谢斌红，栗宁君，陈立潮，张英俊

(太原科技大学计算机与技术学院，太原 030024)

人员在岗状态的智能化监测和管理已经成为许多服务型行业亟待解决的问题，而现阶段的方法和手段还停留在人工监督和传统检测算法阶段，存在着检测结果不够客观，检测精度不高和实时性较差等问题。因此，有效解决上述问题成为人员在岗状态智能化检测的一个重要研究方向。

随着深度学习技术在计算机视觉领域的不断发展和应用，基于深度学习的目标检测算法逐渐进入大众的视线。该类算法主要分为两类：第一类是two-stage模型，首先预选出候选区域，再通过卷积神经网络提取目标特征。此类算法精度较高，发展成熟，但速度较慢，无法满足实时性检测要求。典型的特征提取网络有AlexNet[1]、OverFeat[2]、GoogleNet[3]、VGG[4]和ResNet[5]；2014年在ILSVRC上又提出了R-CNN[6]算法，之后在该算法基础上，又提出了Fast R-CNN[7]、DeepID-Net[8]和Faster R-CNN[9]等基于two-stage 的R-CNN系列目标检测算法。第二类算法为one-stage模型，该类方法是基于回归思想的端到端的模型算法，其网络结构简单，实时性更强。2016年，Redmon等人相继了提出了YOLO[10]和YOLOv2[11]网络模型；2018年，在YOLOv2的基础上Redmon等人又提出YOLO-v3[12]算法，该算法是时下在检测的精度和训练的速度上最均衡的目标检测算法，并已应用于各行业领域中[13-15]。

综上所述，针对目前在岗人员状态检测方法存在人力资源浪费、检测环境复杂和检测结果不客观等问题，本文以YOLOv3为检测模型的骨干网络，通过改进其目标定位与目标置信度的损失函数，并在其多尺度特征提取的基础上增加不同尺度间的特征融合密度，得到新的算法ILF-YOLOv3来检测人员在岗状态。……