本发明属于酒店保洁管理，惠阳月嫂13825404095尤其涉及一种基于rfid与深度学习的酒店保洁人员清洁合规性检测方法、系统及电子设备。
背景技术：
1、随着社会经济的不断发展，出行旅游、酒店住宿成为越来越普及的消费行为。
2、随着酒店行业卫生要求的提升，确保每个房间的清洁工作符合卫生标准变得尤为重要。传统的监控手段，如视频监控，可以对清洁过程进行全面监督，但这种方式可能侵犯保洁人员和入住客户的隐私，尤其是在酒店卫生间等隐私性较强的区域，视频监控的应用受到极大限制。
3、为解决这一问题，急需寻求非视觉手段的清洁检测方法。rfid技术作为一种成本低、使用方便的物联网技术，广泛用于资产管理、数据采集等场景。通过部署rfid标签，采用rfid读写器实施采集rfid标签数据，可有效的检测保洁人员是否清洁对应区域、以及清洁工具的使用情况，避免抹布等工具在不同区域的混用。然而，基于单纯的rfid数据的清洁行为检测存在准确性较低的局限性。
技术实现思路
1、为解决上述问题，本发明的目的是提供一种基于rfid与深度学习的酒店保洁人员清洁合规性检测方法、系统及电子设备，基于深度学习算法的清洁动作识别模块在进行rfid标签类型匹配的检测同时，识别保洁人员是否在做擦拭等清洁动作，从而提升系统检测准确性与合理性。
2、本发明提供的技术方案为：一种基于rfid与深度学习的酒店保洁人员清洁合规性检测方法，包括以下步骤：
3、读取目标范围内的所有静态装置rfid标签和清洁工具rfid标签，清洁工具rfid标签相对于静态装置rfid标签具有唯一映射匹配关系；
4、读取目标范围内配置在保洁人员手臂的动态rfid标签的相位数据，对所述相位数据使用格拉姆角场方法进行预处理转换为二维图像数据后，通过mobilenetv3网络对所述二维图像数据进行特征提取以生成特征图，通过深度可分离卷积和注意力机制对所述特征图进行进一步的特征提取，以实现通道数量的增加和感受视野的扩大；
5、通过基于深度学习的动作检测模型判断该保洁人员是否在做有效的清洁动作，并输出检测结果；根据标签匹配机制和清洁动作检测结果，基于预设规则作出预设预警，所述检测结果包括保洁人员清洁操作是否符合规范。
6、优选的，读取目标范围内动态rfid标签的相位数据，对所述相位数据进行预处理转换为二维图像数据进一步包括：
7、rfid读写器被配置在保洁人员体侧，通过rfid读写器实时采集所述动态rfid标签的相位数据生成时间序列数据，使用滑动时间窗口对时间序列数据进行分段处理，并与相应的动态rfid标签关联；
8、将原始相位信号数据通过格拉姆角场方法(gaf，gramian angular field)转化为图像数据，作为深度学习模型的输入数据，以减弱相位信号因为干扰产生的异常点影响，获取相位信号中更丰富的上下文信息，使模型更好地定位和识别目标，同时图像数据能充分利用深度学习模型的性能，提高识别精度。
9、优选的，通过mobilenetv3网络对所述二维图像数据进行特征提取以生成特征图，通过深度可分离卷积和注意力机制对所述特征图进行进一步的特征提取进一步包括：
10、所述深度可分离卷积被配置为将标准卷积分解为深度卷积和点卷积，深度卷积逐通道地对输入的二维图像数据进行卷积处理，点卷积通过1×1卷积核将通道特征融合，使得模型在保持较高特征提取能力的同时，减少了参数量和计算量，计算量公式为：
11、计算量＝h×w×(k2×n+n×m)，其中，h和w表示特征图的高度和宽度，k×k为卷积核的大小，n为输入通道数，m为输出通道数。
12、优选的，通过mobilenetv3网络对所述二维图像数据进行特征提取以生成特征图，通过深度可分离卷积和注意力机制对所述特征图进行进一步的特征提取进一步还包括：
13、所述mobilenetv3网络还引入了倒残差块，通过先扩展特征图的维度，再通过深度可分离卷积进行处理，最后将其压缩回原始维度。
14、优选的，所述方法还包括：
15、对生成的特征图进行纵向和横向池化处理，以进一步提取全局信息并增强特征的空间表征能力，纵向池化从特征图的每一列提取全局信息，纵向池化的计算公式如下：
16、
17、其中，xij表示特征图中第i行和第j列的像素值，w为特征图的宽度；
18、横向池化从特征图的每一行提取全局信息，横向池化的计算公式为：
19、
20、其中，h为特征图的高度。
21、优选的，在纵向和横向池化之后，通过独立的全连接层对提取的全局信息进行进一步处理，生成纵向和横向的注意力权重，从而增强模型对特征的表征能力：
22、纵向池化得到的全局信息fy(x)通过全连接层生成纵向注意力权重，公式如下：
23、ay(x)＝σ(wy·fy(x))
24、横向池化得到的全局信息fx(x)也通过全连接层生成横向注意力权重，公式为：
25、ax(x)＝σ(wx·fx(x))
26、其中，wy和wx分别为纵向和横向的全连接层权重矩阵，σ为激活函数；
27、所述纵向注意力权重和所述横向注意力权重通过独立的全连接层处理后被施加到原始特征图上，从而对关键区域进行加权；
28、经过加权处理的特征图会被堆叠形成特征金字塔，将不同分辨率下的特征结合在一起。
29、优选的，读取目标范围内的所有静态装置rfid标签和清洁工具rfid标签，并将二者进行一一映射匹配进一步包括：
30、当预设时间内连续n次读取到多个清洁工具rfid标签，则生成预警提醒；
31、当预设时间内连续n次仅读取到1个清洁工具rfid标签，若该清洁工具rfid标签与读取到的静态装置rfid标签类型匹配，则进一步基于所述动作检测模型判断该保洁人员清洁动作的有效性，否则生成预警提醒。
32、基于相同的构思，本发明还提供一种基于rfid与深度学习的酒店保洁人员清洁合规性检测系统，包括静态装置rfid标签、清洁工具rfid标签、动态rfid标签、rfid读写器和预设终端：
33、所述动态rfid标签被配置在保洁人员手臂，所述清洁工具rfid标签与其中一个静态装置rfid标签具有唯一映射对应关系；
34、所述rfid读写器被配置在保洁人员体侧，用于读取目标范围内的所有静态装置rfid标签、清洁工具rfid标签；读取目标范围内动态rfid标签的相位数据，将读取到的rfid数据发送给预设终端；
35、所述预设终端用于将读取到的清洁工具rfid标签与静态装置rfid标签进行类型匹配，对读取到的动态rfid标签的相位数据进行预处理转换为二维图像数据后，通过mobilenetv3网络对所述二维图像数据进行特征提取以生成特征图，通过深度可分离卷积和注意力机制融合构建的加强特征提取网络对所述特征图进行进一步的特征提取，以实现通道数量的增加和感受视野的扩大；然后通过基于深度学习的动作检测模型判断该保洁人员是否在做有效的清洁动作；输出检测结果并基于预设规则作出预设预警，所述检测结果包括保洁人员清洁操作是否符合规范。
36、基于相同的构思，本发明还提供一种电子设备，包括：
37、存储器，所述存储器用于存储处理程序；
38、处理器，所述处理器执行所述处理程序时实现上述任意一项所述的基于rfid与深度学习的酒店保洁人员清洁合规性检测方法。
39、基于相同的构思，本发明还提供一种可读存储介质，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现上述任意一项所述的基于rfid与深度学习的酒店保洁人员清洁合规性检测方法。
40、本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
41、本发明的技术方案在基于rfid标签类型匹配的检测机制的技术之上补充增加了基于机器学习模型的动作检测模型，通过结合动作检测模型的检测结果，共同判断保洁人员的清洁规范性，判断更为精准。此外，传统的基于rfid数据的行为识别方法均将原始的相位信号作为模型输入，对信号中的离群点与异常点过于敏感，且目前基于深度学习的模型结构比较复杂，神经网络层数过多，模型参数量大，增加了计算和存储开销，使模型不具有快速部署与响应的能力，在本发明的应用场景中，无法在手机等计算资源有限的设备上高效运行。本发明的动作检测模型在mobilenetv3的基础上构建一个轻量化模型结构，实现高效的基于rfid相位信息的动作识别方案。
