[发明专利]一种基于YOLO的学员状态检测方法

说明书

本发明公开了一种基于YOLO的学员状态检测算法，包括以下步骤：S1：YOLO的改进；S2：在原来的DBL组件后加入瓶颈注意力模型BAM，然后经过2个DBL组件，再加入卷积注意力模型CBAM；S3：修改后的网络进行训练，本发明涉及基于YOLO的目标检测技术。本发明在YOLO网络的基础上，加入了瓶颈注意力模型(BAM)和卷积注意力模型(CBAM)，在保证了较高检测速率的同时，提高了YOLO网络的精度。同时，我们将其应用在教学课堂中，实现对学生听课状态的检测，便于教学者对课堂情况的了解和管理加入了注意力机制的YOLO网络，经过在VOC 2012数据集上的测试，速度可以达到在自己的学员数据集上，准确率相对原版网络，准确率有所提升。

技术领域

本发明属于计算机视觉领域中的目标检测技术方向，具体涉及一种基于基于YOLO的学员状态检测方法。

背景技术

目标检测，是图像处理领域的一个重要分支，即在一幅图像中框出感兴趣目标的范围和所属类别。现阶段目标检测分为“two-stage”和“one-stage”两个流派，前者是通过先候选区域定位，后分类的思路，以RCNN系列为代表，后者是直接进行候选框回归和分类，以YOLO、SSD等为代表。YOLO是其中检测速率最快的一种，但是检测精度不够。

在学生状态的检测最接近的技术中，论文《基于Faster R-CNN的学生课堂行为检测算法研究》，采用Ross B.Girshick提出的Faster R-CNN算法，将学生课堂行为分为三类即学习、睡觉、玩(玩手机、聊天等其他)，在教室布置摄像头采集数据，标注信息，并送入Faster R-CNN网络进行训练，最终实现检测。

缺点可以是成本高，效率底，耗时间等类似问题，由于Faster R-CNN网络本身的限制，检测速率很低，加上学生课堂行为数据集本身的特点(监控视频图像区别于一般的视频图像，其不能获取目标的正面信息，存在一定角度差)，因此虽然原论文可以实现对课堂行为的检测，但在实时性和高效性上有所欠缺，若是将其应用在实际场景中，就会存在一些问题。

发明内容

本发明的目的在于提供一种基于YOLO的学员状态检测方法，针对Faster R-CNN的检测速率问题，因此我们的方案是采用了YOLO网络，由于YOLO的固有结构，使得它的检测速率很快，是RCNN的1000倍，Faster RCNN的100倍，因此我们的重点在于改进YOLO的检测精度，使得YOLO速度与精度共存；

在YOLO网络的基础上，加入了瓶颈注意力模型(BAM)和卷积注意力模型(CBAM)，在保证了较高检测速率的同时，提高了YOLO网络的精度。同时，我们将其应用在教学课堂中，实现对学生听课状态的检测，便于教学者对课堂情况的了解和管理加入了注意力机制的YOLO网络，经过在VOC 2012数据集上的测试，速度可以达到在自己的学员数据集上，准确率相对原版网络，准确率有所提升，以解决上述背景技术中提出现有技术中的问题。

为实现上述目的，本发明采用了如下技术方案：一种基于YOLO的学员状态检测方法，包括以下步骤：

S1：YOLO的改进，修改原网络的残差单元，原结构中的残差单元，由zero-padding层(零填充)、DBL组件(卷积+BN层+LeakyRelu)和n个残差结构res unit(两个DBL组件+add)构成；

S2：在原来的DBL组件后加入瓶颈注意力模型BAM，然后经过2个DBL组件，再加入卷积注意力模型CBAM；

S3：修改后的网络进行训练，具体步骤如下：

a：获取课堂监控视频，间隔或随机抽取部分帧画面，使用标注工具标注每张图中的目标信息，制成数据集；

b：将数据集送入修改后的YOLO网络进行训练；

c：训练完成后得到针对该数据集类型的模型文件，使用该模型可以检测相应类别的视频和图像。