CN111458030A - 一种红外人体测温的校准方法以及装置 - Google Patents
一种红外人体测温的校准方法以及装置 Download PDFInfo
- Publication number
- CN111458030A CN111458030A CN202010167209.2A CN202010167209A CN111458030A CN 111458030 A CN111458030 A CN 111458030A CN 202010167209 A CN202010167209 A CN 202010167209A CN 111458030 A CN111458030 A CN 111458030A
- Authority
- CN
- China
- Prior art keywords
- human body
- body temperature
- temperature measurement
- infrared human
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013604 expression vector Substances 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims description 68
- 230000007613 environmental effect Effects 0.000 claims description 46
- 230000036760 body temperature Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004861 thermometry Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/20—Clinical contact thermometers for use with humans or animals
- G01K13/223—Infrared clinical thermometers, e.g. tympanic
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/005—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Abstract
本申请公开了一种红外人体测温的校准方法以及装置,包括:获取图像数据以及红外人体测温结果,将所述图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量;将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值;根据所述预测差值对当前的红外人体测温结果进行校准。本申请实施例通过将图像数据对应的特征表达向量与当前的红外人体测温结果同时输入至第二模型,确定出当前红外人体测温结果与对应的人体真实温度之间的预测差值,并根据预测差值对当前的红外人体测温结果进行校准,使得红外人体测温结果更加准确。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种红外人体测温的校准方法以及装置。
背景技术
若需要对进出人员进行体温检测时,传统的手持测温仪测量效率低,影响检测效率,为了改进上述缺陷,现有技术通过红外测温的方式对进出人员进行体温检测,但现有的红外测温结果有时会存在偏差给使用者带来很多的不便利。
发明内容
有鉴于此,本申请实施例提供了一种红外人体测温的校准方法以及装置,用于解决现有技术中现有的红外测温结果存在偏差的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种红外人体测温的校准方法,所述方法包括:
获取图像数据以及红外人体测温结果,将所述图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型,所述图像数据为被测体温者所处环境的图像数据;
将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值;
根据所述预测差值对当前的红外人体测温结果进行校准。
进一步的,所述将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,具体包括:
提取所述图像数据中的像素值,并将所述像素值输入至所述第一模型,经过多层卷积和池化操作,得到图像数据对应的特征表达向量,其中,所述图像数据对应的特征表达向量包括所述图像数据的语义信息。
进一步的,所述将所述图像数据的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型前,所述方法还包括:
获取当前的环境数据,并将当前的环境数据输入至所述第二模型,其中,所述环境数据包括温度数据、湿度数据以及时间数据中的一项或多项。
进一步的,所述将所述图像数据的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型之前,所述方法包括:
获得训练数据,其中,所述训练数据包括多组环境数据、每组环境数据对应的图像数据、每组环境数据对应的红外人体测温结果以及每组红外人体测温结果对应的人体真实温度;
将所述每组环境数据对应的图像数据输入至所述第一模型,得到图像数据对应的特征表达向量;
建立初始的第二模型;
根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型,得出符合预设条件的第二模型。
进一步的,所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型之前,所述方法还包括:
根据预先设定阈值,删除所述训练数据中不符合要求的红外人体测温结果。
进一步的,所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型之前,所述方法还包括:
计算所述训练数据中每组红外人体测温结果与对应的人体真实温度的差值,并将所述训练数据中每组红外人体测温结果与对应的人体真实温度的差值标记为标签数据;
所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型,具体包括:
根据所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,训练初始的第二模型。
进一步的,所述根据所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,训练初始的第二模型,具体包括:
选取多个机器学习回归算法,将所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,输入至多个机器学习回归算法,训练出多个基础模型;
将每个基础模型得出的红外人体测温结果与对应的人体真实温度之间的预测差值,作为新的训练数据,并将新的训练数据输入至上层模型,最终训练出符合预设条件的第二模型。
进一步的,所述回归算法包括线性回归算法、神经网络算法、岭回归算法、决策树回归算法中一种或多种;
所述上层模型包括梯度提升决策树算法、极端梯度提升算法、轻量梯度提升算法中的一种。
进一步的,所述得出符合预设条件的第二模型之后,所述方法还包括:
将所述第一模型与所述第二模型部署在红外人体测温系统中。
本申请实施例还提供一种红外人体测温的校准装置,所述装置包括:
处理单元,用于获取图像数据以及红外人体测温结果,将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型,所述图像数据为被测体温者所处环境的图像数据;
预测单元,用于将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值;
校准单元,用于根据所述预测差值对当前的红外人体测温结果进行校准。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请实施例通过将图像数据对应的特征表达向量与当前的红外人体测温结果同时输入至第二模型,确定出当前红外人体测温结果与对应的人体真实温度之间的预测差值,并根据预测差值对当前的红外人体测温结果进行校准,使得红外人体测温结果更加准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例一提供的一种红外人体测温的校准方法的流程示意图;
图2为本说明书实施例三提供的一种红外人体测温的校准装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有的手持测温仪测量效率低下,并且近距离接触被测量者不利于测量者的安全。现有的红外人体测温系统除了受硬件限制,环境,场景等因素也会显著影响温度测量效果,使得测温准确度存在一定的误差。比如在室外场景,人的体表温度会相对较低,使得测量温度偏低,而室内人员密集场景则使得测量值偏高。现有的红外人体测温无法适用于不同场景。为了解决红外温度测量准确度受非硬件因素影响的问题,本申请实施例提出一种红外人体测温的校准方法。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种红外人体测温的校准方法的流程示意图,本实施例可以由红外人体测温系统执行下述步骤,具体包括:
步骤S101,红外人体测温系统获取图像数据以及红外人体测温结果,将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型。
步骤S102,红外人体测温系统将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值。
步骤S103,红外人体测温系统根据所述预测差值对当前的红外人体测温结果进行校准。
本申请实施例通过将图像数据对应的特征表达向量与当前的红外人体测温结果同时输入至第二模型,确定出当前红外人体测温结果与对应的人体真实温度之间的预测差值,并根据预测差值对当前的红外人体测温结果进行校准,使得红外人体测温结果更加准确。
与上述实施例一对应的,下述为本说明书实施例二提供的一种红外人体测温的校准方法,本实施例可以由红外人体测温系统执行下述步骤,具体包括:
步骤S201,红外人体测温系统获取图像数据以及红外人体测温结果,将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型。
在本说明书实施例的步骤S201中,将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,具体包括:
提取所述图像数据中的像素值,并将所述像素值输入至所述第一模型,经过多层卷积和池化操作,得到图像数据对应的特征表达向量,其中,所述图像数据对应的特征表达向量包括所述图像数据的语义信息。
需要说明的是,图像数据是实现红外人体测温校准的重要特征,其可以反映出测量地点的场景类型,比如,可以判断出当前的测量环境是室外还是室内,工厂还是学校,光照强还是光照弱,人群稀疏还是密集。这些环境在图像数据上的差异和变化是通过图像数据的像素值反映出来的。然而像素值本身无法作为高效的特征表达来构建机器学习模型,因此为了将图像数据中的像素信息进行处理作为模型的输入,本说明书实施例可以利用训练好的卷积神经网络(CNN)分类模型,以图像像素矩阵作为输入,经过多层的卷积和池化操作,最终得到图像数据对应的特征表达向量。图像数据对应的特征表达向量编码了原始图像的语义信息,可以区分和表达不同的环境。本说明书实施例可利用已有的预训练模型如基于ImageNet数据集的预训练模型。同时,本说明书实施例可以不受限于具体的CNN模型类型,常见的算法如VGG、ResNet系列、Inception系列算法均可使用。
步骤S202,红外人体测温系统将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值。
在本说明书实施例的步骤S202中,将所述图像数据的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型前,所述方法还包括:
获取当前的环境数据,并将当前的环境数据输入至所述第二模型,其中,所述环境数据包括温度数据、湿度数据以及时间数据。
需要说明的是,当前的环境数据、图像数据对应的特征表达向量以及可以同时输入至第二模型,也可以先输入图像数据对应的特征表达向量以及可以同时输入至第二模型,再输入当前的环境数据。
进一步的,将所述图像数据的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型之前,所述方法包括:
获得训练数据,其中,所述训练数据包括多组环境数据、每组环境数据对应的图像数据、每组环境数据对应的红外人体测温结果以及每组红外人体测温结果对应的人体真实温度;
将所述每组环境数据对应的图像数据输入至所述第一模型,得到图像数据对应的特征表达向量;
建立初始的第二模型;
根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型,得出符合预设条件的第二模型。
需要说明的是,获取训练数据时,本说明书实施例可以选取不同的环境,比如学校、工厂、小区、车站、商场、超市、办公室,并采集各个环境下不同人员对应的红外人体测温结果和对应的人体真实温度。其中人体真实温度可由其他更准确的测温方式获得,如入耳式测温计。
进一步的,根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型之前,所述方法还包括:
根据预先设定阈值,删除所述训练数据中不符合要求的红外人体测温结果。
需要说明的是,人的体温正常值在36度到37度之间,考虑到红外测温本身的测量误差以及受环境等因素影响,本说明书实施例可以将训练数据中红外人体测温异常的数据提出,比如,将红外人体测温的结果在30度到42度之外的数据清除,以减少数据噪音对机器学习模型的影响。
进一步的,根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型之前,所述方法还包括:
计算所述训练数据中每组红外人体测温结果与对应的人体真实温度的差值,并将所述训练数据中每组红外人体测温结果与对应的人体真实温度的差值标记为标签数据;
所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型,具体包括:
根据所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,训练初始的第二模型。
进一步的,所述根据所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,训练初始的第二模型,具体包括:
选取多个机器学习回归算法,将所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,输入至多个机器学习回归算法,训练出多个基础模型;
将每个基础模型得出的红外人体测温结果与对应的人体真实温度之间的预测差值,作为新的训练数据,并将新的训练数据输入至上层模型,最终训练出符合预设条件的第二模型。
所述回归算法包括线性回归算法、神经网络算法、岭回归算法、决策树回归算法中一种或多种;
所述上层模型包括梯度提升决策树算法、极端梯度提升算法、轻量梯度提升算法中的一种或多种。
进一步的,得出符合预设条件的第二模型之后,所述方法还包括:
将所述第一模型与所述第二模型可以部署在红外人体测温系统中。
需要说明的是,第一模型与第二模型可运行在任何操作系统上,依靠普通的CPU进行推理。以Intel CPU酷睿i5为例,每次的推理速度小于80毫秒,满足实时测量的要求。图像数据特征向量提取由于基于卷积神经网络,需要GPU进行加速,在含有独立显卡的设备上可快速处理。在不含独立显卡的设备上,由于场景图像比较固定,在部署时可以预先计算提取图像数据的特征表达向量并存储,在应用的时候直接调用即可。
步骤S203,红外人体测温系统根据所述预测差值对当前的红外人体测温结果进行校准。
需要说明的是,本申请实施例采用数据驱动的方式,利用机器学习技术学习测量环境场景与测量温差之间的关联关系,从而对红外人体测温进行校准。
需要说明的是,本申请实施例可以感知不同场景不同环境下红外人体测温结果与人体真实温度之间的差异,大大降低环境因素对红外测温准确度的影响,本说明书实施例提到的环境因素可以包括场景、环境温度、环境湿度以及时间。
本申请实施例通过将图像数据对应的特征表达向量与当前的红外人体测温结果同时输入至第二模型,确定出当前红外人体测温结果与对应的人体真实温度之间的预测差值,并根据预测差值对当前的红外人体测温结果进行校准,使得红外人体测温结果更加准确。
与上述实施例二对应的,图2为本说明书实施例三提供的一种红外人体测温的校准装置的结构示意图,具体包括:处理单元1、预测单元2与校准单元3。处理单元1用于获取图像数据以及红外人体测温结果,将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型,所述图像数据为被测体温者所处环境的图像数据。
预测单元2用于将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值。
校准单元3用于根据所述预测差值对当前的红外人体测温结果进行校准。
本申请实施例通过将图像数据对应的特征表达向量与当前的红外人体测温结果同时输入至第二模型,确定出当前红外人体测温结果与对应的人体真实温度之间的预测差值,并根据预测差值对当前的红外人体测温结果进行校准,使得红外人体测温结果更加准确。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种红外人体测温的校准方法,其特征在于,所述方法包括:
获取图像数据以及红外人体测温结果,将所述图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型,所述图像数据为被测体温者所处环境的图像数据;
将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值;
根据所述预测差值对当前的红外人体测温结果进行校准。
2.根据权利要求1所述的红外人体测温的校准方法,其特征在于,所述将图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,具体包括:
提取所述图像数据中的像素值,并将所述像素值输入至所述第一模型,经过多层卷积和池化操作,得到图像数据对应的特征表达向量,其中,所述图像数据对应的特征表达向量包括所述图像数据的语义信息。
3.根据权利要求1所述的红外人体测温的校准方法,其特征在于,所述将所述图像数据的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型前,所述方法还包括:
获取当前的环境数据,并将当前的环境数据输入至所述第二模型,其中,所述环境数据包括温度数据、湿度数据以及时间数据中的一项或多项。
4.根据权利要求3所述的红外人体测温的校准方法,其特征在于,所述将所述图像数据的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型之前,所述方法包括:
获得训练数据,其中,所述训练数据包括多组环境数据、每组环境数据对应的图像数据、每组环境数据对应的红外人体测温结果以及每组红外人体测温结果对应的人体真实温度;
将所述每组环境数据对应的图像数据输入至所述第一模型,得到图像数据对应的特征表达向量;
建立初始的第二模型;
根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型,得出符合预设条件的第二模型。
5.根据权利要求4所述的红外人体测温的校准方法,其特征在于,所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型之前,所述方法还包括:
根据预先设定阈值,删除所述训练数据中不符合要求的红外人体测温结果。
6.根据权利要求4所述的红外人体测温的校准方法,其特征在于,所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型之前,所述方法还包括:
计算所述训练数据中每组红外人体测温结果与对应的人体真实温度的差值,并将所述训练数据中每组红外人体测温结果与对应的人体真实温度的差值标记为标签数据;
所述根据所述训练数据中的多组环境数据、每组环境数据对应的红外人体测温结果、每组红外人体测温结果对应的人体真实温度以及图像数据对应的特征表达向量,训练初始的第二模型,具体包括:
根据所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,训练初始的第二模型。
7.根据权利要求6所述的红外人体测温的校准方法,其特征在于,所述根据所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,训练初始的第二模型,具体包括:
选取多个机器学习回归算法,将所述训练数据中的多组环境数据、图像数据对应的特征表达向量以及所述标签数据,输入至多个机器学习回归算法,训练出多个基础模型;
将每个基础模型得出的红外人体测温结果与对应的人体真实温度之间的预测差值,作为新的训练数据,并将新的训练数据输入至上层模型,最终训练出符合预设条件的第二模型。
8.根据权利要求7所述的红外人体测温的校准方法,其特征在于,所述回归算法包括线性回归算法、神经网络算法、岭回归算法、决策树回归算法中一种或多种;
所述上层模型包括梯度提升决策树算法、极端梯度提升算法、轻量梯度提升算法中的一种。
9.根据权利要求4所述的红外人体测温的校准方法,其特征在于,所述得出符合预设条件的第二模型之后,所述方法还包括:
将所述第一模型与所述第二模型部署在红外人体测温系统中。
10.一种红外人体测温的校准装置,其特征在于,所述装置包括:
处理单元,用于获取图像数据以及红外人体测温结果,将所述图像数据输入至预先训练的第一模型,得到所述图像数据对应的特征表达向量,其中,所述第一模型为卷积神经网络分类模型,所述图像数据为被测体温者所处环境的图像数据;
预测单元,用于将所述图像数据对应的特征表达向量与当前的红外人体测温结果输入至预先训练的第二模型,确定出当前的红外人体测温结果与对应的人体真实温度之间的预测差值;
校准单元,用于根据所述预测差值对当前的红外人体测温结果进行校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167209.2A CN111458030B (zh) | 2020-03-11 | 2020-03-11 | 一种红外人体测温的校准方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167209.2A CN111458030B (zh) | 2020-03-11 | 2020-03-11 | 一种红外人体测温的校准方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111458030A true CN111458030A (zh) | 2020-07-28 |
CN111458030B CN111458030B (zh) | 2021-04-09 |
Family
ID=71676952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167209.2A Active CN111458030B (zh) | 2020-03-11 | 2020-03-11 | 一种红外人体测温的校准方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111458030B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036504A (zh) * | 2020-09-15 | 2020-12-04 | 平安国际智慧城市科技股份有限公司 | 温度测量模型的训练方法、装置、设备及存储介质 |
CN112067163A (zh) * | 2020-08-12 | 2020-12-11 | 深圳市谷德科技有限公司 | 一种温度修正方法、装置及电子设备 |
CN112146761A (zh) * | 2020-08-14 | 2020-12-29 | 上海数川数据科技有限公司 | 一种基于机器学习的人体测温补偿方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104665840A (zh) * | 2015-03-02 | 2015-06-03 | 桂林麦迪胜电子科技有限公司 | 无创血糖测量方法及指端测量探头 |
US20160113493A1 (en) * | 2014-10-25 | 2016-04-28 | ARC Devices, Ltd | Hand-held medical-data capture-device having variation amplification and having detection of body core temperature by a microprocessor from a digital infrared sensor and interoperation with electronic medical record systems via an authenticated communication channel |
CN105962906A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 一种体温测量方法及装置 |
CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警系统 |
US20180235468A1 (en) * | 2017-02-21 | 2018-08-23 | VVV IP Holdings Limited | Multi-Vital-Sign Smartphone System in an Electronic Medical Records System |
CN108844651A (zh) * | 2018-05-06 | 2018-11-20 | 北京工业大学 | 一种基于神经网络的球仓温度预警方法 |
CN109738079A (zh) * | 2019-01-28 | 2019-05-10 | 成都启康医疗器械有限公司 | 一种多探头表面温度精准预测技术 |
CN109781284A (zh) * | 2018-12-28 | 2019-05-21 | 武汉高德智感科技有限公司 | 一种基于网络数据纠偏的人体温度筛查方法 |
CN110017901A (zh) * | 2019-04-01 | 2019-07-16 | 华北电力大学 | 一种电力系统中电气设备运行状态的红外图谱诊断方法 |
CN110160670A (zh) * | 2019-05-05 | 2019-08-23 | 深圳中集智能科技有限公司 | 人体体温检测装置 |
CN110307903A (zh) * | 2019-06-28 | 2019-10-08 | 广西慧云信息技术有限公司 | 一种家禽特定部位无接触温度动态测量的方法 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
-
2020
- 2020-03-11 CN CN202010167209.2A patent/CN111458030B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160113493A1 (en) * | 2014-10-25 | 2016-04-28 | ARC Devices, Ltd | Hand-held medical-data capture-device having variation amplification and having detection of body core temperature by a microprocessor from a digital infrared sensor and interoperation with electronic medical record systems via an authenticated communication channel |
CN104665840A (zh) * | 2015-03-02 | 2015-06-03 | 桂林麦迪胜电子科技有限公司 | 无创血糖测量方法及指端测量探头 |
CN105962906A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 一种体温测量方法及装置 |
US20180235468A1 (en) * | 2017-02-21 | 2018-08-23 | VVV IP Holdings Limited | Multi-Vital-Sign Smartphone System in an Electronic Medical Records System |
CN108389137A (zh) * | 2018-02-06 | 2018-08-10 | 国网山西省电力公司电力科学研究院 | 基于红外图谱技术的电力故障诊断预警系统 |
CN108844651A (zh) * | 2018-05-06 | 2018-11-20 | 北京工业大学 | 一种基于神经网络的球仓温度预警方法 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN109781284A (zh) * | 2018-12-28 | 2019-05-21 | 武汉高德智感科技有限公司 | 一种基于网络数据纠偏的人体温度筛查方法 |
CN109738079A (zh) * | 2019-01-28 | 2019-05-10 | 成都启康医疗器械有限公司 | 一种多探头表面温度精准预测技术 |
CN110017901A (zh) * | 2019-04-01 | 2019-07-16 | 华北电力大学 | 一种电力系统中电气设备运行状态的红外图谱诊断方法 |
CN110160670A (zh) * | 2019-05-05 | 2019-08-23 | 深圳中集智能科技有限公司 | 人体体温检测装置 |
CN110307903A (zh) * | 2019-06-28 | 2019-10-08 | 广西慧云信息技术有限公司 | 一种家禽特定部位无接触温度动态测量的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067163A (zh) * | 2020-08-12 | 2020-12-11 | 深圳市谷德科技有限公司 | 一种温度修正方法、装置及电子设备 |
CN112146761A (zh) * | 2020-08-14 | 2020-12-29 | 上海数川数据科技有限公司 | 一种基于机器学习的人体测温补偿方法 |
CN112036504A (zh) * | 2020-09-15 | 2020-12-04 | 平安国际智慧城市科技股份有限公司 | 温度测量模型的训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111458030B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458030B (zh) | 一种红外人体测温的校准方法以及装置 | |
CN112329680B (zh) | 基于类激活图的半监督遥感影像目标检测和分割方法 | |
CN108418825A (zh) | 风险模型训练、垃圾账号检测方法、装置以及设备 | |
CN108320296A (zh) | 一种视频中目标对象的检测跟踪方法、装置及设备 | |
CN112598091B (zh) | 一种训练模型和小样本分类的方法及装置 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN112183326A (zh) | 人脸年龄识别模型训练方法及相关装置 | |
CN111401062A (zh) | 文本的风险识别方法、装置及设备 | |
CN111652286A (zh) | 一种基于图嵌入的物体识别方法、设备及介质 | |
CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117332282B (zh) | 一种基于知识图谱的事件匹配的方法及装置 | |
CN113838135A (zh) | 基于lstm双流卷积神经网络的位姿估计方法、系统及介质 | |
CN112131884B (zh) | 用于实体分类的方法和装置、用于实体呈现的方法和装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN113239883A (zh) | 分类模型的训练方法、装置、电子设备以及存储介质 | |
CN113065634A (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN112527959A (zh) | 基于无池化卷积嵌入和注意分布神经网络的新闻分类方法 | |
CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
CN113139540B (zh) | 背板检测方法及设备 | |
CN111782813B (zh) | 一种用户社群的评价方法、装置及设备 | |
US11514311B2 (en) | Automated data slicing based on an artificial neural network | |
CN111986274A (zh) | 一种西瓜成熟状态检测方法、设备及介质 | |
CN110598028B (zh) | 图像分类方法、装置及存储介质、电子设备 | |
CN116384515B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
KR20200080792A (ko) | 기계학습 기반한 의약품 사용량 예측 방법 및 예측 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220114 Address after: 223005 Haichuang space 608, No. 12, Tongyuan Road, Huai'an Economic and Technological Development Zone, Huai'an City, Jiangsu Province Patentee after: Huarui Zhiyuan Technology (Jiangsu) Co.,Ltd. Address before: Room 91818, 9 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100083 Patentee before: HUARUI XINZHI TECHNOLOGY (BEIJING) Co.,Ltd. |
|
TR01 | Transfer of patent right |