1.本发明涉及图像处理技术领域，具体为一种基于分类的智慧园区智能工服识别方法及系统。
背景技术：2.穿着制式化工作服，有助于锻炼企业的纪律，强化企业文化凝聚力，增强员工的企业归属感，彰显企业公平公正观念、营造良好的企业秩序。工作服，凝聚着企业的标准与规范，团体协调与和谐的团队精神，对外传递着企业尊严与企业信息。工服是企业文化输出的一种重要外在形式，也是保障生产环境、保护职工人身安全、辨别身份、提升工作效率的一项重要措施。当前在食品加工、机械制造、金融服务、公共服务、建筑、医疗领域对工人正确穿着工服的要求较为严苛。
3.当前对于员工工服监督管理的主要手段主要分为两种：人工管理和智能化管理。人工管理成本高，效率低，难以长时间持续高效工作。智能化管理主要借助于当前逐渐成熟的人工智能技术，例如深度学习，kmeans等算法通过检索技术实现，但是这种方式主要有两个弊端，其一是基于检索的工服识别精确度有待提高，另一方面基于检索的工服识别，其速度受检索库的影响，当检索库较大的时候，识别速度会降低。在传统的深度学习模型中，通常使用softmax损失作为目标函数训练模型，该函数主要是通优化束模型输出样本的的预测概率分布与真实样本标签分布之间的差异来约束模型学习与当前任务相关的深度特征。然而，通过softmax函数学习到的深度特征的可判别性和鲁棒性相对较差，对异常值较为敏感，从而使得对特征工程的要求更加苛刻，这与深度学习的初衷相悖。所以现在亟需一种快速、高效、稳定、且成本低廉的方式进行工服识别。
技术实现要素：4.针对上述情况，为弥补上述现有缺陷，本发明提供了一种基于分类的智慧园区智能工服识别方法及系统，该方法及系统利用深度神经网络技术实现自动化的工服识别模型，结合外在摄像设备对进入作业区域的工作人员进行实时高效的工服识别，并将识别结果同步至后端管理平台，实现识别、报警、管理的高度集成；本发明克服了传统人工检查工服着装人耗高、时效性差、管理成本高等问题,提高了企业自动化、智能化管理的水平。
5.本发明提供如下的技术方案：本发明提出的基于分类的智慧园区智能工服识别方法，具体包括下列步骤：
6.(1)数据收集：通过摄像头采集行人原始数据，所述原始数据包括正常穿着工服、工帽的正样本和不穿工服、工帽的负样本数据；
7.(2)检测/识别模型训练：
8.a)利用检测模块的图像处理算法对摄像头采集的原始数据进行数据预处理并存储到数据库，之后利用该数据训练工服检测/识别模型；
9.b)在训练的过程中利用规则化中心损失增加样本经过网络映射后在特征空间与
类中心的距离约束，从而加强类内相似性，与此同时该函数还对类间的差异性进行严格约束，即将异类样本彼此推开，从而降低损失函数对类中心点的初始化依赖性；
10.(3)行人检测、工服、工帽分类识别：将训练好的检测/识别模型部署到管理中心，通过检测/识别模型实时处理摄像头传进来的图像帧，对检测/识别结果进行识别，并对不符合要求的检测/识别结果进行报警。
11.本发明提出的基于分类的智慧园区智能工服识别系统，包括摄像头、检测模块、数据库、检测/识别模型、管理中心和报警器，所述摄像头用于采集行人原始数据，所述原始数据包括正常穿着工服、工帽的正样本和不穿工服、工帽的负样本数据；所述检测模块负责通过图像处理算法对摄像头采集的原始数据进行数据预处理；所述数据库用于对检测模块预处理的数据进行存储，并利用该数据进行检测/识别模型训练；所述检测/识别模型对行人进行检测，并获得检测/识别结果；所述管理中心用于收集对检测/识别结果，并控制报警器报警。
12.采用上述结构本发明取得的有益效果如下：本发明提出的一种基于分类的智慧园区智能工服识别方法及系统，基于人工智能深度学习进行算法模型定制，利用深度学习神经网络技术,进行大规模工服数据识别训练；配合现场摄像头的数据，实现以端到端的形式自动识别现场作业人员的工服着装情况，实时预警，而且还能有效防范外部人员进入工作间，提高监管效率，降低监管成本；本发明利用正规化中心损失(regularized center loss)作为分类模型的损失函数，以样本到其所对应的类中心的距离作为监督信号优化网络参数，使得在学习到的特征空间中同类样本向类中心聚拢，除此之外正则化中心损失还将类中心之间的距离作为监督信号，使类中心在网络训练的过程中不断地被拉开从而保证类间的差异性。
附图说明
13.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
14.图1为本发明提出的一种基于分类的智慧园区智能工服识别方法及系统的系统流程结构框图。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
17.如图1所示，本发明采取的技术方案如下：本发明提出的基于分类的智慧园区智能工服识别方法及系统，具体包括下列步骤：
18.(1)数据收集：通过摄像头采集行人原始数据，所述原始数据包括正常穿着工服、工帽的正样本和不穿工服、工帽的负样本数据；
19.(2)检测/识别模型训练：
20.a)利用检测模块的图像处理算法对摄像头采集的原始数据进行数据预处理并存储到数据库，之后利用该数据训练工服检测/识别模型；
21.b)在训练的过程中利用规则化中心损失增加样本经过网络映射后在特征空间与类中心的距离约束，从而加强类内相似性，与此同时该函数还对类间的差异性进行严格约束，即将异类样本彼此推开，从而降低损失函数对类中心点的初始化依赖性；
22.(3)行人检测、工服、工帽分类识别：将训练好的检测/识别模型部署到管理中心，通过检测/识别模型实时处理摄像头传进来的图像帧，对检测/识别结果进行识别，并对不符合要求的检测/识别结果进行报警。
23.本发明提出的基于分类的智慧园区智能工服识别系统，包括摄像头、检测模块、数据库、检测/识别模型、管理中心和报警器，所述摄像头用于采集行人原始数据，所述原始数据包括正常穿着工服、工帽的正样本和不穿工服、工帽的负样本数据；所述检测模块负责通过图像处理算法对摄像头采集的原始数据进行数据预处理；所述数据库用于对检测模块预处理的数据进行存储，并利用该数据进行检测/识别模型训练；所述检测/识别模型对行人进行检测，并获得检测/识别结果；所述管理中心用于收集对检测/识别结果，并控制报警器报警。
24.实施例：
25.1、规则化中心损失(regularized center loss)：
[0026][0027]
2、行人检测和工帽检测模型是使用的yolo v5,其中工帽检测是修改了yolo v5模型的检测类别数量(由80类改为1类)并训练。
[0028]
3、工服识别是利用自有数据训练的一个resnet50模型，在模型训练是联合使用softmax分类损失和规则化中心损失作为目标损失优化网络参数。
[0029][0030]
m表示一个训练子集(mini-batch)中样本的总个数，f(xi)∈rd是训练子集(mini-batch)中第i个样本学习到的d维特征向量，是xi所对应的类中心，α1是样本到类中心之间相似度的约束阈值。上式中的第二项是约束不同类中心之间的间隔要大于设置的阈值α2，ξ是一个常数，λ1是一个控制类间约束在损失函数中的贡献比重的超参数(hyper parameter)。
[0031]
要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物料或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物料或者设备所固
有的要素。
[0032]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
技术特征：1.基于分类的智慧园区智能工服识别方法，其特征在于，具体包括下列步骤：(1)数据收集：通过摄像头采集行人原始数据，所述原始数据包括正常穿着工服、工帽的正样本和不穿工服、工帽的负样本数据；(2)检测/识别模型训练：a)利用检测模块的图像处理算法对摄像头采集的原始数据进行数据预处理并存储到数据库，之后利用该数据训练工服检测/识别模型；b)在训练的过程中利用规则化中心损失增加样本经过网络映射后在特征空间与类中心的距离约束，从而加强类内相似性，与此同时该函数还对类间的差异性进行严格约束，即将异类样本彼此推开，从而降低损失函数对类中心点的初始化依赖性；(3)行人检测、工服、工帽分类识别：将训练好的检测/识别模型部署到管理中心，通过检测/识别模型实时处理摄像头传进来的图像帧，对检测/识别结果进行识别，并对不符合要求的检测/识别结果进行报警。2.根据权利要求1所述的基于分类的智慧园区智能工服识别系统，其特征在于，包括摄像头、检测模块、数据库、检测/识别模型、管理中心和报警器，所述摄像头用于采集行人原始数据，所述原始数据包括正常穿着工服、工帽的正样本和不穿工服、工帽的负样本数据；所述检测模块负责通过图像处理算法对摄像头采集的原始数据进行数据预处理；所述数据库用于对检测模块预处理的数据进行存储，并利用该数据进行检测/识别模型训练；所述检测/识别模型对行人进行检测，并获得检测/识别结果；所述管理中心用于收集对检测/识别结果，并控制报警器报警。
技术总结本发明公开了基于分类的智慧园区智能工服识别方法，具体包括下列步骤：(1)数据收集；(2)检测/识别模型训练；(3)行人检测、工服、工帽分类识别；并公开了基于分类的智慧园区智能工服识别系统，所述系统包括摄像头、检测模块、数据库、检测/识别模型、管理中心和报警器。本发明涉及图像处理技术领域，具体提供了一种基于分类的智慧园区智能工服识别方法及系统，该方法及系统利用深度神经网络技术实现自动化的工服识别模型，结合外在摄像设备对进入作业区域的工作人员进行实时高效的工服识别，并将识别结果同步至后端管理平台，实现识别、报警、管理的高度集成。管理的高度集成。管理的高度集成。
技术研发人员：邓国军 游靖 何晓明 刘宏源 吴浩 陈琳钰 杨远
受保护的技术使用者：河南众诚信息科技股份有限公司
技术研发日：2022.04.21
技术公布日：2022/7/5
