基于深度学习的考勤管理系统及方法与流程

本发明涉及数据处理技术领域，具体是指一种基于深度学习的考勤管理系统及方法。

背景技术：

随着信息化社会的不断发展，人们越来越倾向于采用各种电子信息化数据处理手段来进行数据采集、数据记录和数据分析，并且可以结合大数据来对各种数据进行综合性地分析。随着科技的进步，智慧校园的概念也在近年来被提出。通过物联网、互联网等多种技术的结合，节省了管理的成本。

现有技术中为了避免学生考勤时出现冒名顶替或者代打卡的情况，越来越多地采用图像识别的方式对学生进行考勤管理。然而，现有技术中的考勤管理，往往需要采集学生照片，并且跟全校学生的照片进行比对，或者采用训练好的卷积神经网络模型识别学生的身份。然而，采用这两种算法都带来了学生身份识别的巨大计算量，给学校的数据处理系统带来了很大的系统负担。其中，采用跟全校学生的照片进行比对的方法，如果学校内的学生数量很多，则需要进行大量的图像比对，采用训练好的卷积神经网络模型识别学生的身份，需要在每个学生到校时均运行一次卷积神经网络模型的算法，对系统的负担很大。

技术实现要素：

本发明提供了一种基于深度学习的考勤管理系统及方法，其目的在于克服现有技术中的缺陷，通过合理预测学生考勤时间，缩小图像比对范围，提高学生考勤时身份识别的效率。

为了实现上述目的，本发明具有如下构成：

该基于深度学习的考勤管理系统，包括：

学生照片采集模块，设置于学校门口，用于采集到校学生的照片；

学生身份识别模块，用于根据所述到校学生的照片识别到校学生的学号；

考勤时间记录模块，用于根据所述学生身份识别模块识别到的到校学生的学号和识别时间，记录各个学生的学号所对应的每天的到校时间，生成各个学生每天的到校时间记录；

考勤时间预测模块，用于将学校的设定到校时间范围划分为多个时间段并基于深度学习的存储训练好的考勤时间预测模型，所述考勤时间预测模型的输入为学生在预设天数内的到校时间整合得到的到校时间数组，输出为预测时间段，所述考勤时间预测模块还用于将各个学生的预设天数内的到校时间整合为到校时间数组，将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段；以及

考勤时间分段模块，用于根据各个学生的预测时间段对学生进行分类，得到每个时间段内预测到校的学生的学号；

其中，所述学生身份识别模块在从所述学生照片采集模块中获取到校学生的照片时，判断识别时间所属的时间段，选择所述识别时间所属的时间段以及该时间段前后的两个时间段预测到校的学生的照片作为比对照片，将所述到校学生的照片与各个所述比对照片进行比对，选择相似度最大的比对照片所对应的学号作为所述到校学生的学号。

可选地，一个学生的到校时间数组包括该学生五个工作日的到校时间数组：周一的到校时间数组、周二的到校时间数组、周三的到校时间数组、周四的到校时间数组和周五的到校时间数组；

所述考勤时间预测模块将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段，包括所述考勤时间预测模块将一个学生的五个工作日的到校时间数组分别输入至训练好的考勤时间预测模型，得到该学生的五个工作日的预测时间段。

可选地，所述考勤时间分段模块根据各个学生的预测时间段对学生进行分类，得到每个时间段内预测到校的学生的学号，包括所述考勤时间分段对每个工作日根据各个学生的预测时间段对学生进行分类，得到每个工作日每个时间段内预测到校的学生的学号；

所述学生身份识别模块在从所述学生照片采集模块中获取到校学生的照片时，判断当前所属的工作日，判断识别时间所属的时间段，选择当前所属的工作日中所述识别时间所属的时间段以及该时间段前后的两个时间段预测到校的学生的照片作为比对照片。

可选地，所述考勤时间预测模块将一学生的预设天数内的到校时间整合为到校时间数组时，判断该学生在各个工作日的到校时间记录条数是否大于等于第一阈值，如果该学生在各个工作日的到校时间记录条数均大于第一阈值，则分别将一个学生的各个工作日的到校时间记录中随机选择第一阈值数量的到校时间整合成五个工作日的到校时间数组：周一的到校时间数组、周二的到校时间数组、周三的到校时间数组、周四的到校时间数组和周五的到校时间数组。

可选地，所述考勤时间预测模块将一学生的预设天数内的到校时间整合为到校时间数组时，如果该学生存在到校记录条数小于第一阈值的工作日时，将该学生的到校记录条数大于第一阈值的工作日的到校时间记录中随机选择第一阈值数量的到校时间整合为对应工作日的到校时间数组，而将该学生的所有工作日的到校时间中随机选择第一阈值数量的到校时间整合成的到校时间数组作为到校记录条数小于第一阈值的工作日的到校时间数组。

可选地，所述考勤时间预测模型为卷积神经网络模型，所述考勤时间预测模型为采用训练集训练好的模型，所述训练集包括多个到校时间数组，且每个到校时间数组进行了预测时间段的标记。

可选地，所述学生身份识别模块将所述到校学生的照片与各个所述比对照片进行比对，包括计算所述到校学生的照片的像素值向量，并将所述到校学生的像素值向量和各个所述比对照片的像素值向量计算欧式距离或汉明距离，将欧式距离小于第二阈值或汉明距离小于第二阈值的比对照片作为与所述到校学生的照片最相似的照片；

所述学生身份识别模块将所述到校学生的照片与各个所述比对照片进行比对，包括计算所述到校学生的照片的像素值向量，并将所述到校学生的像素值向量和各个所述比对照片的像素值向量计算余弦相似度，将余弦相似度大于第三阈值的比对照片所对应的比对照片作为与所述到校学生的照片最相似的照片。

可选地，所述学生身份识别模块将所述到校学生的照片与各个所述比对照片进行比对时，如果无法找到最相似的比对照片，则将所述到校学生的照片与存储的所有学生的照片进行比对，确定与所述到校学生的照片最相似的照片。

本发明实施例还提供一种基于深度学习的考勤管理方法，采用所述的基于深度学习的考勤管理系统，所述方法包括考勤时间预测和考勤时间记录，其中：

所述考勤时间预测包括如下步骤：

所述考勤时间预测模块将各个学生的预设天数内的到校时间整合为到校时间数组；

所述考勤时间预测模块将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段；

所述考勤时间分段模块根据各个学生的预测时间段对学生进行分类，得到每个时间段内预测到校的学生的学号；

所述考勤时间记录包括如下步骤：

所述学生照片采集模块采集到校学生的照片；

所述学生身份识别模块在从所述学生照片采集模块中获取到校学生的照片时，判断识别时间所属的时间段；

所述学生身份识别模块选择所述识别时间所属的时间段以及该时间段前后的两个时间段预测到校的学生的照片作为比对照片，将所述到校学生的照片与各个所述比对照片进行比对，选择相似度最大的比对照片所对应的学号作为所述到校学生的学号；

所述考勤时间记录模块根据所述学生身份识别模块识别到的到校学生的学号和识别时间，记录各个学生的学号所对应的每天的到校时间，生成各个学生每天的到校时间记录。

可选地，所述考勤时间预测模块将各个学生的预设天数内的到校时间整合为到校时间数组，包括如下步骤：

所述考勤时间预测模块分别将一个学生的各个工作日的到校时间整合成五个工作日的到校时间数组：周一的到校时间数组、周二的到校时间数组、周三的到校时间数组、周四的到校时间数组和周五的到校时间数组；

所述考勤时间预测模块将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段，包括如下步骤：

所述考勤时间预测模块将一个学生的五个工作日的到校时间数组分别输入至训练好的考勤时间预测模型，得到该学生的五个工作日的预测时间段。

采用了该发明中的基于深度学习的考勤管理系统及方法，具有如下有益效果：

本发明根据学生的历史考勤时间合理地预测学生考勤时间，根据预测的学生考勤时间缩小了图像比对范围，提高学生考勤时身份识别的效率；本发明仅在每个学期初或每年初重新运行一次基于深度学习的考勤时间预测模型即可，而不必每次身份识别都运行深度学习模型，减小了系统的计算量和处理负担，适用于进一步推广智慧校园的广泛应用。

附图说明

图1为本发明一实施例的基于深度学习的考勤管理系统的结构示意图；

图2为本发明一实施例的基于深度学习的考勤管理方法中考勤时间预测的流程图；

图3为本发明一实施例的基于深度学习的考勤管理方法中学生身份识别的流程图。

附图标记：

学生照片采集模块m100

学生身份识别模块m200

考勤时间记录模块m300

考勤时间预测模块m400

考勤时间分段模块m500

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

为了解决现有技术中的技术问题，本发明提供了一种基于深度学习的考勤管理系统。如图1所示，在本发明一实施例中，所述基于深度学习的考勤管理系统包括：

学生照片采集模块m100，设置于学校门口，用于采集到校学生的照片，该学生照片采集模块m100可以设置于学校门口的摄像头，对到校学生进行拍照；

学生身份识别模块m200，用于根据所述到校学生的照片识别到校学生的学号；

考勤时间记录模块m300，用于根据所述学生身份识别模块m200识别到的到校学生的学号和识别时间，记录各个学生的学号所对应的每天的到校时间，生成各个学生每天的到校时间记录；

考勤时间预测模块m400，用于将学校的设定到校时间范围划分为多个时间段并基于深度学习的存储训练好的考勤时间预测模型，所述考勤时间预测模型的输入为学生在预设天数内的到校时间整合得到的到校时间数组，输出为预测时间段，所述考勤时间预测模块m400还用于将各个学生的预设天数内的到校时间整合为到校时间数组，将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段；其中，将到校时间整合为到校时间数组，可以是从到校时间记录中随机选择预定条数的到校时间记录，将到校时间记录组合成为到校时间数组，例如一个学生的到校时间数组为【0720，0710，0705，0650，0655，0715，0725，0705，0655，0650，0710】；具体到校时间数组中到校时间记录的数量可以根据需要进行选择，保证训练时采用的到校时间数组中到校时间记录的数量和预测时的到校时间数组中到校时间记录的数量相同，数量越多可以保证预测越准确，并且在组合时可以首先去除明显具有很大差异的时间，例如有一个时间时9点20，即0920，这一天学生可能遇到突发事件迟到了，则这个时间就不具有参考价值，不应加入到到校时间数组中；以及

考勤时间分段模块m500，用于根据各个学生的预测时间段对学生进行分类，得到每个时间段内预测到校的学生的学号；

其中，所述学生身份识别模块m200在从所述学生照片采集模块m100中获取到校学生的照片时，判断识别时间所属的时间段，选择所述识别时间所属的时间段以及该时间段前后的两个时间段预测到校的学生的照片作为比对照片，将所述到校学生的照片与各个所述比对照片进行比对，选择相似度最大的比对照片所对应的学号作为所述到校学生的学号。此处采用所述识别时间所属的时间段以及该时间段前后的两个时间段是适当地扩大了时间范围，提高识别到学生身份的可能性。时间段的划分粒度可以根据需要选择，例如全校学生很多时，半个小时为一个时间段，全校学生较少时，则一个小时为一个时间段等等。

因此，本发明通过采用考勤时间预测模型根据学生的历史考勤时间合理地预测学生考勤时间，根据预测的学生考勤时间缩小了图像比对范围，提高学生身份识别模块m200学生考勤时身份识别的效率；本发明仅在每个学期初或每年初采用考勤时间预测模块m400重新运行一次基于深度学习的考勤时间预测模型即可，而不必每次身份识别都运行深度学习模型，减小了系统的计算量和处理负担。

在该实施例中，本发明中的基于深度学习的考勤管理系统可以设置于学校的考勤管理服务器，也可以设置于单独的考勤管理设备等等，均属于本发明的保护范围之内。

在实际应用中，考虑到一个学生在不同的工作日可能到校时间会有些差异，例如，一个同学每周三要值日，那么他周三可能就会来得比较早，一个同学家住的比较远，每周一和周五过来的时候会遇到堵车而导致到校时间比较晚。因此，进一步地，将一个学生的到校时间分别针对五个工作日单独进行预测。一个学生的到校时间数组包括该学生五个工作日的到校时间数组：周一的到校时间数组、周二的到校时间数组、周三的到校时间数组、周四的到校时间数组和周五的到校时间数组。

所述考勤时间预测模块m400将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段，包括所述考勤时间预测模块m400将一个学生的五个工作日的到校时间数组分别输入至训练好的考勤时间预测模型，得到该学生的五个工作日的预测时间段。即对一个学生来说，分别得到其周一到校的预测时间段、周二到校的预测时间段、周三到校的预测时间段、周四到校的预测时间段和周五到校的预测时间段。

在该实施例中，所述考勤时间分段模块m500根据各个学生的预测时间段对学生进行分类，得到每个时间段内预测到校的学生的学号，包括所述考勤时间分段对每个工作日根据各个学生的预测时间段对学生进行分类，得到每个工作日每个时间段内预测到校的学生的学号，即周一各个时间段预测到校的学生的学号、周二各个时间段预测到校的学生的学号、周三各个时间段预测到校的学生的学号、周四各个时间段预测到校的学生的学号和周五各个时间段预测到校的学生的学号。

所述学生身份识别模块m200在从所述学生照片采集模块m100中获取到校学生的照片时，判断当前所属的工作日，判断识别时间所属的时间段，选择当前所属的工作日中所述识别时间所属的时间段以及该时间段前后的两个时间段预测到校的学生的照片作为比对照片。即首先判断今天是周几，然后获取到对应工作日的对应时间段以及前后两个时间段的学生的照片。

在该实施例中，为了保证考勤时间预测的准确性，需要学生的历史记录数据条数达到一定的要求，如果记录较少，则无法很准确地预测学生的到校时间。具体地，所述考勤时间预测模块m400将一学生的预设天数内的到校时间整合为到校时间数组时，判断该学生在各个工作日的到校时间记录条数是否大于等于第一阈值，如果该学生在各个工作日的到校时间记录条数均大于第一阈值，则分别将一个学生的各个工作日的到校时间记录中随机选择第一阈值数量的到校时间整合成五个工作日的到校时间数组：周一的到校时间数组、周二的到校时间数组、周三的到校时间数组、周四的到校时间数组和周五的到校时间数组。同样地，在整合时可以首先去除明显具有很大差异的时间，例如有一个时间时9点20，即0920，这一天学生可能遇到突发事件迟到了，则这个时间就不具有参考价值，不应加入到到校时间数组中。

在该实施例中，所述考勤时间预测模块m400将一学生的预设天数内的到校时间整合为到校时间数组时，如果该学生存在到校记录条数小于第一阈值的工作日时，将该学生的到校记录条数大于第一阈值的工作日的到校时间记录中随机选择第一阈值数量的到校时间整合为对应工作日的到校时间数组，而将该学生的所有工作日的到校时间中随机选择第一阈值数量的到校时间整合成的到校时间数组作为到校记录条数小于第一阈值的工作日的到校时间数组。例如，一个学生只有周一的到校记录条数大于等于第一阈值，则将该学生所有周一的到校时间记录中随机选择第一阈值数量的到校时间整合为周一的到校时间数组，而将周二、周三、周四、周五的所有到校时间记录中选择第一阈值数量的到校时间整合成一个到校时间数组，将该到校时间数组分别作为周二、周三、周四和周五的到校时间数组。第一阈值的数值可以根据需要选择，即能够满足准确预测的到校时间数组中到校时间的最小数量。

在该实施例中，所述考勤时间预测模型为卷积神经网络模型，所述考勤时间预测模型为采用训练集训练好的模型，所述训练集包括多个到校时间数组，且每个到校时间数组进行了预测时间段的标记。卷积神经网络可以包括用于提取特征的卷积层和池化层、全连接层和用于分类的分类层。因此，本发明仅在每个学期初或每年初采用考勤时间预测模块m400重新运行一次基于深度学习的考勤时间预测模型即可，而不必每次身份识别都运行深度学习模型，减小了系统的计算量和处理负担。

在该实施例中，所述学生身份识别模块m200将所述到校学生的照片与各个所述比对照片进行比对，包括计算所述到校学生的照片的像素值向量，并将所述到校学生的像素值向量和各个所述比对照片的像素值向量计算欧式距离或汉明距离，将欧式距离小于第二阈值或汉明距离小于第二阈值的比对照片作为与所述到校学生的照片最相似的照片，因此，欧式距离小于第二阈值或汉明距离小于第二阈值的比对照片为与所述到校学生的照片相似度最高的照片。欧式距离(euclideandistance)，即n维空间中两个点之间的实际距离。汉明距离(hammingdistance)也能用来计算两个向量的相似度，即通过比较向量每一位是否相同，若不同则汉明距离加1，这样得到汉明距离。向量相似度越高，对应的汉明距离越小。如10001001和10110001有3位不同。

在另一实施方式中，所述学生身份识别模块m200将所述到校学生的照片与各个所述比对照片进行比对，包括计算所述到校学生的照片的像素值向量，并将所述到校学生的像素值向量和各个所述比对照片的像素值向量计算余弦相似度，将余弦相似度大于第三阈值的比对照片所对应的比对照片作为与所述到校学生的照片最相似的照片，即将余弦相似度大于第三阈值的比对照片所对应的照片作为与所述到校学生的照片相似度最高的照片。余弦相似度是利用两个向量之间的夹角的余弦值来衡量两个向量之间的余弦相似度。两个向量越相似夹角越小，余弦值越接近1。

此处仅列举了几种图像比对的方法，在其他实施方式中，也可以选择其他计算相似度的方法，均属于本发明的保护范围之内。其中，照片的像素值向量也可以替换为将照片进行灰度处理后的灰度值向量，或其他表征照片特征的向量，均属于本发明的保护范围之内。

在该实施例中，所述学生身份识别模块m200将所述到校学生的照片与各个所述比对照片进行比对时，如果无法找到最相似的比对照片，则将所述到校学生的照片与存储的全校所有学生的照片进行比对，确定与所述到校学生的照片最相似的照片。如果在存储的全校所有学生的照片中均找不到最相似的照片，则说明该学生不是本校学生，通知学校管理人员处理。此处，与存储的全校所有学生的照片进行比对，也可以采用上述采用欧式距离、汉明距离或余弦相似度的方式进行计算。此处无法找到最相似的比对照片，即当采用欧式距离计算相似度的方法时，欧式距离均大于等于第二阈值，采用汉明距离计算相似度的方法时，欧式距离均大于等于第二阈值，或采用余弦相似度计算相似度的方法时，余弦相似度均小于等于第三阈值。

本发明实施例还提供一种基于深度学习的考勤管理方法，采用所述的基于深度学习的考勤管理系统，所述方法包括考勤时间预测和考勤时间记录，其中：

如图2所示，所述考勤时间预测包括如下步骤：

所述考勤时间预测模块将各个学生的预设天数内的到校时间整合为到校时间数组；

所述考勤时间预测模块将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段；

所述考勤时间分段模块根据各个学生的预测时间段对学生进行分类，得到每个时间段内预测到校的学生的学号；

如图3所示，所述考勤时间记录包括如下步骤：

所述学生照片采集模块采集到校学生的照片；

所述学生身份识别模块在从所述学生照片采集模块中获取到校学生的照片时，判断识别时间所属的时间段；

所述学生身份识别模块选择所述识别时间所属的时间段以及该时间段前后的两个时间段预测到校的学生的照片作为比对照片，将所述到校学生的照片与各个所述比对照片进行比对，选择相似度最大的比对照片所对应的学号作为所述到校学生的学号；

所述考勤时间记录模块根据所述学生身份识别模块识别到的到校学生的学号和识别时间，记录各个学生的学号所对应的每天的到校时间，生成各个学生每天的到校时间记录。

在实际应用中，考虑到一个学生在不同的工作日可能到校时间会有些差异，例如，一个同学每周三要值日，那么他周三可能就会来得比较早，一个同学家住的比较远，每周一和周五过来的时候会遇到堵车而导致到校时间比较晚。因此，进一步地，所述考勤时间预测模块将各个学生的预设天数内的到校时间整合为到校时间数组，包括如下步骤：

所述考勤时间预测模块分别将一个学生的各个工作日的到校时间整合成五个工作日的到校时间数组：周一的到校时间数组、周二的到校时间数组、周三的到校时间数组、周四的到校时间数组和周五的到校时间数组；

所述考勤时间预测模块将所述到校时间数组输入至训练好的考勤时间预测模型，得到所述考勤时间预测模型输出的预测时间段，包括如下步骤：

所述考勤时间预测模块将一个学生的五个工作日的到校时间数组分别输入至训练好的考勤时间预测模型，得到该学生的五个工作日的预测时间段。

在该种基于深度学习的考勤管理方法中，各个步骤的具体实现方式均可以采用上述基于深度学习的考勤管理系统中各个功能模块的功能实现方式，在此不予赘述。

与现有技术相比，采用了该发明中的基于深度学习的考勤管理系统及方法，具有如下有益效果：

本发明根据学生的历史考勤时间合理地预测学生考勤时间，根据预测的学生考勤时间缩小了图像比对范围，提高学生考勤时身份识别的效率；本发明仅在每个学期初或每年初重新运行一次基于深度学习的考勤时间预测模型即可，而不必每次身份识别都运行深度学习模型，减小了系统的计算量和处理负担，适用于进一步推广智慧校园的广泛应用。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。