一种识别规范穿戴工作服的检测模型的选择方法和装置与流程

1.本技术涉及到人工智能领域，具体而言，涉及一种识别规范穿戴工作服的检测模型的选择方法和装置。


背景技术：

2.随着人工智智能的快速发展，应用领域越来越多。目前市场上，人脸识别、物体检测等技术不断升级完善，出现的技术平台也越来越多，然而对于各行各业的工作服是否规范穿戴的物体检测技术就相应缺乏，物体检测技术里面通常包含三个部分，第一个是检测窗口的选择，第二个是特征的设计，第三个是分类器的设计，目前物体检测已有常用的数据集pascal voc和coco，基础支持框架也层出不穷。针对工作服是否规范穿戴的识别，使用了mmdetection目标检测工具箱，集成faster-rcnn，mask-rcnn，fast-rcnn等主流的目标检测框架，与其他框架对比，它有训练速度快、所需显存较小的优点。
3.在识别工作服是否规范穿戴中，识别内容包括识别图片中的人员，物品衣服是否“合规工作服”和“不合规工作服”，负责人的红色袖章归属的情况，按现有的算法只能区分类别、生成物品预测框数据。在现有技术中图片中存在人员距离比较近时，会识别出多余预测框或识别遗漏的情况。


技术实现要素：

4.本技术实施例提供了一种识别规范穿戴工作服的检测模型的选择方法和装置，以至少解决识别过程中出现多余预测框或识别遗漏的问题。
5.根据本技术的一个方面，提供了一种识别规范穿戴工作服的检测模型的选择方法，包括：接收待训练的标注数据，其中，所述标注数据包括：穿戴工作服的人员的图片、所述图片工作服穿戴是否规范；选择要训练的检测模型进行训练；验证所述检测模型训练的结果，判断验证结果中是否出现多余的预测框或漏识别的情况；在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。
6.进一步地，在判断验证结果中是否出现多余的预测框或漏识别的情况之后，所述方法还包括：在判断为是的情况下，加入拥挤人员的训练集进行训练，其中，所述拥挤人员用于指示人员聚集密度大于阈值；再次验证所述检测模型训练的结果，判断再次验证结果中是否出现多余的预测框或漏识别的情况；在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。
7.进一步地，在再次验证所述检测模型训练的结果，并判断再次验证结果中是否出现多余的预测框或漏识别的情况之后，所述方法还包括：在判断结果为是的情况下，重新选择检测模型进行训练；验证重新选择的所述检测模型训练的结果，并判断验证结果中是否出现多余的预测框或漏识别的情况；在判断结果为否的情况下，确定选择所述重新选择的检测模型来识别工作服的穿戴是否规范。
8.进一步地，还包括：识别规范穿戴工作服的物品归属。
9.进一步地，识别规范穿戴工作服的物品归属包括：遍历训练数据中的每个人；计算遍历到的其中一个人的预测框与未用过衣服的预测框iou值，满足设置iou值的衣服进入候选，其中，iou值是交并比，用于衡量模型生成的预测边框和真实的边框的重叠程度，iou值范围为0.0～1.0；在候选衣服中，得分按iou值和衣服的置信度共同判断，置信度最高的衣服判断给所述人，所述置信度是衡量模型识别的物体和真实物体的相信程度；记录已经用过的衣服，其中，一件衣服只用一次，不能两个人同穿一件衣服；记录有衣服的工作人员。
10.进一步地，识别规范穿戴工作服的物品归属包括：遍历训练数据中的每个袖章；计算遍历到的其中一个袖章的预测框百分之几在工作人员的预测框内，大于设置的值的工作人员进入候选；在候选工作人员中，按袖章预测框的中心点到人预测框中心点的距离判断，判断距离最小的人带有所述袖章；记录有袖章的工作人员，其中，一个工作人员不能有两个袖章，两个工作人员不能同穿一个袖章；记录有袖章的工作人员。
11.根据本技术的另一个方面，还提供了一种识别规范穿戴工作服的检测模型的选择装置，包括：接收模块，用于接收待训练的标注数据，其中，所述标注数据包括：穿戴工作服的人员的图片、所述图片工作服穿戴是否规范；选择模块，用于选择要训练的检测模型进行训练；验证模块，用于验证所述检测模型训练的结果，判断验证结果中是否出现多余的预测框或漏识别的情况；识别模块，用于在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。
12.进一步地，所述识别模块还用于识别规范穿戴工作服的物品归属。
13.进一步地，所述识别模块用于：遍历训练数据中的每个人；计算遍历到的其中一个人的预测框与未用过衣服的预测框iou值，满足设置iou值的衣服进入候选，其中，iou值是交并比，用于衡量模型生成的预测边框和真实的边框的重叠程度，iou值范围为0.0～1.0；在候选衣服中，得分按iou值和衣服的置信度共同判断，置信度最高的衣服判断给所述人，所述置信度是衡量模型识别的物体和真实物体的相信程度；记录已经用过的衣服，其中，一件衣服只用一次，不能两个人同穿一件衣服；记录有衣服的工作人员。
14.进一步地，所述识别模块用于：遍历训练数据中的每个袖章；计算遍历到的其中一个袖章的预测框百分之几在工作人员的预测框内，大于设置的值的工作人员进入候选；在候选工作人员中，按袖章预测框的中心点到人预测框中心点的距离判断，判断距离最小的人带有所述袖章；记录有袖章的工作人员，其中，一个工作人员不能有两个袖章，两个工作人员不能同穿一个袖章；记录有袖章的工作人员。
15.在本技术实施例中，采用了接收待训练的标注数据，其中，所述标注数据包括：穿戴工作服的人员的图片、所述图片工作服穿戴是否规范；选择要训练的检测模型进行训练；验证所述检测模型训练的结果，判断验证结果中是否出现多余的预测框或漏识别的情况；在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。通过本技术解决了识别过程中出现多余预测框或识别遗漏的问题，从而提高了识别的准确度。
附图说明
16.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1是根据本技术实施例的识别规范穿戴工作服的检测模型的选择方法的流程
图；
18.图2是根据本技术实施例的选择合适检测模型的流程图；
19.图3是根据本技术实施例的物品归属算法中通过人来找衣服的算法的流程图；
20.图4是根据本技术实施例的物品归属算法中通过袖章来找人的算法的流程图；
21.图5是根据本技术实施例的袖章的预测框百分比计算公式的示意图。
具体实施方式
22.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
23.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
24.在本实施例中提供了一种识别规范穿戴工作服的检测模型的选择方法，图1是根据本技术实施例的识别规范穿戴工作服的检测模型的选择方法的流程图，如图1所示，该流程包括如下步骤：
25.步骤s102，接收待训练的标注数据，其中，所述标注数据包括：穿戴工作服的人员的图片和/或所述图片工作服穿戴是否规范；
26.步骤s104，选择要训练的检测模型进行训练，其中，从多个检测模型中选出要训练的模型。
27.可以为多个模型设置优先级，根据优先级的顺序优先选择出优先级高的检测模型进行训练。检测模型可以是现有的使用不同算法的检测模型，在此不再赘述。
28.步骤s106，验证所述检测模型训练的结果，判断验证结果中是否出现多余的预测框或漏识别的情况；
29.步骤s108，在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。
30.通过上述步骤解决了识别过程中出现多余预测框或识别遗漏的问题，从而提高了识别的准确度。
31.在判断验证结果中是否出现多余的预测框或漏识别的情况之后，还可以在判断为是的情况下，加入拥挤人员的训练集进行训练，其中，所述拥挤人员用于指示人员聚集密度大于阈值；再次验证所述检测模型训练的结果，判断再次验证结果中是否出现多余的预测框或漏识别的情况；在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。
32.在再次验证所述检测模型训练的结果，并判断再次验证结果中是否出现多余的预测框或漏识别的情况之后，还可以重新选择检测模型进行训练；验证重新选择的所述检测模型训练的结果，并判断验证结果中是否出现多余的预测框或漏识别的情况；在判断结果为否的情况下，确定选择所述重新选择的检测模型来识别工作服的穿戴是否规范。
33.作为一个可以增加的实施方式，可以选择测试集，所述测试集中包括多个用于测试的图片，将测试集测试检测模型，每个检测模型出现一次多余预测框则扣除第一分数，每次出现一次漏识别则扣除第二分数。当所有的检测模型均出现多余预测框或者漏识别的情
况，使用该测试集对所有的检测模型均进行测试，记录每个检测模型被扣除的分数，从所有检测模型中选择扣除分数最少的检测模型作为使用的检测模型。
34.其中，所述第一分数和所述第二分数可以是预先配置的，所述第一分数和所述第二分数可以相同也可以不同相同。
35.测试集的获取，可以收集每个检测模型在识别的时候出现多余预测框或者漏识别的预定图像，获取与所述预定图像相似度超过阈值的图片作为所述测试集的图片。所述测试集的图片的数量大于等于100张。
36.本实施例中，还可以识别规范穿戴工作服的物品归属。例如：遍历训练数据中的每个人；计算遍历到的其中一个人的预测框与未用过衣服的预测框iou值，满足设置iou值的衣服进入候选，其中，iou值是交并比，用于衡量模型生成的预测边框和真实的边框的重叠程度，iou值范围为0.0～1.0；在候选衣服中，得分按iou值和衣服的置信度共同判断，置信度最高的衣服判断给所述人，所述置信度是衡量模型识别的物体和真实物体的相信程度；记录已经用过的衣服，其中，一件衣服只用一次，不能两个人同穿一件衣服；记录有衣服的工作人员。
37.又例如：遍历训练数据中的每个袖章；计算遍历到的其中一个袖章的预测框百分之几在工作人员的预测框内，大于设置的值的工作人员进入候选；在候选工作人员中，按袖章预测框的中心点到人预测框中心点的距离判断，判断距离最小的人带有所述袖章；记录有袖章的工作人员，其中，一个工作人员不能有两个袖章，两个工作人员不能同穿一个袖章；记录有袖章的工作人员。可选地，所述袖章的预测框百分比计算公式为：袖章的预测框百分比＝(工作人员的预测框总面积/袖章的总面积)*100％。
38.通过上述实施例解决了识别过程中出现多余预测框或识别遗漏的问题，从而提高了识别的准确度。
39.下面结合一个可选实施例来进行说明。本实施例的第一个目的是选择一种识别规范穿戴工作服的检测模型，解决图片中人员密集情况导致识别出多余预测框或识别遗漏的情况，从而提高模型的识别精度与泛化能力。本实施例从mmdetection目标检测工具箱选择一种识别规范穿戴工作服的检测模型，包括加大训练的数据量、选择合适的识别算法。其中，加大训练数据对于模型的泛化能力无疑有很大的提高。对于选择合适的识别算法，包括以下步骤：
40.步骤1，处理图片中的人员，先用已有的检测模型，先检测一下生成的识别结果是否满足，然后再选择加入crowdhuman拥挤人群数据集，最终选择合适的人体检测模型进行训练。
41.步骤2，处理图片中的人员物品，同理先用已有的检测模型，满足则选择合适的物品检测模型进行训练。
42.所述步骤1和2中检测模型有retinanet、atss、yolo等。
43.本实施例的第二个目的是提供一种识别规范穿戴工作服的物品归属算法，解决图片中人员重叠时，无法区分衣服、袖章归属者的情况，从而提高模型的识别精度。实现本实施例第二个目的的技术方案为一种识别规范穿戴工作服的物品归属算法，包括以下步骤：
44.步骤1，通过人来找衣服，衣服包括“合规工作服”和“不合规工作服”。
45.步骤2，通过袖章找人，人包括“合规工作服的工作人员”和“不合规工作服的工作
人员”。
46.所述步骤1中的人来找衣服的算法具体为：
47.1)遍历训练数据中的每个人；
48.2)计算遍历到的这个人的预测框与未用过衣服的预测框iou值，满足设置iou值的衣服进入候选；
49.3)候选衣服中，得分按iou值和衣服的置信度共同判断，置信度最高的衣服判断给这个人；
50.4)记录已经用过的衣服，保证一件衣服只用一次，不能两个同穿一件衣服；
51.5)记录有衣服的工作人员。
52.所述步骤2)中iou值是交并比，主要是衡量模型生成的预测边框和真实的边框的重叠程度，iou值范围为0.0～1.0；置信度是衡量模型识别的物体和真实物体的相信程度。
53.所述步骤2中的袖章来找人的算法具体为：
54.1)遍历训练数据中的每个袖章；
55.2)计算遍历到的这个袖章的预测框百分之几在工作人员的预测框内，大于设置的值才加入候选；
56.3)候选工作人员中，按袖章预测框的中心点到人预测框中心点的距离判断，距离最小的判断人带有这个袖章；
57.4)记录有袖章的工作人员，保证不能一个工作人员有两个袖章，不能两个同穿一个袖章；
58.5)记录有袖章的工作人员。
59.所述步骤2)中袖章的预测框百分比计算公式：袖章的预测框百分＝(工作人员的预测框总面积/袖章的总面积)*100％，如图5所示。
60.通过本实施例提供的识别规范穿戴工作服算法，解决了图片中人员间距离比较近时，出现多余预测框或识别遗漏的情况，从而提高了模型的识别精度与泛化能力。也解决了图片中人员重叠时，无法区分衣服、袖章归属者的情况，从而提高了模型的识别精度。
61.下面结合附图说明两个实施例。
62.实施例1
63.图2是根据本实施例的选择合适检测模型的流程图，如图2所示，该流程包括以下步骤：
64.步骤201，开始先接收待训练的标注数据；
65.步骤202，选择要训练的检测模型；
66.步骤203，验证模型训练的结果，若出现多余的预测框或漏识别的情况，则加入拥挤人员的训练集，若不再出现多余的预测框或漏识别，则确定检测模型，否则重新选择检测模型；
67.步骤204，再次验证模型训练的结果，若不再出现多余的预测框或漏识别，则确定检测模型，否则重新选择检测模型；
68.步骤205，确定检测模型，流程结束。
69.实施例2
70.图3是根据本实施例的物品归属算法中通过人来找衣服的算法的流程图，如图3所
示，该流程包括以下步骤：
71.步骤301，开始先接收待训练的标注数据，然后遍历数据中的每个人；
72.步骤302，计算遍历到的这个人的预测框与未用过衣服的预测框iou值，若大于0.4的衣服进入候选，否则进入未入选；
73.步骤303，候选衣服中，得分按iou值和衣服的置信度共同判断，若得分最高就判断衣服是这个人的，否则进入未入选；
74.步骤304，记录已经用过的衣服，保证一件衣服只用一次，不能两个同穿一件衣服；
75.步骤305，记录有衣服的工作人员，流程结束。
76.图4是根据本实施例的物品归属算法中通过袖章来找人的算法的流程图，如图4所示，该流程包括以下步骤：
77.步骤401，开始先接收待训练的标注数据，然后遍历数据中的每个袖章；
78.步骤402，计算遍历到的这个袖章的预测框百分之几在工作人员的预测框内，若大于80％才加入候选，否则进入未入选；
79.步骤403，候选工作人员中，按袖章预测框的中心点到人预测框中心点的距离判断，若距离最小，则判断这个袖章归属于他，否则进入未入选；
80.步骤404，记录有袖章的工作人员，保证不能一个工作人员有两个袖章，不能两个同穿一个袖章；
81.步骤405，记录有袖章的工作人员，流程结束。
82.在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
83.上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
84.这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
85.该本实施例中就提供了这样的一种装置或系统。该装置被称为识别规范穿戴工作服的检测模型的选择装置，包括：接收模块，用于接收待训练的标注数据，其中，所述标注数据包括：穿戴工作服的人员的图片、所述图片工作服穿戴是否规范；选择模块，用于选择要训练的检测模型进行训练；验证模块，用于验证所述检测模型训练的结果，判断验证结果中是否出现多余的预测框或漏识别的情况；识别模块，用于在判断结果为否的情况下，确定选择所述检测模型来识别工作服的穿戴是否规范。
86.例如，所述识别模块还用于识别规范穿戴工作服的物品归属。可选地，所述识别模块用于：遍历训练数据中的每个人；计算遍历到的其中一个人的预测框与未用过衣服的预测框iou值，满足设置iou值的衣服进入候选，其中，iou值是交并比，用于衡量模型生成的预测边框和真实的边框的重叠程度，iou值范围为0.0～1.0；在候选衣服中，得分按iou值和衣服的置信度共同判断，置信度最高的衣服判断给所述人，所述置信度是衡量模型识别的物体和真实物体的相信程度；记录已经用过的衣服，其中，一件衣服只用一次，不能两个人同穿一件衣服；记录有衣服的工作人员。可选地，所述识别模块用于：遍历训练数据中的每个袖章；计算遍历到的其中一个袖章的预测框百分之几在工作人员的预测框内，大于设置的值的工作人员进入候选；在候选工作人员中，按袖章预测框的中心点到人预测框中心点的距离判断，判断距离最小的人带有所述袖章；记录有袖章的工作人员，其中，一个工作人员不能有两个袖章，两个工作人员不能同穿一个袖章；记录有袖章的工作人员。
87.该系统或者装置用于实现上述的实施例中的方法的功能，该系统或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。
88.通过上述实施例解决了识别过程中出现多余预测框或识别遗漏的问题，从而提高了识别的准确度。
89.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。