基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统技术方案

本发明专利技术公开了一种基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统，实时获取待检测区域的图像数据，对所述图像数据进行预处理后发送给预设识别模型，所述识别模型被配置在边缘设备端；所述识别模型对所述图像数据中卫勤工作人员防护用品穿戴是否正确进行识别，并对所述图像数据进行特征提取，通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取以实现通道数量的增加和感受视野的扩大，输出检测结果并基于预设规则作出预设预警，其中，所述检测结果包括是否穿戴口罩、是否穿戴围裙、是否穿戴工作防护服、是否穿戴手套以及是否穿戴帽子。以实现提高对于酒店卫勤人员穿戴检测的速度以及降低对硬件资源的占用。降低对硬件资源的占用。降低对硬件资源的占用。

【技术实现步骤摘要】
基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统


[0001]本专利技术涉及防护用具穿戴检测方法，尤其涉及一种基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统。

技术介绍

[0002]酒店由于是公共聚集场所，也是重点清洁以及消毒场所，因此酒店的后勤管理人员的日常穿戴检测尤为重要。对于酒店的后勤清洁人员要注意其是否规范穿戴清洁所需要的工作服饰，酒店的后勤管理人员的防护服正确穿戴需要嵌入式设备进行实时视频采集和分析。但是嵌入式目标检测技术在酒店的日常监控管理中也存在很多问题：一、一些比较高精度的模型算法参数量较多，在服务器端运行尚可，然而部署到算力较弱的边缘设备端，其运行不能实时检测。二、对于后期的功能维护不是很方便，用户在后期维护中需要对硬件设备一一进行管理，极大的增加了维护成本。

技术实现思路

[0003]本专利技术提供基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统，以实现提高对于酒店卫勤人员穿戴分类检测的速度以及减少对于硬件资源的占用。
[0004]本专利技术提出了一种基于嵌入式平台的酒店卫勤人员穿戴检测方法，其包括以下步骤：实时获取待检测区域的图像数据，对所述图像数据进行预处理后发送给预设识别模型，其中，所述识别模型被配置在边缘设备端；所述识别模型对所述图像数据中卫勤工作人员防护用品穿戴是否正确进行识别，具体包括：通过GhostNet网络对所述图像数据进行特征提取以生成特征图；通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取以实现通道数量的增加和感受视野的扩大；所述识别模型输出检测结果并基于预设规则作出预设预警，其中，所述检测结果包括是否穿戴口罩、是否穿戴围裙、是否穿戴工作防护服、是否穿戴手套以及是否穿戴帽子。
[0005]优选的，在实时获取待检测区域的图像数据之前还包括对所述识别模型进行训练，训练的方法进一步包括：获取需要检测的酒店后勤场所抓取到卫勤人员图像的数据集；将所述数据集分为两部分，包括训练集和测试集，其比例为9:1，分在两个文件夹中，用于生成不同目录；通过所述训练集中的图像对所述识别模型进行训练，通过所述测试集中的图像对所述训练的效果进行验证是否能够达到预设准确率。
[0006]优选的，通过GhostNet网络对所述图像数据进行特征提取以生成特征图进一步包括：先使用小规模的卷积核进行卷积运算以获得部分特征图；对所述部分特征图进行线性变换以得到其他与所述部分特征图相似的特征图；最后进行堆叠以完成特征提取，实现降低所述模型计算量的目的；构建特征金字塔，从不同尺度来预测模型结果，以实现利用特征
融合机制在特征金字塔中进一步提高图像特征的提取能力。
[0007]优选的，通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取进一步包括：深度卷积使用的是维度为k
×
k
×1×
m卷积核，卷积核数量是m，由此可以得出深度卷积的计算量和参数量分别为：，，其中卷积核大小为k，卷积核的数量为m，图像通道数为n，w和h为图像的宽和高；每个通道在进行深度卷积以后，提取到一定的特征值，在通道的特征融合方面使用点卷积来实现，增加特征通道数，点卷积的计算量和分别为：，，其中特征通道数为n，图像的宽和高为w和h，卷积核的尺寸为k；深度可分离卷积的总计算量和总参数量分别为：，。
[0008]优选的，通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取进一步还包括：在预测端前，利用注意力机制来完成算法的特征提取，将目标的位置信息引入通道注意力机制中，以减少原本的通道注意力机制对于空间位置信息的忽略；将纵向和横向信息编码到通道注意力中，使得移动网络能够关注大范围的位置信息而不会带来过大的计算量。
[0009]优选的，所述方法还包括基于余弦距离非定点混合量化算法将所述识别模型的浮点数运算转化为定点数：先将网络模型每一层的推理所耗费时间打印出来，然后对在嵌入式上耗费时间超出预设时间的网络层进行分析；基于余弦相似度作为精度损失的参考，打印每层网络与前一层网络的余弦相似度损失，当余弦相似度损失大于阈值的情况下，该层网络不进行量化，在余弦相似度损失小于阈值的情况下，对该层网络进行量化。
[0010]优选的，对所述识别模型进行训练的方法进一步还包括：针对模型中先验框大小设计采用K
‑
means聚类算法，首先对数据集的先验框的尺寸进行算法聚类，通过多次迭代生成与数据集实际相符合的先验框尺寸，提高网络检测效果；先随机初始化K个簇中心，输入样本以后，利用相似度度量方式将每个样本分配给对应的簇，然后计算样本的均值，更新簇中心，判断簇中心变化是否低于阈值，低于可以输出，没有低于，则继续计算，分配样本不断迭代更新，从而实现将数据集进行簇的划分，对于相似度较高的数据集划分在同一个簇内，对于相似度较低的数据集划分在不同的簇。
[0011]基于相同的构思，本专利技术还提供一种基于嵌入式平台的酒店卫勤人员穿戴检测系统，包括：图像获取模块，用于实时获取待检测区域的图像数据，对所述图像数据进行预处理后发送给预设识别模型，其中，所述识别模型被配置在边缘设备端；图像识别模块，用于对所述图像数据中卫勤工作人员防护用品穿戴是否正确进行识别，具体包括：通过GhostNet网络对所述图像数据进行特征提取以生成特征图；通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取以实现通道数量的增加和感受视野的扩大；结果输出模块，用于输出检测结果并基于预设规则作出预设预警，其中，所述检测结果包括是否穿戴口罩、是否穿戴围裙、是否穿戴工作防护服、是否穿戴手套以及是否穿戴帽子。
[0012]基于相同的构思，本专利技术还提供一种计算机设备，包括：存储器，所述存储器用于
存储处理程序；处理器，所述处理器执行所述处理程序时实现所述的基于嵌入式平台的酒店卫勤人员穿戴检测方法。
[0013]基于相同的构思，本专利技术还提供一种可读存储介质，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现所述的基于嵌入式平台的酒店卫勤人员穿戴检测方法。
[0014]采用本专利技术的技术方案，能够取得如下技术效果：1、在专利技术技术方案中，识别模型先利用特征提取算法，通过GhostNet网络对图像进行分析，提取图像的基本信息，其网络设计结构和一般网络结构不同，利用线性变换的方式减少卷积的使用，从而有效的降低了运算次数，降低模型对边缘设备端的硬件资源需求。
[0015]2、在本专利技术的技术方案中，识别模型的加强特征提取网络通过将深度可分离卷积和注意力机制进行融合，对图像进行目标检测，一方面深度可分离卷积能够显著降低参数量，另一方面引入注意力机制来进行特征增强，轻量化网络结构大量使用了深度可分离卷积，因此在实际特征提取时候发现，其对于全局视野特征提取能力较弱。而针对本专利技术的应用场景，数据集中有很多小目标（例如口罩、手套灯）需要检测，需要比较好的感受视野，因此可以引入注意力机制来提高感受视野。使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于嵌入式平台的酒店卫勤人员穿戴检测方法，其特征在于，包括以下步骤：实时获取待检测区域的图像数据，对所述图像数据进行预处理后发送给预设识别模型，其中，所述识别模型被配置在边缘设备端；所述识别模型对所述图像数据中卫勤工作人员防护用品穿戴是否正确进行识别，具体包括：通过GhostNet网络对所述图像数据进行特征提取以生成特征图；通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取以实现通道数量的增加和感受视野的扩大；所述识别模型输出检测结果并基于预设规则作出预设预警，其中，所述检测结果包括是否穿戴口罩、是否穿戴围裙、是否穿戴工作防护服、是否穿戴手套以及是否穿戴帽子。2.如权利要求1所述的基于嵌入式平台的酒店卫勤人员穿戴检测方法，其特征在于，在实时获取待检测区域的图像数据之前还包括对所述识别模型进行训练，训练的方法进一步包括：获取需要检测的酒店后勤场所抓取到卫勤人员图像的数据集；将所述数据集分为两部分，包括训练集和测试集，其比例为9:1，分在两个文件夹中，用于生成不同目录；通过所述训练集中的图像对所述识别模型进行训练，通过所述测试集中的图像对所述训练的效果进行验证是否能够达到预设准确率。3.如权利要求1所述的基于嵌入式平台的酒店卫勤人员穿戴检测方法，其特征在于，通过GhostNet网络对所述图像数据进行特征提取以生成特征图进一步包括：先使用小规模的卷积核进行卷积运算以获得部分特征图；对所述部分特征图进行线性变换以得到其他与所述部分特征图相似的特征图；最后进行堆叠以完成特征提取，实现降低所述模型计算量的目的；构建特征金字塔，从不同尺度来预测模型结果，利用特征融合机制在特征金字塔中提取图像特征。4.如权利要求1所述的基于嵌入式平台的酒店卫勤人员穿戴检测方法，其特征在于，通过由深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行特征提取进一步包括：深度卷积使用的是维度为k
×
k
×1×
m卷积核，卷积核数量是m，由此得出深度卷积的计算量和参数量分别为：，，其中卷积核大小为k，卷积核的数量为m，图像通道数为n，w和h为图像的宽和高；每个通道在进行深度卷积以后，提取特征值，在通道的特征融合方面使用点卷积来实现，增加特征通道数，点卷积的计算量和分别为：，，其中特征通道数为n，图像的宽和高为w和h，卷积核的尺寸为k；深度可分离卷积的总计算量和总参数量分别为：
，。5.如权利要求1所述的基于嵌入式平台的酒店卫勤人员穿戴检测方法，其特征在于，通过由深度可分离卷积和...

【专利技术属性】
技术研发人员：陈俊丰，缪迪，潘骏，
申请(专利权)人：浙江大学金华研究院，
类型：发明
国别省市：