基于人工智能工装识别的离岗检测方法和装置与流程

1.本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能工装识别的离岗检测方法和装置。


背景技术：

2.营业厅作为电力系统面向社会的展示窗口，办理业务和收费等工作的服务水平会影响人民群众对电力服务的印象。在营业厅的日常工作中，客户能否第一时间被接待，工作人员能否及时解决客户问题，是保障客户服务满意度的重中之重。随着营业厅设立越来越多的开放式办公位，客户等非工作人员能进入该区域，因此检测工作人员是否离岗，对提升营业厅服务水平是非常必要的。
3.现有的离岗检测系统只检测工位中是否有人，并不能区分是否为工作人员，因此，当工作人员离开办公位且有其它人员在其办公位时，离岗检测系统无法给出正确的分析结果，容易出现离岗检测漏报的问题。


技术实现要素：

4.有鉴于此，本申请的目的在于提供一种基于人工智能工装识别的离岗检测方法和装置，可以避免工位上因非工作人员顶替而导致的离岗检测漏报问题，提高了离岗检测系统在复杂环境下的准确率。
5.第一方面，本申请提供了一种基于人工智能工装识别的离岗检测方法，所述离岗检测方法包括：
6.识别工位图像中处于目标工位的待检测对象和在岗标志物；
7.确定所述待检测对象与所述在岗标志物之间的关联度；
8.根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象；
9.根据判断结果，确定所述目标对象的离岗状态。
10.优选地，所述识别工位图像中处于目标工位的待检测对象和在岗标志物包括：
11.通过预先训练好的目标检测模型对所述工位图像进行识别，得到所述工位图像中的待检测对象和在岗标志物。
12.优选地，通过以下步骤训练所述目标检测模型：
13.对预先采集到的多个工位图像中的待检测对象和在岗标志物进行标注，得到带有待检测对象标注信息和在岗标志物标注信息的多个工位图像样本；
14.将每个所述工位图像样本输入至预先建立好的深度学习模型中进行训练，得到训练好的目标检测模型。
15.优选地，通过以下步骤确定所述待检测对象与所述在岗标志物之间的关联度：
16.确定所述待检测对象所占用的第一区域；
17.确定所述在岗标志物所占用的第二区域；
18.确定所述第一区域与所述第二区域的重合度，所述重合度为所述第一区域与所述
第二区域的重合区域的面积与所述第二区域的面积的比值；
19.基于所述重合度，确定所述待检测对象与所述在岗标志物之间的关联度。
20.优选地，所述根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象，包括：
21.获取所述目标对象与所述在岗标志物之间的预设关联度阈值；
22.若所述关联度大于所述预设关联度阈值，确定处于所述目标工位的待检测对象为目标对象；
23.若所述关联度不大于所述预设关联度阈值，确定处于所述目标工位的待检测对象不为目标对象。
24.优选地，所述根据判断结果，确定所述目标对象的离岗状态，包括：
25.当所述目标工位的待检测对象不是目标对象时，统计所述目标对象的离岗时间；
26.若检测到所述离岗时间超过预设规定时间，则确定所述目标对象为离岗状态。
27.优选地，在所述识别工位图像中处于目标工位的待检测对象和在岗标志物之后，所述离岗检测方法还包括：
28.若所述工位图像中不存在所述待检测对象和/或所述在岗标志物，则确定所述目标对象处于离岗状态。
29.第二方面，本申请提供了一种基于人工智能工装识别的离岗检测装置，所述离岗检测装置包括：
30.识别模块，用于识别工位图像中处于目标工位的待检测对象和在岗标志物；
31.处理模块，用于确定所述待检测对象与所述在岗标志物之间的关联度；
32.判断模块，用于根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象；
33.第一确定模块，用于根据判断结果，确定所述目标对象的离岗状态。第三方面，本申请还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于人工智能工装识别的离岗检测方法的步骤。
34.第四方面，本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的基于人工智能工装识别的离岗检测方法的步骤。
35.本申请提供了一种基于人工智能工装识别的离岗检测方法和装置，所述离岗检测方法包括先识别工位图像中处于目标工位的待检测对象和在岗标志物，然后确定所述待检测对象与所述在岗标志物之间的关联度，接着根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象，最后根据判断结果，确定所述目标对象的离岗状态。
36.与现有技术中的离岗检测系统只检测工位中是否有人，并不能区分是否为工作人员的方法相比，本申请利用待检测对象与在岗标志物之间的关联度判断处于目标工位的待检测对象是否为目标对象，可以避免工位上因非工作人员顶替而导致的离岗检测漏报问题，可以适应营业厅等开放式办公位复杂的人员分布环境，提高离岗检测系统在复杂环境下的准确率。
37.为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
38.为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
39.图1为本申请实施例所提供的一种基于人工智能工装识别的离岗检测方法的流程图；
40.图2为本申请实施例所提供的一种营业厅的离岗检测方法的流程框图；
41.图3为本申请实施例所提供的一种营业厅判断其工位是否有工作人员的流程框图；
42.图4为本申请实施例所提供的一种基于人工智能工装识别的离岗检测装置的结构示意图；
43.图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
44.为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
45.首先，对本申请可适用的应用场景进行介绍。本申请可应用于营业厅，用于检测营业厅的工作人员的离岗情况，营业厅作为电力系统面向社会的展示窗口，办理业务和收费等工作的服务水平，会直接反映到人民群众对电力服务的印象。在配电、输电、变电这三方面服务均已达到人民满意要求的情况下，营业厅的服务水平显得尤其重要。在营业厅的日常工作中，客户能否第一时间被接待，工作人员能否及时解决客户问题，是保障客户服务满意度的重中之重，进而，提升营业厅服务水平是非常必要的。
46.为提高营业厅工作人员的整体服务水平，各政府机关、银行等办事机构根据需求配置了离岗检测系统。离岗检测系统能对监控区域内的离岗进行检测，当发生异常情况时，系统会主动触发报警。智能视频分析下的人员离岗检测系统能自动检测工作人员的工作岗位，一旦发现工作人员不在工作区域内的时间超出规定设置时间，系统便会实时报警，并将报警信息传送至监控端，然后通过现场语音摄像机给出语音提示，让工作人员及时返回工作岗位。
47.随着营业厅设立越来越多的开放式办公位，且客户等非工作人员能进入该区域，导致工作人员离岗后被非工作人员顶替，而现有的离岗检测系统只检测工位中是否有人，
并不能区分是否为工作人员。因此，当工作人员离开办公位且有其它人员在其办公位时，离岗检测系统将无法给出正确的分析结果，容易出现离岗检测漏报问题。
48.基于此，本申请实施例提供了一种基于人工智能工装识别的离岗检测方法和装置，通过识别视频画面中的人和工装两类目标，综合判断视频画面中的人是否为工作人员，将原本识别办公位上是否有人的方法，改进为识别办公位上是否有工作人员，即可解决上述的离岗检测漏报问题。
49.请参阅图1，图1为本申请实施例所提供的一种基于人工智能工装识别的离岗检测方法的流程图。如图1中所示，本申请实施例提供的离岗检测方法，应用于离岗检测系统上，包括：
50.s110、识别工位图像中处于目标工位的待检测对象和在岗标志物。
51.这里，工位图像是从视频图像中提取出来的，视频图像是由安装在营业厅上的摄像头拍摄得到的。其中，工业图像是针对每个工作人员所在的工位拍摄的图像，工业图像中可以包括普通人或者工作人员，工位上的物品等。
52.具体地，目标工位可以为营业厅中的任意一个工位，在进行工位离岗检测时，针对的是每个工位，在对该工位分析时，该工位即为目标工位。
53.该步骤中，需要识别工位图像中处于目标工位的待检测对象和在岗标志物，其中，待检测对象可以为人，在岗标志物可以为工作人员所穿的工装，在岗标志物是表示该待检测对象为目标对象的标志物，即工装是表示处于目标工位上的人是工作人员的标志。
54.s120、确定所述待检测对象与所述在岗标志物之间的关联度。
55.该步骤中，通过交并比判断待检测对象与在岗标志物之间的关联度，其中，交并比表示目标检测中产生的候选框与原标记框的交叠率。这样一来，交并比越大，表示待检测对象与在岗标志物之间的关联度越大，关联度越大，表示该待检测对象是目标对象的概率越大，使得后面在判断目标工位上的待检测对象是否是目标对象的准确率越高。
56.这里，根据实际情况选择交并比来判断待检测对象与在岗标志物之间的关联度，因为在本申请实施例中，待检测对象为人，在岗标志物为工装，只有工装穿在人身上，才能表示该人为工作人员，进而，交并比在这里是表示工装与人的重叠率。
57.s130、根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象。
58.该步骤中，预先设置表示待检测对象为目标对象的预设关联度阈值，如果关联度较大，且超过预设关联度阈值，则认为处于目标工位的待检测对象为目标对象；反之，如果关联度较小，且小于预设关联度阈值，则认为处于目标工位的待检测对象不是目标对象。这里，待检测对象不是目标对象的情况可能是办理业务的客户误入目标工位。
59.s140、根据判断结果，确定所述目标对象的离岗状态。
60.该步骤中，根据步骤s130的判断结果，来确定目标对象的离岗状态，当步骤s130确定出处于目标工位的待检测对象为目标对象时，离岗检测系统不进行离岗报警；当步骤s130确定出处于目标工位的待检测对象不是目标对象时，系统进行离岗报警，并将报警信息通知给该目标工位对应的工作人员。
61.本申请实施例提供的基于人工智能工装识别的离岗检测方法，包括先识别工位图像中处于目标工位的待检测对象和在岗标志物，然后确定所述待检测对象与所述在岗标志物之间的关联度，接着根据所述关联度，判断处于所述目标工位的待检测对象是否为目标
对象，最后根据判断结果，确定所述目标对象的离岗状态。与现有技术中的离岗检测系统只检测工位中是否有人，并不能区分是否为工作人员的方法相比，本申请利用待检测对象与在岗标志物之间的关联度判断处于目标工位的待检测对象是否为目标对象，可以避免工位上因非工作人员顶替而导致的离岗检测漏报问题，可以适应营业厅等开放式办公位复杂的人员分布环境，提高离岗检测系统在复杂环境下的准确率。
62.在本申请实施例中，作为一种优选的实施例，步骤s110包括：
63.通过预先训练好的目标检测模型对所述工位图像进行识别，得到所述工位图像中的待检测对象和在岗标志物。
64.具体地，目标检测模型为深度学习模型，通过搭建不同的网络模型，对目标检测中的开源数据集进行测试评估。本申请实施例中，深度学习模型为yolov5s网络结构，通过yolov5s网络结构识别工位图像中的待检测对象和在岗标志物。
65.在使用yolov5s深度学习模型对工位图像进行识别前，需要预先对该模型进行训练。
66.优选地，步骤s110通过以下步骤训练所述目标检测模型：
67.对预先采集到的多个工位图像中的待检测对象和在岗标志物进行标注，得到带有待检测对象标注信息和在岗标志物标注信息的多个工位图像样本；
68.将每个所述工位图像样本输入至预先建立好的深度学习模型中进行训练，得到训练好的目标检测模型。
69.这里，需针对营业厅采集大量日常服务时的图片数据，对待检测对象和在岗标志物进行标注，其中，待检测对象可以为人，在岗标志物可以为工装，除此之外，也可以对普通衣服进行标注，制作数据集训练目标检测模型。
70.其中，为了提升模型的识别精度和鲁棒性，使用imgaug数据增强工具对数据进行扩充，包含对数据集图片的模糊化、平面旋转、镜像翻转、高斯噪声、缩放等方式，使用该数据集训练本申请实施例中使用的yolov5s目标检测算法模型。
71.在本申请实施例中，作为一种优选的实施例，步骤s120通过以下步骤确定所述待检测对象与所述在岗标志物之间的关联度：
72.确定所述待检测对象所占用的第一区域；
73.确定所述在岗标志物所占用的第二区域；
74.确定所述第一区域与所述第二区域的重合度，所述重合度为所述第一区域与所述第二区域的重合区域的面积与所述第二区域的面积的比值；
75.基于所述重合度，确定所述待检测对象与所述在岗标志物之间的关联度。
76.这里，采用标注目标框的方式确定待检测对象所占用的第一区域以及在岗标志物所占用的第二区域。
77.该步骤中，应用交并比确定待检测对象与在岗标志物之间的关联度，通过以下公式计算交并比(iou)：
[0078][0079]
其中，iou表示交并比，a表示待检测对象所占用的第一区域，b表示在岗标志物所占用的第二区域，a∩b表示第一区域与第二区域的重合度。
[0080]
需要说明的是，原版计算交并比的方法为：第一区域与第二区域的相交区域(第一区域与第二区域的重合度)，与第一区域和第二区域的合并区域的比值。由于人所占用的第一区域的目标较大，在计算iou时无法正确反映工装目标与人的重合度，因此将分母改为工装所占用的第二区域的面积，即可正确反映工装与人的关联度。
[0081]
在本申请实施例中，作为一种优选的实施例，步骤s130包括：
[0082]
获取所述目标对象与所述在岗标志物之间的预设关联度阈值；
[0083]
若所述关联度大于所述预设关联度阈值，确定处于所述目标工位的待检测对象为目标对象；
[0084]
若所述关联度不大于所述预设关联度阈值，确定处于所述目标工位的待检测对象不为目标对象。
[0085]
这里为根据关联度，判断处于目标工位的待检测对象是否为目标对象的具体实施方式。
[0086]
在本申请实施例中，作为一种优选的实施例，步骤s140包括：
[0087]
当所述目标工位的待检测对象不是目标对象时，统计所述目标对象的离岗时间；
[0088]
若检测到所述离岗时间超过预设规定时间，则确定所述目标对象为离岗状态。
[0089]
这里，当离岗检测系统检测到目标工位没有目标对象时，不会马上确定目标对象为离岗状态，这里，可能存在由于目标对象(工作人员)去卫生间，或者去邻近工位而检测不到目标对象的情况，这种情况下，不视为目标对象离岗。所以，为了避免这种意外发生，需要预先设定一个判断目标对象处于离岗状态的临界时间，即预设规定时间，然后统计目标对象的离岗时间，如果离岗时间超过预设规定时间，则认为目标对象为离岗状态，如果离岗时间没有超过预设规定时间，则认为目标对象为在岗状态。
[0090]
优选地，所述离岗检测方法还包括：
[0091]
若所述工位图像中不存在所述待检测对象和/或所述在岗标志物，则确定所述目标对象处于离岗状态。
[0092]
这里，如果工位图像中没有检测到待检测对象，或者工位图像中没有检测到在岗标志物，或者工位图像中既没有检测到待检测对象又没有检测到在岗标志物时，认为目标对象处于离岗状态。
[0093]
进而，当检测到目标对象处于离岗状态时，可以使离岗检测系统将报警信息传送至监控端，然后通过现场语音摄像机给出语音提示，让工作人员及时返回工作岗位；或者，通过发提示短信给工作人员的方式提醒工作人员及时返回工作岗位，或者，报警提醒监控管理人员，由监控管理人员提示员工尽快回到办公岗位，这里的报警提醒方式不做具体限定。
[0094]
具体地，请参阅图2和图3，图2为本申请实施例所提供的一种营业厅的离岗检测方法的流程框图，图3为本申请实施例所提供的一种营业厅判断其工位是否有工作人员的流程框图。如图2中所示：
[0095]
步骤1：进行目标检测，具体地，基于yolov5s深度学习模型进行目标检测，识别画面中的各种目标，(检测项可以包含：“人”、“工装”和“普通衣服”)。
[0096]
步骤2：判断步骤1的目标检测结果中，是否有人和工装这两种目标，并通过计算人和工装间的关联度，识别是否有工作人员，如果是，进入步骤6；如果否，进入步骤3。
[0097]
步骤3：根据步骤2的判断结果，画面中无工作人员，则启动或继续离岗计时。
[0098]
这里，此流程图是检测一帧的流程，若上一帧检测结果为在岗，且当前帧检测结果为离岗，则启动离岗计时；若上一帧检测结果为离岗，且当前帧检测结果仍为离岗，则继续离岗计时。
[0099]
步骤4：由步骤3计时的时间，判断离岗时间是否超过预设规定时间，如果是，进入步骤5；如果否，结束本帧检测。
[0100]
步骤5：由步骤4的判断结果，离岗计时超过了预设规定时间，报警提醒监控管理人员，提示员工尽快回到办公岗位。
[0101]
步骤6：由步骤2的判断结果，画面中有工作人员，则将离岗计时清零。
[0102]
进一步地，如图3所示，对步骤2判断是否有工作人员进行详细说明：
[0103]
步骤21：判断目标检测结果中是否有“人”这个目标，如果是，进入步骤22；如果否，结束本轮判断。
[0104]
步骤22：判断目标检测结果中是否有“工装”这个目标，如果是，进入步骤23；如果否，结束本轮判断。
[0105]
步骤23：依据步骤21的判断结果，画面中有“人”和“工装”这两种目标，计算“工装”与“人”的关联度。
[0106]
步骤24：依据步骤23的计算结果，判断关联度是否超过阈值。若不超过阈值，说明工装没穿在人身上，不能认为“人”这个目标是工作人员，则结束本轮判断；若超过预设关联度阈值，说明工装是穿在人身上的，说明有工作人员，进入步骤25。
[0107]
步骤25：由步骤24的判断结果，画面中有工作人员。
[0108]
本申请实施例提供的基于人工智能工装识别的离岗检测方法，与现有技术中的离岗检测系统只检测工位中是否有人，并不能区分是否为工作人员的方法相比，本申请实施例增加了识别人是否为工作人员的功能，利用人与工装之间的关联度判断处于目标工位的人是否为工作人员，可以避免工位上因非工作人员顶替而导致的离岗检测漏报问题，可以适应营业厅等开放式办公位复杂的人员分布环境，提高离岗检测系统在复杂环境下的准确率，同时增强了离岗检测系统的鲁棒性。
[0109]
基于同一发明构思，本申请实施例中还提供了与基于人工智能工装识别的离岗检测方法对应的基于人工智能工装识别的离岗检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述离岗检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0110]
请参阅图4，图4为本申请实施例所提供的一种基于人工智能工装识别的离岗检测装置的结构示意图。如图4中所示，所述离岗检测装置400包括：
[0111]
识别模块410，用于识别工位图像中处于目标工位的待检测对象和在岗标志物；
[0112]
处理模块420，用于确定所述待检测对象与所述在岗标志物之间的关联度；
[0113]
判断模块430，用于根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象；
[0114]
第一确定模块440，用于根据判断结果，确定所述目标对象的离岗状态。
[0115]
优选地，识别模块410在用于识别工位图像中处于目标工位的待检测对象和在岗标志物时，所述识别模块410用于：
[0116]
通过预先训练好的目标检测模型对所述工位图像进行识别，得到所述工位图像中的待检测对象和在岗标志物。
[0117]
优选地，识别模块410用于通过以下步骤训练所述目标检测模型：
[0118]
对预先采集到的多个工位图像中的待检测对象和在岗标志物进行标注，得到带有待检测对象标注信息和在岗标志物标注信息的多个工位图像样本；
[0119]
将每个所述工位图像样本输入至预先建立好的深度学习模型中进行训练，得到训练好的目标检测模型。
[0120]
优选地，处理模块420用于通过以下步骤确定所述待检测对象与所述在岗标志物之间的关联度：
[0121]
确定所述待检测对象所占用的第一区域；
[0122]
确定所述在岗标志物所占用的第二区域；
[0123]
确定所述第一区域与所述第二区域的重合度，所述重合度为所述第一区域与所述第二区域的重合区域的面积与所述第二区域的面积的比值；
[0124]
基于所述重合度，确定所述待检测对象与所述在岗标志物之间的关联度。
[0125]
优选地，判断模块430在用于根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象时，判断模块430用于：
[0126]
获取所述目标对象与所述在岗标志物之间的预设关联度阈值；
[0127]
若所述关联度大于所述预设关联度阈值，确定处于所述目标工位的待检测对象为目标对象；
[0128]
若所述关联度不大于所述预设关联度阈值，确定处于所述目标工位的待检测对象不为目标对象。
[0129]
优选地，第一确定模块440在用于根据判断结果，确定所述目标对象的离岗状态时，第一确定模块440用于：
[0130]
当所述目标工位的待检测对象不是目标对象时，统计所述目标对象的离岗时间；
[0131]
若检测到所述离岗时间超过预设规定时间，则确定所述目标对象为离岗状态。
[0132]
优选地，离岗检测装置400还包括第二确定模块450，第二确定模块450用于：
[0133]
若所述工位图像中不存在所述待检测对象和/或所述在岗标志物，则确定所述目标对象处于离岗状态。
[0134]
本申请实施例提供的基于人工智能工装识别的离岗检测装置，所述离岗检测装置包括识别模块、处理模块、判断模块和第一确定模块，具体地，识别模块识别工位图像中处于目标工位的待检测对象和在岗标志物，处理模块确定所述待检测对象与所述在岗标志物之间的关联度，判断模块根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象，第一确定模块根据判断结果，确定所述目标对象的离岗状态。这样一来，本申请利用待检测对象与在岗标志物之间的关联度判断处于目标工位的待检测对象是否为目标对象，可以避免工位上因非工作人员顶替而导致的离岗检测漏报问题，可以适应营业厅等开放式办公位复杂的人员分布环境，提高离岗检测系统在复杂环境下的准确率。
[0135]
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
[0136]
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运
行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的基于人工智能工装识别的离岗检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0137]
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的基于人工智能工装识别的离岗检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0138]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0139]
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0140]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0141]
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0142]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0143]
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于人工智能工装识别的离岗检测方法，其特征在于，所述离岗检测方法包括：识别工位图像中处于目标工位的待检测对象和在岗标志物；确定所述待检测对象与所述在岗标志物之间的关联度；根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象；根据判断结果，确定所述目标对象的离岗状态。2.根据权利要求1所述的离岗检测方法，其特征在于，所述识别工位图像中处于目标工位的待检测对象和在岗标志物包括：通过预先训练好的目标检测模型对所述工位图像进行识别，得到所述工位图像中的待检测对象和在岗标志物。3.根据权利要求2所述的离岗检测方法，其特征在于，通过以下步骤训练所述目标检测模型：对预先采集到的多个工位图像中的待检测对象和在岗标志物进行标注，得到带有待检测对象标注信息和在岗标志物标注信息的多个工位图像样本；将每个所述工位图像样本输入至预先建立好的深度学习模型中进行训练，得到训练好的目标检测模型。4.根据权利要求1所述的离岗检测方法，其特征在于，通过以下步骤确定所述待检测对象与所述在岗标志物之间的关联度：确定所述待检测对象所占用的第一区域；确定所述在岗标志物所占用的第二区域；确定所述第一区域与所述第二区域的重合度，所述重合度为所述第一区域与所述第二区域的重合区域的面积与所述第二区域的面积的比值；基于所述重合度，确定所述待检测对象与所述在岗标志物之间的关联度。5.根据权利要求1所述的离岗检测方法，其特征在于，所述根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象，包括：获取所述目标对象与所述在岗标志物之间的预设关联度阈值；若所述关联度大于所述预设关联度阈值，确定处于所述目标工位的待检测对象为目标对象；若所述关联度不大于所述预设关联度阈值，确定处于所述目标工位的待检测对象不为目标对象。6.根据权利要求1所述的离岗检测方法，其特征在于，所述根据判断结果，确定所述目标对象的离岗状态，包括：当所述目标工位的待检测对象不是目标对象时，统计所述目标对象的离岗时间；若检测到所述离岗时间超过预设规定时间，则确定所述目标对象为离岗状态。7.根据权利要求1所述的离岗检测方法，其特征在于，在所述识别工位图像中处于目标工位的待检测对象和在岗标志物之后，所述离岗检测方法还包括：若所述工位图像中不存在所述待检测对象和/或所述在岗标志物，则确定所述目标对象处于离岗状态。8.一种基于人工智能工装识别的离岗检测装置，其特征在于，所述离岗检测装置包括：识别模块，用于识别工位图像中处于目标工位的待检测对象和在岗标志物；
处理模块，用于确定所述待检测对象与所述在岗标志物之间的关联度；判断模块，用于根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象；第一确定模块，用于根据判断结果，确定所述目标对象的离岗状态。9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一所述基于人工智能工装识别的离岗检测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述基于人工智能工装识别的离岗检测方法的步骤。
技术总结
本申请提供了一种基于人工智能工装识别的离岗检测方法和装置，其中，所述离岗检测方法包括先识别工位图像中处于目标工位的待检测对象和在岗标志物，然后确定所述待检测对象与所述在岗标志物之间的关联度，接着根据所述关联度，判断处于所述目标工位的待检测对象是否为目标对象，最后根据判断结果，确定所述目标对象的离岗状态。进而，本申请利用待检测对象与在岗标志物之间的关联度判断处于目标工位的待检测对象是否为目标对象，可以避免工位上因非工作人员顶替而导致的离岗检测漏报问题，可以适应营业厅等开放式办公位复杂的人员分布环境，提高离岗检测系统在复杂环境下的准确率。确率。确率。


技术研发人员：李博 白雨佳 李靖 朱继阳 徐彬泰 李鹏飞 卢颖辉 张悦 张洁 李尧 韩雪 袁冬冰
受保护的技术使用者：国网内蒙古东部电力有限公司信息通信分公司 国家电网有限公司
技术研发日：2021.03.18
技术公布日：2021/6/29