本发明涉及图像识别，更具体的说是涉及一种基于深度学习的作业人员识别方法及系统。
背景技术：
1、人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术，已广泛应用于生活中的各个领域。在进行人脸识别的过程中，为了提高识别准确性，通常需要将人脸图像转换为正面人脸图像后再进行身份识别。目前，现有技术通常是基于待识别人脸图像的人脸特征点特征，将待识别人脸图像转换为正面人脸图像。但是，在识别佩戴口罩、墨镜、帽子等配件的人脸遮挡图像时，由于人脸遮挡图像中的面部区域部分被遮挡，很难准确识别到人脸特征点特征，导致转换后的正面人脸图像误差较大，严重影响后续人脸识别的准确性，亟需改进。
2、深度学习在人脸识别领域的应用已经取得了显著的进展，成为一种强大的技术手段。作业人员识别作为人脸识别技术的一个重要应用场景，也受到了越来越多的关注。
3、因此，如何提供一种基于深度学习的作业人员识别方法及系统，通过对施工作业人员进行人脸识别，确保只有相关作业人员才能进入施工现场是本领域技术人员亟需解决的技术问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于深度学习的作业人员识别方法及系统，通过对施工作业人员进行人脸识别，确保只有相关作业人员才能进入施工现场，从而有效防止未经许可的人员进入施工区域，减少安全风险。
2、为了实现上述目的，本发明采用如下技术方案：一种基于深度学习的作业人员识别方法，包括：
3、收集包含作业人员的各种面部遮挡情况的人脸图像数据以及作业人员的正面图像数据，并对所述人脸图像数据和正面图像数据进行切割分类，得到分类数据；
4、检测并提取分类数据中的特征点；
5、通过特定的人脸对齐算法，基于所述正面图像数据将特征点对齐到对应的位置，得到样本数据集；
6、将所述样本数据集作为输入，对改进的深度学习efficientnet网络进行训练，得到人脸识别模型；
7、将施工现场的图像数据输入到所述人脸识别模型中，得到作业人员的身份识别结果。
8、优选的，所述特征点的位置坐标表示为：
9、q＝[(x1，y1)，(x2，y2)，…，(xm，ym)]；
10、其中，m为所述特征点的个数，xm为第m个所述特征点的横坐标，ym为第m个所述特征点的纵坐标。
11、优选的，对改进的深度学习efficientnet网络进行训练，包括：
12、将所述样本数据集划分为训练集、验证集和测试集；
13、根据所述训练集对改进的深度学习efficientnet网络进行训练，得到训练后的深度学习网络，所述改进的深度学习efficientnet网络的训练基于调整网络深度、宽度以及分辨率之间的平衡关系。
14、优选的，改进的深度学习efficientnet网络包括1个深度可分离卷积层和5个mbconv层；
15、改进的efficientnet网络结构中深度可分离卷积层，将空间特征学习和通道特征学习分开，每一个通道都是相互独立的；在每一个mbconv中都有一个sk模块，sk模块是一种soft attention机制，直接嵌入到模型中进行训练，使网络根据输入信息的多个尺度自适应的调节接受域大小；
16、根据所述验证集对所述训练后的深度学习网络进行优化，得到人脸识别模型；
17、将所述测试集输入至所述人脸识别模型进行识别，采用softmax分类器分类，得到人脸识别结果。
18、优选的，根据所述训练集对所述深度学习网络中的网络深度、宽度和分辨率进行调整，得到调整后的网络深度相关参数、宽度相关参数和分辨率相关参数；
19、根据所述网络深度相关参数、所述宽度相关参数和所述分辨率相关参数，得到训练后的深度学习网络。
20、优选的，通过特定的人脸对齐算法，基于所述正面图像数据将特征点对齐到对应的位置，得到样本数据集，包括：
21、基于特征提取算法或预先训练的人脸对齐网络，对获取的人脸遮挡图像进行人脸特征点提取，然后基于提取的人脸特征点，对获取的人脸遮挡图像进行仿射变换，实现对人脸遮挡图像的对齐操作，得到对齐后的人脸遮挡图像。
22、优选的，将人脸图像的深度数据转化成3d体素化数据，并输入到v2v-posenet网络中获得人脸图像的特征点数据；所述v2v-posenet网络为进行剪枝处理的v2v-posenet网络。
23、优选的，按照以下步骤进行3d体素化数据：将人脸图像的深度数据转化为3d体积形式，将点重新投射到3d空间，并将连续空间离散化，根据体素空间位置与目标对象设置各离散空间的体素值；
24、将3d体素化数据作为v2v-posenet网络的输入，计算每个关键点属于每个体素的似然，识别出每个关键点的最高似然对应的位置，并将其转化为真实世界的坐标，成为头部特征点数据。
25、优选的，一种基于深度学习的作业人员识别系统，包括：
26、数据收集模块，用于收集包含作业人员的各种面部遮挡情况的人脸图像数据以及作业人员的正面图像数据，并对所述人脸图像数据和正面图像数据进行切割分类，得到分类数据；
27、特征点检测模块，用于检测并提取分类数据中的特征点；
28、人脸对齐模块，用于通过特定的人脸对齐算法，基于所述正面图像数据将特征点对齐到对应的位置，得到样本数据集；
29、模型获取模块，用于将所述样本数据集作为输入，对改进的深度学习efficientnet网络进行训练，得到人脸识别模型；
30、结果生成模块，用于将施工现场的图像数据输入到所述人脸识别模型中，得到作业人员的身份识别结果。
31、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的作业人员识别方法及系统，包括：收集包含作业人员的各种面部遮挡情况的人脸图像数据以及作业人员的正面图像数据，并对所述人脸图像数据和正面图像数据进行切割分类，得到分类数据；检测并提取分类数据中的特征点；通过特定的人脸对齐算法，基于所述正面图像数据将特征点对齐到对应的位置，得到样本数据集；将所述样本数据集作为输入，对改进的深度学习efficientnet网络进行训练，得到人脸识别模型；将施工现场的图像数据输入到所述人脸识别模型中，得到作业人员的身份识别结果。本发明通过对施工作业人员进行人脸识别，确保只有相关作业人员才能进入施工现场，从而有效防止未经许可的人员进入施工区域，减少安全风险。
1.一种基于深度学习的作业人员识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的作业人员识别方法，其特征在于，所述特征点的位置坐标表示为：
3.根据权利要求1所述的一种基于深度学习的作业人员识别方法，其特征在于，对改进的深度学习efficientnet网络进行训练，包括：
4.根据权利要求3所述的一种基于深度学习的作业人员识别方法，其特征在于，改进的深度学习efficientnet网络包括1个深度可分离卷积层和5个mbconv层；
5.根据权利要求3所述的一种基于深度学习的作业人员识别方法，其特征在于，根据所述训练集对所述深度学习网络中的网络深度、宽度和分辨率进行调整，得到调整后的网络深度相关参数、宽度相关参数和分辨率相关参数；
6.根据权利要求1所述的一种基于深度学习的作业人员识别方法，其特征在于，通过特定的人脸对齐算法，基于所述正面图像数据将特征点对齐到对应的位置，得到样本数据集，包括：
7.根据权利要求2所述的一种基于深度学习的作业人员识别方法，其特征在于，将人脸图像的深度数据转化成3d体素化数据，并输入到v2v-posenet网络中获得人脸图像的特征点数据；所述v2v-posenet网络为进行剪枝处理的v2v-posenet网络。
8.根据权利要求7所述的一种基于深度学习的作业人员识别方法，其特征在于，按照以下步骤进行3d体素化数据：将人脸图像的深度数据转化为3d体积形式，将点重新投射到3d空间，并将连续空间离散化，根据体素空间位置与目标对象设置各离散空间的体素值；
9.一种基于深度学习的作业人员识别系统，应用权利要求1-8任一项所述的一种基于深度学习的作业人员识别方法，其特征在于，包括：
