违规着装检测方法、装置、设备及存储介质与流程

本发明涉及图像识别，尤其涉及一种违规着装检测方法、装置、设备及存储介质。

背景技术：

1、在制造业或者物流行业，员工的着装合规性对于保障工作安全、提高生产效率和维护企业形象至关重要。然而，在实际生产过程中，由于员工数量庞大、监督难度大，以及人工检测的主观性和低效性，企业往往面临着装违规行为的难题。

2、在现有技术中，公司面向员工的着装检测通常需要人工逐一检查员工的着装，这是一项耗时且劳动密集的任务。而且，在大型制造企业中，员工数量庞大，这种方式无法满足高效率的需求。此外，对于移动性工作人员和分布在多个地点的团队来说，传统的使用人工进行检测的方法也不够灵活和便捷。传统的着装检测通常是定期或定点进行的，而无法提供实时监测员工的着装情况。这意味着如果员工在检测前或检测后改变了他们的着装，违规行为可能会被忽略。因此，缺乏一种高效、准确、自动化的着装检测手段。

3、因此，现有技术还有待于改进和发展。

技术实现思路

1、本发明的主要目的在于解决现有技术中只能通过人工进行违规着装的检测，检测效率低的问题。

2、本发明第一方面提供了一种违规着装检测方法，包括：获取目标样本集，所述目标样本集包括训练集、测试集和验证集，所述训练集、所述测试集和所述验证集均包含多张尺寸相同的已标注的员工着装图像；构建第一检测模型，对所述第一检测模型进行数据增广和模型优化，得到第二检测模型，所述第一检测模型为centernet网络模型；基于所述目标样本集对所述第二检测模型进行训练、测试及验证，得到目标检测模型；基于所述目标检测模型对目标图像进行识别检测，得到目标检测结果，所述目标图像为摄像头实时抓取的包含员工着装的照片。

3、可选的，在本发明第一方面的第一种实现方式中，所述获取目标样本集的步骤包括：获取目标图片集，所述目标图片集由多张尺寸相同的包含员工着装的照片组成，采用标注工具labelimg对所述目标图片集进行标注，得到标注好的正常着装集合和非正常着装集合；将所述正常着装集合分为三组并分别加入所述训练集、所述测试集和所述验证集；将所述非正常着装集合分为三组并分别加入所述训练集、所述测试集和所述验证集。

4、可选的，在本发明第一方面的第二种实现方式中，所述构建第一检测模型的步骤包括：构建resnet50作为所述第一检测模型的骨干网络；构建三个反卷积模块作为所述第一检测模型的上采样部分；构建三个分支卷积网络作为所述第一检测模型的预测部分。

5、可选的，在本发明第一方面的第三种实现方式中，所述对所述第一检测模型进行数据增广和模型优化，得到第二检测模型的步骤包括：采用cutout和mix-up对所述第一检测模型的数据进行增广；基于多尺度处理机制对增广后的所述第一检测模型进行优化，得到所述第二检测模型。

6、可选的，在本发明第一方面的第四种实现方式中，所述基于所述目标样本集对所述第二检测模型进行训练、测试及验证，得到目标检测模型的步骤包括：基于所述训练集对所述第二检测模型进行训练；基于所述测试集对训练后的所述第二检测模型进行测试；基于所述验证集对测试后的所述第二检测模型进行验证，得到所述目标检测模型。

7、可选的，在本发明第一方面的第五种实现方式中，所述基于所述目标检测模型对目标图像进行识别检测，得到目标检测结果的步骤包括：将所述目标图像进行缩放，得到第一图像；将所述第一图像经过resnet50进行特征提取，得到第二图像；将所述第二图像经过所述上采样部分，得到第三图像；将所述第三图像经过所述预测部分，得到所述目标检测结果。

8、可选的，在本发明第一方面的第六种实现方式中，所述基于所述目标检测模型对目标图像进行识别检测，得到目标检测结果的步骤之后，还包括：若所述目标检测结果为非正常着装，则将所述目标检测结果中的异常部分进行标注后上报至后台服务器。

9、本发明第二方面提供了一种违规着装检测装置，包括：获取模块，用于获取目标样本集，所述目标样本集包括训练集、测试集和验证集，所述训练集、所述测试集和所述验证集均包含多张尺寸相同的已标注的员工着装图像；构建模块，用于构建第一检测模型，对所述第一检测模型进行数据增广和模型优化，得到第二检测模型，所述第一检测模型为centernet网络模型；优化模块，用于基于所述目标样本集对所述第二检测模型进行训练、测试及验证，得到目标检测模型；检测模块，用于基于所述目标检测模型对目标图像进行识别检测，得到目标检测结果，所述目标图像为摄像头实时抓取的包含员工着装的照片。

10、可选的，在本发明第二方面的第一种实现方式中，所述获取模块包括：标注单元，用于获取目标图片集，所述目标图片集由多张尺寸相同的包含员工着装的照片组成，采用标注工具labelimg对所述目标图片集进行标注，得到标注好的正常着装集合和非正常着装集合；第一分组单元，用于将所述正常着装集合分为三组并分别加入所述训练集、所述测试集和所述验证集；第二分组单元，用于将所述非正常着装集合分为三组并分别加入所述训练集、所述测试集和所述验证集。

11、可选的，在本发明第二方面的第二种实现方式中，所述构建模块包括：第一构建单元，用于构建resnet50作为所述第一检测模型的骨干网络；第二构建单元，用于构建三个反卷积模块作为所述第一检测模型的上采样部分；第三构建单元，用于构建三个分支卷积网络作为所述第一检测模型的预测部分。

12、可选的，在本发明第二方面的第三种实现方式中，所述构建模块还包括：增广单元，用于采用cutout和mix-up对所述第一检测模型的数据进行增广；优化单元，用于基于多尺度处理机制对增广后的所述第一检测模型进行优化，得到所述第二检测模型。

13、可选的，在本发明第二方面的第四种实现方式中，所述优化模块包括：训练单元，用于基于所述训练集对所述第二检测模型进行训练；测试单元，用于基于所述测试集对训练后的所述第二检测模型进行测试；验证单元，用于基于所述验证集对测试后的所述第二检测模型进行验证，得到所述目标检测模型。

14、可选的，在本发明第二方面的第五种实现方式中，所述检测模块包括：第一图像获取单元，用于将所述目标图像进行缩放，得到第一图像；第二图像获取单元，用于将所述第一图像经过resnet50进行特征提取，得到第二图像；第三图像获取单元，用于将所述第二图像经过所述上采样部分，得到第三图像；预测单元，用于将所述第三图像经过所述预测部分，得到所述目标检测结果。

15、可选的，在本发明第二方面的第六种实现方式中，所述检测模块还包括：上报单元，用于若所述目标检测结果为非正常着装，则将所述目标检测结果中的异常部分进行标注后上报至后台服务器。

16、本发明第三方面提供了一种违规着装检测设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机可读指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机可读指令，以使得所述违规着装检测设备执行如上所述违规着装检测方法的各个步骤。

17、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，当其在计算机上运行时，使得计算机执行如上所述违规着装检测方法的各个步骤。

18、有益效果：本发明的技术方案中，通过对构建的所述第一检测模型进行进行数据增广和模型优化，得到第二检测模型，然后通过获取到的目标样本集对所述第二检测模型进行训练、测试及验证，得到高效、准确的目标检测模型，最后，基于所述目标检测模型对目标图像进行识别检测，得到目标检测结果，所述目标图像为摄像头实时抓取的包含员工着装的照片。本发明提供的是一种违规着装检测方法，通过目标检测模型对摄像头实时抓取的包含员工着装的照片进行违规着装检测，这样高效、准确、自动化的检测手段，提升了违规着装的检测效率，为企业的安全管理带来了便利。