基于GIS的农业服务管理方法及系统

基于gis的农业服务管理方法及系统
技术领域
1.本发明涉及计算机技术领域，具体而言，涉及基于gis的农业服务管理方法和系统。


背景技术：

2.地理信息系统(geographical information system，gis)是一个具有收集、储存、计算、管理、绘制、显示地理信息等诸多功能的计算机软件系统是一门集地理学与空间信息科学的学科产物。主要功能为综合各种图形信息及数据信息并进行分析。该系统由多个用于输入、编辑、管理空间地理数据和非空间地理数据的软件工具组成，能够合理并高效地储存和管理大量管理领域，目前已广泛应用于资源、环境、国防、农业、卫生、城市及社区规划、地图绘制等领域。国外主流的三维gis软件包括：谷歌google earth、skyline的skylineglobe、微软的virtual earth和esri的arcgis系列产品等。
3.国内也有许多优秀的gis软件平台，例如：国遥的ev-globe、武大吉奥的geoglobe、伟景行数字城市科技的citymaker、北京超图的supermap及中地数码的mapgis等。该项目涉及农村建设、农业经济和信息技术交叉研究，在协同研究上难免出现一些难题。
4.在智慧农业越来越普遍的时代，智慧管理处于重要的地位，对工作人员进行管理，对农作物、农产品进行管理，最农作物设备、农产品设备进行管理等。在管理领域，需要认证管理人员的身份是常见的。比如，对农场中的工作人员进行监控检测，会出现如果有人替代操作，无法识别的情况。所以需要加上人脸识别进行识别是否为正确工作人员。一般通过卷积记得方式提取特征，进行人脸识别。由于人脸中各个部位的特征复杂性不相同，普通人脸识别直接对整张脸进行识别，没有考虑到人脸各个部分的特征密度不同。对应详细特征和一般特征没有分别考虑进行提取，所以对于识别人脸还不够精确。


技术实现要素：

5.本发明的目的在于提供了基于gis的农业服务管理方法和系统，用以解决现有技术中存在的上述问题。
6.第一方面，本发明实施例提供了基于gis的农业服务管理方法，包括：
7.获得多源数据；所述多源数据包括三维场景模型、bmi数据、多媒体数据和统计数据；
8.基于多源数据，通过gis农业服务管理结构，得到gis全局地图；
9.采集监控视频；所述监控视频为存在农场中工作人员人脸的视频；
10.基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间；所述人脸存在时间表示工作的时间；
11.基于所述gis全局地图，得到工作轨迹；
12.将所述工作时间和所述工作轨迹存储在数据库中；
13.人脸识别模型包括一个主体特征提取网络、一个详细特征提取网络、一个一般特
征提取网络和两个全连接层：
14.所述主体特征提取网络的输入为监控视频中的其中一帧监控图像；所述一般特征提取网络的输入为所述主体特征提取网络的输出；所述详细特征提取网络的输入为所述主体特征提取网络的输出；第一全连接层的输入为所述一般特征提取网络的输出；第二全连接层的输入为所述详细特征提取网络的输出。
15.可选的，所述基于多源数据，通过gis农业服务管理结构，得到gis全局地图，包括：
16.所述gis农业服务管理结构包括数据层和应用层；所述数据层包括数据存储服务器和数据分析服务器；所述应用层包括数据统计分析模块、gis全局地图展示模块和多媒体展示模块；
17.将多源数据输入数据层，进行数据存储和数据分析，得到农业数据；所述输入层包括数据存储服务器和数据分析服务器；
18.将所述农业数据通过公网输入应用层中的gis全局地图展示模块，得到gis全局地图；
19.可选的，所述基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间，包括：
20.将所述监控视频输入人脸检测模型，进行人脸检测；
21.若检测出人脸，得到人脸检测框，并记录下人脸存在开始时间；所述人脸存在开始时间为监控视频的当前帧检测到人脸而前一帧未检测到人脸的时间；
22.将所述人脸检测框内的人脸图像输入人脸识别模型，基于工作人员信息，得到工作人员正确值；所述工作人员信息包括工作人员的姓名、编号和对应人脸图像；所述工作人员正确值为1时表示识别人脸正确；所述工作人员正确值为0时表示识别人脸错误；
23.将所述检测视频的下一帧继续输入人脸检测模型，进行人脸检测；
24.若未检测到人脸，记下人脸存在结束时间；所述人脸存在结束时间为监控视频的当前帧未检测到人脸而前一帧检测到人脸的时间；
25.基于所述工作人员正确值和在gis全局地图，得到人脸存在时间；
26.通过检测监控图像中每一帧的人脸，得到多个人脸存在时间，直到工作结束时间；将多个人脸存在时间相加，得到人脸检测存在时间。
27.可选的，人脸识别模型的训练方法：
28.获得训练集，所述训练集包括训练图片和标注数据，所述训练图片包括多个训练组；所述训练组包括基本图像和对比图像；所述标注数据为相等值；所述相等值为1时表示所述基本图像和对比图像为同一个人，所述相等值为0时表示所述基本图像和对比图像不为同一个人；所述对比图像为所述工作人员信息中的对应人脸图像；
29.将所述基本图像输入人脸识别模型，得到第一基本特征向量；所述第一基本特征向量表示基本图像中的特征值；
30.将所述对比图像输入人脸识别模型，得到第一对比特征向量；所述第一对比特征向量表示对比图像中的特征值；
31.获得损失值，所述损失值为人脸相似度与相等值之间的损失；所述人脸相似度表示所述第一基本特征向量和所述第一对比特征向量为同一人的概率；
32.获得人脸识别模型当前的训练迭代次数以及预先设定的所述人脸识别模型训练
的最大迭代次数；
33.当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的人脸识别模型。
34.可选的，所述将所述基本图像输入人脸识别模型，得到第一基本特征向量，包括：
35.将所述基本图像输入所述主体特征提取网络，进行特征提取，得到基本主体卷积特征图；
36.将所述基本主体卷积特征图输入详细特征提取网络，进行特征提取，得到基本详细特征图；
37.将所属将所述基本主体卷积特征图输入一般特征提取网络，进行特征提取，得到基本一般特征图；
38.将所述基本详细特征图输入第一全连接层，得到基本详细特征向量；
39.将所述基本一般特征图输入第二全连接层，得到基本一般特征向量；
40.将所述基本详细特征向量和所述基本一般特征向量合并为第一基本特征向量。
41.可选的，所述获得损失值，所述损失值为人脸相似度与相等值之间的损失；所述人脸相似度表示所述第一基本特征向量和所述第一对比特征向量为同一人的概率，包括：
42.获得为人脸相似度；
43.所述人脸相似度具体通过下述公式计算方式获得：
[0044][0045]
其中，r为所述人脸相似度；xi为所述第一基本特征向量中的元素，xi表示预测人脸的特征值；yi为所述第一对比特征向量中的元素，yi表示工作人员信息对应人脸的特征值；n表示第一基本特征向量中的基本详细特征向量的元素个数；m表示所述第一基本特征向量中的元素个数；i表示第一基本特征向量中第i元素；
[0046]
所述损失值具体通过下述公式计算方式获得：
[0047][0048]
其中，loss为所述损失值；rj为所述监控视频其中一帧图像的人脸相似度；rj为所述监控视频其中一帧图像的相等值；k为训练过程中一次性输入识别的图像帧数量；j表示第j 张图像帧。
[0049]
可选的，所述将所述人脸检测框内的人脸图像放入人脸识别模型，基于工作人员信息，判断是否为正确工作人员；所述工作人员信息包括工作人员的姓名、编号和对应人脸图像，包括：
[0050]
所述人脸检测框内的人脸图像输入人脸识别模型，得到第一特征向量；
[0051]
获得对比特征向量；所述对比特征向量为存储在数据库中的工作人员信息中的对应人脸图像输入人脸识别模型得到的特征向量；
[0052]
获得差值向量；所述差值向量为第一特征向量减去所述对比特征向量得到的向量；
[0053]
若所述差值向量中所有元素的绝对值小于阈值，则说明为正确工作人员。
[0054]
可选的，所述基于所述gis全局地图，得到工作轨迹，包括：
[0055]
基于所述gis全局地图，得到工作人员坐标点；所述工作人员坐标点为工作人员当前所在位置的坐标点；
[0056]
根据所述工作人员坐标点在农场地图上绘制相应曲线；所述曲线表示工作人员行动轨迹。
[0057]
第二方面，本发明实施例提供了基于gis的农业服务管理系统，包括：
[0058]
采集模块：获得多源数据；所述多源数据包括三维场景模型、bmi数据、多媒体数据和统计数据；采集监控视频；所述监控视频为存在农场中工作人员人脸的视频；
[0059]
gis全局地图获取模块：基于多源数据，通过gis农业服务管理结构，得到gis全局地图；
[0060]
人脸存在时间检测模块：基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间；所述人脸存在时间表示工作的时间。
[0061]
轨迹获取模块：基于所述gis全局地图，得到工作轨迹；
[0062]
存储模块：将所述人脸存在时间和所述工作轨迹存储在数据库中；
[0063]
人脸识别模型包括一个主体特征提取网络、一个详细特征提取网络、一个一般特征提取网络和两个全连接层：
[0064]
所述主体特征提取网络的输入为监控视频中的其中一帧监控图像；所述一般特征提取网络的输入为所述主体特征提取网络的输出；所述详细特征提取网络的输入为所述主体特征提取网络的输出；第一全连接层的输入为所述一般特征提取网络的输出；第二全连接层的输入为所述详细特征提取网络的输出。
[0065]
可选的，所述基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间，包括：
[0066]
将所述监控视频输入人脸检测模型，进行人脸检测；
[0067]
若检测出人脸，得到人脸检测框，并记录下人脸存在开始时间；所述人脸存在开始时间为监控视频的当前帧检测到人脸而前一帧未检测到人脸的时间；
[0068]
将所述人脸检测框内的人脸图像输入人脸识别模型，基于工作人员信息，得到工作人员正确值；所述工作人员信息包括工作人员的姓名、编号和对应人脸图像；所述工作人员正确值为1时表示识别人脸正确；所述工作人员正确值为0时表示识别人脸错误；
[0069]
将所述检测视频的下一帧继续输入人脸检测模型，进行人脸检测；
[0070]
若未检测到人脸，记下人脸存在结束时间；所述人脸存在结束时间为监控视频的当前帧未检测到人脸而前一帧检测到人脸的时间；
[0071]
基于所述工作人员正确值，在gis全局地图中，得到人脸存在时间；
[0072]
通过检测监控图像中每一帧的人脸，得到多个人脸存在时间，直到工作结束时间；将多个人脸存在时间相加，得到人脸检测存在时间。
[0073]
相较于现有技术，本发明实施例达到了以下有益效果：
[0074]
本发明实施例还提供了基于gis的农业服务管理方法和系统，所述方法包括：获得多源数据；所述多源数据包括三维场景模型、bmi数据、多媒体数据和统计数据。基于多源数据，通过gis农业服务管理结构，得到gis全局地图。采集监控视频；所述监控视频为存在农
场中工作人员人脸的视频。基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间；所述人脸存在时间表示工作的时间。基于所述gis全局地图，得到工作轨迹。将所述工作时间和所述工作轨迹存储在数据库中。人脸识别模型包括一个主体特征提取网络、一个详细特征提取网络、一个一般特征提取网络和两个全连接层：所述主体特征提取网络的输入为监控视频中的其中一帧监控图像；所述一般特征提取网络的输入为所述主体特征提取网络的输出；所述详细特征提取网络的输入为所述主体特征提取网络的输出；所述第一全连接层的输入为所述一般特征提取网络的输出；所述第二全连接层的输入为所述详细特征提取网络的输出。
[0075]
本发明采用对农场中的工作人员进行人脸检测和人脸识别的方法，判别并计算工作人员是否早退、迟到、终于离开和替人工作等情况。本发明的人脸检测采用mtcnn的方法，能够精确的检测到人脸位置和得到人脸框。但是为了进行更精确的人脸识别，通过设置两个不同卷积层来识别不同的特征，如利用一般特征提取网络能提取面部纹理等一般特征，详细特征提取网络能提取眼部等复杂特征，并且通过损失函数，更加精确的训练详细特征提取网络。使得能够通过一般特征提取网络和详细特征提取网络两者结合的方式提取出更加准确的特征并进行识别。
附图说明
[0076]
图1是本发明实施例提供的基于gis的农业服务管理方法流程图。
[0077]
图2是发明实施例提供的基于gis的农业服务管理系统中人脸识别模块的训练过程图。
[0078]
图3是本发明实施例提供的一种电子设备的方框结构示意图。
[0079]
图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口 505。
具体实施方式
[0080]
下面结合附图，对本发明作详细的说明。
[0081]
实施例
[0082]
如图1所示，本发明实施例提供了基于gis的农业服务管理方法，所述方法包括：
[0083]
s101：获得多源数据；所述多源数据包括三维场景模型、bmi数据、多媒体数据和统计数据。
[0084]
s102：基于多源数据，通过gis农业服务管理结构，得到gis全局地图。
[0085]
s103：采集监控视频。所述监控视频为存在农场中工作人员人脸的视频。
[0086]
s104：基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间。所述人脸存在时间表示工作的时间。
[0087]
s105：基于所述gis全局地图，得到工作轨迹。
[0088]
s106：将所述工作时间和所述工作轨迹存储在数据库中。
[0089]
其中，所述阈值为30s。
[0090]
所述主体特征提取网络的输入为监控视频中的其中一帧监控图像。所述一般特征提取网络的输入为所述主体特征提取网络的输出。所述详细特征提取网络的输入为所述主
体特征提取网络的输出；第一全连接层的输入为所述一般特征提取网络的输出。第二全连接层的输入为所述详细特征提取网络的输出。
[0091]
需要说明的是,地理信息系统(geographic information system或geo-informationsystem，gis)有时又称为"地学信息系统"。它是一种特定的十分重要的空间信息系统。它是在计算机硬、软件系统支持下，对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。
[0092]
其中，如图2所示本实施例中主体特征提取网络为部分resnet50残差网络，所述详细特征提取网络包括5层卷积网络层。所述一般特征提取网络包括3层卷积网络层，所述网络卷积层残差模块，池化模块和激活函数。本实施例中其中一个卷积网络层如下表1所示：
[0093]
表1
[0094][0095]
通过上述方法，在农业中工作人员需要对作物进行播种收取的等操作，目前大多采用半自动化进行工作。工作人员坐在工具车上发送指令，工具车则能完成播种收取的等操作。而本发明则是为了判断是否工作的是工作人员，同时记录下工作人员工作的时间和工作轨迹，以满足之后的工资评定所设计的方法和系统。对农场中的工作人员进行人脸检测和人脸识别的方法，判别并计算工作人员是否早退、迟到、终于离开和替人工作等情况。使用地理信息系统(gis)得到工作的轨迹。本发明的人脸检测采用mtcnn的方法，能够精确的检测到人脸位置和得到人脸框。但是为了进行更精确的人脸识别，通过设置两个不同卷积层来识别不同的特征，如利用一般特征提取网络能提取面部纹理等一般特征，详细特征提取网络能提取眼部等复杂特征，并且通过损失函数，更加精确的训练详细特征提取网络。使得能够通过一般特征提取网络和详细特征提取网络两者结合的方式提取出更加准确的特征并进行识别。
[0096]
可选的，所述基于多源数据，通过gis农业服务管理结构，得到gis全局地图，包括：
[0097]
所述gis农业服务管理结构包括数据层和应用层；所述数据层包括数据存储服务器和数据分析服务器；所述应用层包括数据统计分析模块、gis全局地图展示模块和多媒体展示模块。
[0098]
将多源数据输入数据层，进行数据存储和数据分析，得到农业数据；所述输入层包括数据存储服务器和数据分析服务器。
[0099]
其中，依据数据层中的数据存储服务器将多源数据存储在数据库中，再通过数据层中的数据分析服务器分析数据库中的数据，对影像数据、地形数据、三维空间数据模型同各类业务数据相互融合，得到能够满足gis农业服务管理结构中应用层的数据。
[0100]
将所述农业数据通过公网输入应用层中的gis全局地图展示模块，得到gis全局地图。
[0101]
其中，还可以而外通过gis农业服务管理结构应用层中的数据统计分析模块进行数据分析展示，通过多媒体展示模块多尺度地可视化展示地理信息。
[0102]
通过上述方法，所述gis农业服务管理结构将影像数据、地形数据、三维空间数据
模型同各类业务数据相互融合，实现多场景多尺度地可视化表达功能，同时结合供销合作社系统特色，实现一个指挥作战室大屏显示系统。实现省一级管理核心的实时动态数据监控、定制化场景漫游、突发事件预警等功能。
[0103]
可选的，所述基于人脸检测模型和人脸识别模型，在gis全局地图中，对所述监控视频进行检测，得到人脸存在时间，包括：
[0104]
将所述监控视频输入人脸检测模型，进行人脸检测。
[0105]
其中，通过mtcnn算法获得人脸检测框。
[0106]
若检测出人脸，得到人脸检测框，并记录下人脸存在开始时间；所述人脸存在开始时间为监控视频的当前帧检测到人脸而前一帧未检测到人脸的时间。
[0107]
将所述人脸检测框内的人脸图像输入人脸识别模型，基于工作人员信息，得到工作人员正确值；所述工作人员信息包括工作人员的姓名、编号和对应人脸图像；所述工作人员正确值为1时表示识别人脸正确；所述工作人员正确值为0时表示识别人脸错误。
[0108]
其中，所述对应人脸图像可以为工作人员身份证上的人脸图像。
[0109]
将所述检测视频的下一帧继续输入人脸检测模型，进行人脸检测。
[0110]
若未检测到人脸，记下人脸存在结束时间。所述人脸存在结束时间为监控视频的当前帧未检测到人脸而前一帧检测到人脸的时间。
[0111]
基于所述工作人员正确值，在gis全局地图中，得到人脸存在时间。
[0112]
其中，所述人脸存在时间具体通过下述公式计算方式获得：
[0113]
c＝a
×
(a-b)
[0114]
其中，c为所述人脸存在时间；a为所述工作人员正确值；a为所述人脸存在结束时间； b为所述人脸存在开始时间。
[0115]
其中，当工作人员正确值为0时，人脸存在时间也为0。当工作人员正确值为1时，人脸存在时间由人脸检测模型记录下来的时间计算而得。
[0116]
其中，还判断工作人员是否在gis全局地图中，若不存在，则这段时间为0。
[0117]
通过检测监控图像中每一帧的人脸，得到多个人脸存在时间，直到工作结束时间；将多个人脸存在时间相加，得到人脸检测存在时间。
[0118]
通过上述方法，当检测到人脸时，记录时间。因为如果有人代替操作，则需要进行人脸的出入，在人脸出入过程中，无法检测到人脸，记录时间。所以不需要在识别到不同人脸时记录时间，只需要记录下是否检测框出画的时间。本发明采用检测人脸并记录时间-识别人脸(识别是否为正确人脸)-检测人脸(人脸出画，未检测到人脸)并记录时间-检测人脸 (人脸入画，检测到人脸)-识别人脸的过程，能够实时的检测出后面检测到的存在的人脸都不是本人。还有一种检测人脸(人脸入画，检测到人脸)并记录时间-检测人脸(人脸出画，未检测到人脸)并记录时间-人脸识别(取一帧识别是否为正确人脸)。就只能在整个检测人脸过程检测完之后在使用，所以不采用。
[0119]
可选的，人脸识别模型的训练方法：
[0120]
获得训练集，所述训练集包括训练图片和标注数据，所述训练图片包括多个训练组；所述训练组包括基本图像和对比图像；所述标注数据为相等值；所述相等值为1时表示所述基本图像和对比图像为同一个人，所述相等值为0时表示所述基本图像和对比图像不为同一个人；所述对比图像为所述工作人员信息中的对应人脸图像。
[0121]
其中，工作人员信息中的对应人脸图像可以为工作人员身份证上的人脸图像。
[0122]
将所述基本图像输入人脸识别模型，得到第一基本特征向量；所述第一基本特征向量表示基本图像中的特征值。
[0123]
将所述对比图像输入人脸识别模型，得到第一对比特征向量；所述第一对比特征向量表示对比图像中的特征值。
[0124]
获得损失值，所述损失值为预测得到的所述第一基本特征向量和所述第一对比特征向量为同一人的概率与标注数据中的相等值之间的损失。
[0125]
获得人脸识别模型当前的训练迭代次数以及预先设定的所述人脸识别模型训练的最大迭代次数。
[0126]
当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的人脸识别模型。
[0127]
其中，本实施例中，所述第一基本特征向量中的元素个数为128，表示128个人脸特征。所述第一对比特征向量中的元素个数同样为128。
[0128]
通过上述方法，输入标注数据对应人脸图像和其他训练人脸图像进行训练神经网络，通过得到训练人脸图像与标注数据对应人脸图像的相等程度与标注数据中标注的相等度进行损失值的计算。能够训练出一个精确识别出人脸的人脸识别模型。
[0129]
可选的，所述将所述基本图像输入人脸识别模型，得到第一基本特征向量；所述第一基本特征向量包括基本详细特征向量和基本一般特征向量，包括：
[0130]
将所述基本图像输入所述主体特征提取网络，进行特征提取，得到基本主体卷积特征图；
[0131]
将所述基本主体卷积特征图输入详细特征提取网络，进行特征提取，得到基本详细特征图；
[0132]
将所属将所述基本主体卷积特征图输入一般特征提取网络，进行特征提取，得到基本一般特征图；
[0133]
将所述基本详细特征图输入第一全连接层，得到基本详细特征向量；
[0134]
将所述基本一般特征图输入第二全连接层，得到基本一般特征向量；
[0135]
将所述基本详细特征向量和所述基本一般特征向量合并为第一基本特征向量。
[0136]
其中，如本实施例中，所述基本详细特征向量为[1,0.3,0.2],所述基本详细特征向量为 [0.9,0.5,0.2]，合并后的第一基本特征向量的[1,0.3,0.2,0.9,0.5,0.2]。
[0137]
通过上述方法，分别通过不同的特征提取网络和全连接层，获得人脸中一般特征和详细特征，所述一般特征是人脸中容易提取的特征，如面部纹理、肤色、五官位置等特征。所述详细特征是人脸中不易提取的特征，如眼睛周围的特征等。所以通过对易提取特征和不易提取特征分别用不同的卷积进行提取，能够更好的提取特征不丢失特征信息。
[0138]
可选的，所述获得损失值，所述损失值为人脸相似度与相等值之间的损失；所述人脸相似度表示所述第一基本特征向量和所述第一对比特征向量为同一人的概率，包括：
[0139]
获得为人脸相似度；
[0140]
所述人脸相似度具体通过下述公式计算方式获得：
[0141][0142]
其中，r为所述人脸相似度；xi为所述第一基本特征向量中的元素，xi表示预测人脸的特征值；yi为所述第一对比特征向量中的元素，yi表示工作人员信息对应人脸的特征值；n表示第一基本特征向量中的基本详细特征向量的元素个数；m表示所述第一基本特征向量中的元素个数；i表示第一基本特征向量中第i元素；
[0143]
其中，第一基本特征向量中元素从下标0到下标n-1都表示第一基本特征向量中的基本详细特征向量的元素，从下标n到下标m都表示第一基本特征向量中的基本一般特征向量的元素。第一对比特征向量中元素从下标0到下标n-1都表示第一对比特征向量中的对比详细特征向量的元素，从下标n到下标m都表示第一对比特征向量中的对比一般特征向量的元素。
[0144]
所述损失值具体通过下述公式计算方式获得：
[0145][0146]
其中，loss为所述损失值；rj为所述监控视频其中一帧图像的人脸相似度；rj为所述监控视频其中一帧图像的相等值；k为训练过程中一次性输入识别的图像帧数量；j表示第j 张图像帧。
[0147]
其中，本实施例中训练过程中一次性输入识别的图像帧数量设置为24。
[0148]
通过上述方法，先计算相似度，同时将相似度的范围控制在[0,1]便于之后和标注数据的相等度计算损失。在计算相似度时，详细特征占比重较大的部分，使得训练损失函数时对于小部分的不易辨别的特征更加敏感，增加了人脸识别的准确性。
[0149]
可选的，所述将所述人脸检测框内的人脸图像放入人脸识别模型，基于工作人员信息，判断是否为正确工作人员；所述工作人员信息包括工作人员的姓名、编号和对应人脸图像，包括：
[0150]
所述人脸检测框内的人脸图像输入人脸识别模型，得到第一特征向量；
[0151]
获得对比特征向量；所述对比特征向量为存储在数据库中的工作人员信息中的对应人脸图像输入人脸识别模型得到的特征向量；
[0152]
获得差值向量；所述差值向量为第一特征向量减去所述对比特征向量得到的向量；
[0153]
若所述差值向量中所有元素的绝对值小于阈值，则说明为正确工作人员。
[0154]
通过上述方法，将所述对比特征向量为存储在数据库中，不用在识别过程中输入人脸识别模型，方便计算，减轻计算负担，从而减少计算时间。
[0155]
可选的，所述基于地理信息系统，得到工作轨迹，包括：
[0156]
获得农场地图。
[0157]
获得工作人员坐标点。所述工作人员坐标点为工作人员当前所在位置的坐标点。
[0158]
其中，所述工作人员坐标点为gps传回的坐标点。
[0159]
根据所述工作人员坐标点在农场地图上绘制相应曲线。
[0160]
其中，使用制图软件如arcgis,qgis等画好一些农场地图的图层,保存为特定格式的文件, 也可以以表的形式存入数据库。工作人员经过的轨迹的坐标，在图层上画线连接各个点绘制相应曲线。
[0161]
通过上述方法，基于地理信息系统，得到农场的内的地图，精确的获得工作人员的轨迹。
[0162]
通过上述方法，通过人脸识别常常有通过设置两个不同的提取卷积网络，准确提取出人脸特征中的容易提取的特征和不易提取的特征。通过先算得训练图像与对比图像的相似度，再来计算相似度和标注数据中相等度的损失，更加准确的训练出和能够识别出和对比图像为同一人脸的人脸图像。从而获得准确的人脸存在时间，判断出工作人员是否离开。
[0163]
基于上述的基于gis的农业服务管理方法，本发明实施例还提供了基于gis的农业服务管理系统，所述系统包括采集模块、人脸存在时间检测模块和判断发送模块
[0164]
采集模块用于采集监控视频。所述监控视频为存在农场中工作人员人脸的视频。
[0165]
采集了监控视频之后，将监控视频放入人脸存在时间检测模块。人脸存在时间检测模块用于基于人脸检测模型和人脸识别模型，对所述监控视频进行检测，得到人脸存在时间。所述人脸存在时间表示工作的时间。
[0166]
将监控视频放入轨迹获取模块，轨迹获取模块用于基于地理信息系统，得到工作轨迹。
[0167]
将人脸存在时间和工作轨迹放入存储模块，存储模块用于将所述人脸存在时间和所述工作轨迹存储在数据库中。
[0168]
在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0169]
本发明实施例还提供了一种电子设备，如图3所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述基于gis的农业服务管理方法的任一方法的步骤。
[0170]
其中，在图3中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501 和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
[0171]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述基于gis的农业服务管理方法的任一方法的步骤以及上述的所涉及的数据。
[0172]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种
编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0173]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0174]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0175]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0176]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0177]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0178]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。