人员制服穿着识别的方法，所述方法包括：
用深度学习算法对施工现场人员制服穿着情况进行识别。

[0024] S1、服务器采集施工现场的视频信息；包括采集视频信息后，对视频信息数据按帧分割为多个图像数据。

[0025] S2、对采集到的视频信息进行人工标记，标记穿着制服的工作人员与非工作人员；人工标记使用的工具为labelImg工具。

[0026] S3、将人工标记后的数据用深度学习算法进行检索训练；依照Faster R-CNN框架搭建神经网络模型，检索出施工现场工作人员轮廓，训练模型检测图像中人员的位置。

[0027] S4、对人工标记后的数据进行深度学习算法进行分类训练，使用ResNet-152-CNN卷积神经网络模型作为人员的分类模型，进行分类训练，生成CNN模型；所述的卷积层采用预训练的VGG16的卷积层。

[0028] S5、实时获取施工现场的视频，利用CNN模型检索并识别出工作人员与非工作人员。使用Faster R-CNN模型检索人员位置并使用ResNet-1522-CNN模型进行工作人员与非工作人员的分类。

[0029] 一种基于深度学习的施工现场人员制服穿着识别的装置，包括深度学习模型生成模块、视频信息采集模块和模型推理模块；所述的深度学习模型生成模块，用于将采集的视频信息数据进行深度学习算法训练，得到深度学习模型；所述的深度学习生成模块，包括数据采集单元、数据标注单元、检索训练单元和分类训练单元；所述的数据采集单元，用于采集施工现场的视频信息，并将视频信息数据按帧分割为多个图像数据；所述的数据标注单元，用于将数据采集单元的图像数据进行人工标记，标记工作人员与非工作人员；所述的检索训练单元，用于将人工标记后的数据用Faster R-CNN算法进行检索训练；所述的分类训练单元，用于将人工标记后的数据用ResNet-1522-CNN算法进行分类训练。

[0030] 所述的视频信息采集模块，用于实时采集施工现场的视频信息；所述的模型推理模块，用于利用深度学习模型检索并识别出工作人员与非工作人员。

[0031] 具体的工作步骤：1、输入图像，采集监控视频信息，对视频数据按帧分割为多个图像数据。

[0032] 2、对图像进行标注：使用labelImg工具标注每张图像中的人员的位置，以及人员的类型（是否为工作人员）。

[0033] 3、使用Faster R-CNN神经网络进行检索训练，依照Faster R-CNN框架搭建神经网络模型，卷积层采用预训练的VGG16的卷积层，训练模型检测图像中人员的位置，4、使用ResNet-152 CNN神经网络进行分类训练，使用ResNet-152 CNN卷积神经网络模型作为人员的分类模型；
5、实时获取现场监控视频，使用Faster R-CNN模型检索图像中人员位置，使用ResNet-
152 CNN对工作人员与非工作人员的分类。

[0034] 本发明可以提高识别的效率和准确度，快速精确的识别出施工现场的外来人员。

[0035] 通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的几种具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

标题	发布/更新时间	阅读量
真空采血管自动盖帽机	2020-05-12	297
一种长输油气管道巡检方法及系统	2020-05-13	77
一种长输油气管道巡检方法及系统	2020-05-13	830
一种阻止攀援的栏杆	2020-05-12	187
一种供消防人员呼吸的新型方法	2020-05-12	145
一种煤矿井下人员管理系统	2020-05-11	203
一种基于XYPEX材料的对地下三层底板渗漏进行治理的工艺	2020-05-11	580
供消防人员呼吸的新型方法	2020-05-12	394
一种交易合同在线生成的方法	2020-05-13	329
远程会议的参会邀请方法及系统	2020-05-12	332

一种基于深度学习的施工现场人员制服穿着识别的方法

一种基于深度学习的施工现场人员制服穿着识别的方法

技术领域

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：