一种工厂防疫管理方法以及防疫管理系统

技术领域

本发明涉及一种工厂防疫管理方法，本发明还涉及一种工厂防疫管理系统。

背景技术

针对病毒的传播，目前采用的手段为在厂区门口专门安排一个工作人员进行口罩佩戴以及体温的检测，而待人员进入工厂后，对人员的口罩佩戴情况以及人员聚集情况则很难实现有效的监管。

发明内容

本发明所要解决的第一个技术问题是针对上述现有技术提供一种能够进行人员口罩佩戴情况检测的工厂防疫管理方法。

本发明所要解决的第二个技术问题是针对上述现有技术提供一种能够进行聚集情况监管的工厂防疫管理方法。

本发明所要解决的第三个技术问题是针对上述现有技术提供一种实时进行工厂内人员的口罩佩戴情况以及聚集情况监管的工厂防疫管理系统。

本发明解决上述第一个技术问题所采用的技术方案为：一种工厂防疫管理方法，其特征在于：采集工厂厂区内人员的图片，对图片进行计算处理以判断人员是否佩戴口罩，在判断人员未佩戴口罩时进行对应区域未佩戴口罩的告警。

本发明解决上述第二个技术问题所采用的技术方案为：采集工厂厂区内人员的图片，对图片进行计算处理以获取图片上的人脸个数，如果获取的人脸个数超过设定值，则判断出现人员聚集的情况，进而进行人员聚集告警。

本发明解决上述第二个技术问题所采用的技术方案为：获取工厂厂区内人员的定位信息，进而获取单位面积内存在的人员数量并与设定的人员数量阈值进行比较，如果单位面积内存在的人员数量大于设定的人员数量阈值，则判断出现人员聚集的情况，进而进行人员聚集告警。

为了提高检测精度，对图片进行计算处理以判断人员是否佩戴口罩的方法为：

利用视觉机器采集人员图片并传送给处理模块，使用YOLOV3算法对采集的人员图片进行增强预处理；

利用人脸朝向识别算法识别增强预处理后图片上的人脸图像朝向，进而确定裸露在外的脸部区域相对于整体脸部区域面积的比例K，如果K超过设定的比例阈值，则判断未佩戴口罩或者口罩未携带到位，进而进行未佩戴口罩的告警。

本发明解决上述第三个技术问题所采用的技术方案为：一种工厂防疫管理系统，其特征在于：包括

视觉机器，包括有多个，设置在工厂内需要进行防疫监控的位置；

云服务器，与各视觉机器通信连接，用于实现数据的计算处理、数据的获取、记录、存储以及发送控制命令；

终端，包括有多个，与云服务器通信连接。

优选地，所述视觉机器为摄像头。

可选择地，所述视觉机器包括固定设置的固定视觉机器和/或能够移动的移动视觉机器。

可选择地，所述终端包括设置在工厂内的多个电脑、管理平台和/或手机。

与现有技术相比，本发明的优点在于：本发明中的工厂防疫管理方法，可以通过采集工厂厂区内人员的图片，再对图片进行处理以获取人员的口罩佩戴情况，如此在人员进入工厂厂区后，还能够实时有效的监控人员的口罩佩戴情况，发挥更好的防疫效果。

本发明中的工厂防疫管理系统，可以通过云服务平台对采集的信息进行分析处理，进而判断人员的密集程度，能够及时有效的发现工厂厂区内人员的口罩佩戴情况、人员聚集情况，进而进行告警，更好的发挥防疫效果。

附图说明

图1为本发明实施例中工厂防疫管理系统的架构图。

图2为本发明实施例中工厂防疫管理系统的网络拓扑架构图。

图3为本发明实施例中工厂防疫管理方法中深度残差学习算法的结构图。

图4为本发明实施例中工厂防疫管理方法中人脸坐标构建示意图。

图5为本发明实施例中工厂防疫管理方法中人脸朝向算法结构图。

图6为本发明实施例中工厂防疫管理方法中人脸与额头区域识别示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

如图1和图2所示，本实施例中的工厂防疫管理方法可以采用工厂防疫管理系统进行实现。本实施例中的工厂防疫管理系统包括云服务器以及与云服务器分别通信连接的多个视觉机器、多个终端。通信技术可以采用现有的各种通信手段，本实施例中与云服务之间的通信采用现有的无线通信技术。

视觉机器可以采用现有的各种视觉设备，各视觉机器设置在工厂内需要进行防疫监控的各个位置。本实施例中视觉机器则采用摄像头，另外本实施例中的视觉机器包括固定设置的固定视觉机器和/或能够移动的移动视觉机器。移动的视觉机器可以在厂区内进行移动，特别方便监控固定视觉机器的监控盲区。

云服务器用于实现数据的计算处理、数据的获取、记录、存储以及发送控制命令。

终端根据需要进行具体设置，如可以包括设置在工厂内的多个电脑、管理平台和/或手机等。

本发明中的工厂防疫管理方法为：使用视觉机器采集工厂厂区内人员的图片并传送给云服务器，云服务器对图片进行计算处理以判断人员是否佩戴口罩，在判断人员未佩戴口罩时进行对应区域未佩戴口罩的告警。如此在工作人员进入到工厂厂区后还能够持续的进行人员口罩的佩戴情况，发挥更好的防疫效果，避免一些人员在进入工厂厂区内后口罩佩戴不合格以及脱卸口罩的情况发生。

本实施例中对图片进行计算处理以判断人员是否佩戴口罩的方法为：

利用视觉机器采集人员图片并传送给处理模块，使用YOLOV3算法对采集的人员图片进行增强预处理；利用人脸朝向识别算法识别增强预处理后图片上的人脸图像朝向，进而确定裸露在外的脸部区域相对于整体脸部区域面积的比例K，如果K超过设定的比例阈值，则判断未佩戴口罩或者口罩未携带到位，进而进行未佩戴口罩的告警。

具体地：深度学习模型的泛化能力，主要取决于网络结构的设计以及数据集的普适性。在YOLOV3网络结构中引入残差网络(ResNet)，尝试提高对模糊脸和小脸的检测。另外考虑到小人脸模糊和光照变化，提高数据集的通用性和适应性。深度残差网络。对于深度模型网络而言，深的网络一般会比浅层网络的效果好。但是随着网络层级的不断增加，训练精度和测试精度会出现迅速下降的情况，这说明当网络变得很深以后，深度网络就变得更加难以训练了。

如图3所示，假设某一层网络的输入为x，F(x)是通过ReLU线性激活函数的输出，网络期望的输出为H(x)＝F(x)+x。当深度网络中后面的层数是冗余的，可以将网络层的输入输出近似看作恒等映射，如式1所示：

H(x)＝x (1)

通过将网络的输入输出转换成一个残差函数，如式(2)所示：

F(x)＝H(x)-x (2)

利用残差块将网络对输出H(x)的学习转换成F(x)的学习，只要F(x)＝0，即可构建一个恒等映射模型。原因是学习F(x)＝0比学习H(x)＝x要简单，因为一般网络中的初始参数偏向于0，这样在冗余层学习F(x)＝0的更新参数，能达到更快收敛的目的。在 YOLOV2中引入ResNet的目的，就是为了解决深层网络的梯度弥散或者梯度消失的问题，采取分段的方式对深层网络进行训练，每个小段包含比较浅的网络层数，然后用捷径连接的方式使得每个小段对于残差进行训练，每一个小段学习一部分Loss，最终达到总体较小的loss，同时，很好的控制梯度的传播，避免出现梯度消失的情况。

深度学习模型的检测准确性很大程度，取决于数据集是否完善。数据越丰富多样则可以训练出更通用的网络。在YOLOV3算法的模型配置文件中，可以发现YOLOV3 算法在网络的输入阶段，会改变图像的旋转角度、饱和度、曝光度和色调。本项目尝试采用以下图像预处理方式，构建完整的训练数据：图像静态模糊处理。摄像头成像时可能存在物体失焦的情况，将造成图像模糊降低图像的视觉质量。图像的静态模糊化处理是指将清晰图像通过卷积模糊核得到模糊图像的过程。卷积运算是指利用滑动窗口遍历原始图像，将模板窗口与原图对应区域做乘加运算。常用的模糊化运算包括均值滤波算法和高斯滤波算法。均值滤波是指模板窗口中像素的均值代替原始图像。如式(3)所示，其中M为卷积核的大小，f(x,y)为原图像的像素值，g(x,y)为均值

滤波后图像的像素值：

高斯滤波与均值滤波的区别在于卷积核的值不同，高斯卷积核的矩阵值服从二维正态分布，其在二维空间的定义如式(4)所示：

图像的运动模糊处理，主要是针对摄像时相机和被摄景物之间有相对运动而产生的模糊效果。假设原始的输入图像为f(x,y)，运动模糊后的图像为g(x,y)，而Cx和Cy 分别代表图像在X和Y方向的平均移动速度，T为拍摄时产生模糊运动的时间，η(x,y)为加性噪声，则其关系如式(5)所示：

通过以上的两种图像预处理方式，针对数据集中的部分图片进行处理，以此增强数据集的通用性。

额头区域的算法主要包括人脸朝向识别算法建模和额头区域校正算法。首先识别人脸的朝向，预划分额头的初始区域，再根据人脸朝向校正额头区域。

由于监控场景下摄像头远程拍摄的行人面部关键点会比较模糊，特别对于面部旋转角度较大的情况不适合采用人脸关键点检测。因此采用人脸朝向识别的方式，可以有效地减少漏检率，达到精确定位额头区域的目的。

如图4所示，根据人体颈部的旋转方向，定义面部姿态的三个方向，它们分别是围绕X、Y、Z方向旋转。将朝向划分为15个类别，其中沿Y方向分为5个方向，即左方、左前方、前方、右前方、右方，而沿Z方向分为3个方向，即上方、正方、下方。由于人脸的朝向分类太多，构建分类器的难度越大，因此拟将人脸的15个朝向分成两个分类器共同表示人脸姿态，将Y方向的5个方向构建一个分类器，将Z方向的3个方向构建另一个分类器，如图5所示。

人脸朝向识别算法只对人脸面部的朝向做一个粗略地判断，而不需要具体到各个方向的转角度。只需要根据人脸的朝向即可帮助快速地确定额头区域的位置。方法拟采用的两个LVQ级联结构可以有效地减少分类问题的复杂度，提高分类精度。

假设人脸检测算法人脸矩形框的大小为x×y，人体面部的比例如图6所示，

定义额头区域的矩形框中心点位置为(x',y')，如式(6)所示：

假设基准距离处额头区域的矩形框大小为w×h，偏离基准距离处额头矩形框根据比例系数α变化。因此额头的矩形框描述算子(x

w′＝αw (10)

h'＝ah (11)

其中(x

在温度校正方法中，红外远程测温需要通过距离校正，测温距离会有基准距离。行人移动时人脸检测框的面积与基准距离下的面积之比，作为额头区域矩形框长宽的校正因子。w'和h'的大小根据人脸检测框的变化而变化，当人走近摄像头时额头检测框变大，反之当人远离摄像头时额头检测框变小。

另外还可以进行工厂厂区内人员聚集情况的监测。可以采用如下任一方法实现判断。

(1)使用视觉机器采集工厂厂区内人员的图片并传送给云服务器，云服务器对图片进行计算处理以获取图片上的人脸个数，该人脸个数的计算方法可以采用现有技术中的图像处理算法进行计算。如果获取的人脸个数超过设定值，则判断出现人员聚集的情况，进而进行人员聚集告警，如云服务器可以向对应区域的防疫管理人员的终端设备上发送告警信息，进而方便防疫管理人员进行及时处理。

(2)获取工厂厂区内人员的定位信息，进而获取单位面积内存在的人员数量并与设定的人员数量阈值进行比较，如果单位面积内存在的人员数量大于设定的人员数量阈值，则判断出现人员聚集的情况，进而进行人员聚集告警。获取工厂厂区内人员的定位信息的方式可以采用现有技术中的任意一种技术。如工厂厂区内的人员通常都使用手机，云服务可以获取各人员的位置信息，进而对单位面积内存在的终端机数量进行统计，进而判断是否出现人员聚集的情况。当发生人员聚集情况时，则服务器可以向对应区域的防疫管理人员的终端设备上发送告警信息，进而方便防疫管理人员进行及时处理。

根据需要工厂防疫管理系统中的云服务器还可以对视觉机器采集的图片进行现有算法的应用，判断是否出现人员打喷嚏的情况、人员摔倒的情况，进而实现更全面的防疫管理。