CN111652052A - 一种疫情防控方法、设备及介质 - Google Patents
一种疫情防控方法、设备及介质 Download PDFInfo
- Publication number
- CN111652052A CN111652052A CN202010315625.2A CN202010315625A CN111652052A CN 111652052 A CN111652052 A CN 111652052A CN 202010315625 A CN202010315625 A CN 202010315625A CN 111652052 A CN111652052 A CN 111652052A
- Authority
- CN
- China
- Prior art keywords
- epidemic situation
- epidemic
- detection model
- going out
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002265 prevention Effects 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000011176 pooling Methods 0.000 claims abstract description 39
- 230000001681 protective effect Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 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
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请公开了一种疫情防控方法、设备及介质,包括:将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。在本申请实施例中,疫情防疫系统可以通过疫情检测模型,判断出入人员是否佩戴疫情相关的防护设备,进而保证出入人员的防疫安全,可以提高检测速度;此外,本申请实施例通过疫情防疫系统检测出入人员是否佩戴疫情相关的防护设备,避免检测人员与出入人员接触,可以更好的保护检测人员不被疫情感染。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种疫情防控方法、设备及介质。
背景技术
在疫情发生期间,为了更好的进行疫情防控,进出小区、商场等人员密集的地方需要佩戴疫情相关的防护设备。现有技术中,大都采用人工检查的方式,在小区、商场等人员密集的地方检查出入人员是否佩戴疫情相关的防护设备,但这种方式效率较低,而且检查人员也有感染的风险。因此,需要一种更加安全、快速的方法,在小区、商场等人员密集的地方检查出入人员是否佩戴疫情相关的防护设备。
发明内容
有鉴于此,本申请实施例提供了一种疫情防控方法、设备及介质,用于解决背景技术中存在的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种疫情防控方法,所述方法包括:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
进一步的,所述将出入人员的图像输入至预先训练的疫情检测模型之前,所述方法还包括:
获取样本集,其中,所述样本集包括多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像;
根据样本集中的图像是否佩戴疫情相关防护设备进行标注;
建立初始的疫情检测模型;
根据标注后的样本集训练初始的疫情检测模型,得出符合预设条件的疫情检测模型。
进一步的,所述获取样本集之后,所述方法还包括:
将多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像进行降噪、二值化、字符切分以及归一化处理,并将处理后的多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像输入图像处理器,以便于得出预设尺寸的多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像。
进一步的,所述根据标注后的样本集训练初始的疫情检测模型,得出符合预设条件的疫情检测模型,具体包括:
将标注后的样本集按照预先设定的比例划分为训练测试集与验证集;
根据十折交叉验证法队训练测试集进行验证和划分,将第一预设比例的所述训练测试集划分为测试集,并将第二预设比例的所述训练测试集划分为训练集
根据所述训练集与所述测试集训练初始的疫情检测模型;
根据投票法筛选通过所述训练集与所述测试集训练出的第一疫情检测模型,将所述验证集输入至第一疫情检测模型,并根据代价函数确定出第一疫情检测模型的代价值;
若所述代价值处于预设阈值,所述第一疫情检测模型为符合条件的疫情检测模型。
进一步的,所述根据所述训练集与所述测试集训练初始的疫情检测模型,具体包括:
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型,经过多次卷积操作、多次池化操作及全连接操作,并通过预先建立的代价函数输出多个预测结果。
进一步的,所述将所述训练集与所述测试集中的图像输入至初始的疫情检测模型,经过多次卷积操作、多次池化操作及全连接操作,并通过预先建立的代价函数输出多个预测结果,具体包括:
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型后,第一,经过64个尺寸为3x3的卷积核作两次卷积操作;第二,经过尺寸为2x2的池化操作;第三,经过128个尺寸为3x3的卷积核作两次卷积操作;第四,经过尺寸为2x2的池化操作;第五,经过256个尺寸为3x3的卷积核作三次卷积操作;第六,经过尺寸为2x2的池化操作;第七,经过512个尺寸为3x3的卷积核作三次卷积操作;第八,经过尺寸为2x2的池化操作;第九,经过512个尺寸为3x3的卷积核作三次卷积操作;第十,经过尺寸为2x2的池化操作;第十一,与两层1x1x4096,一层1x1x1000和一层1x1x2进行全连接操作;第十二,通过所述代价函数输出多个预测结果。
进一步的,所述代价函数为归一化指数函数。
进一步的,所述建立初始的疫情检测模型之后,所述方法还包括:
根据batch-normal、prelu激活函数或dropout对初始的疫情检测模型进行优化。
本申请实施例还提供一种疫情防控设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
本申请实施例还提供一种疫情防控介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
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:在本申请实施例中,疫情防疫系统可以通过疫情检测模型,判断出入人员是否佩戴疫情相关的防护设备,进而保证出入人员的防疫安全,可以提高检测速度;此外,本申请实施例通过疫情防疫系统检测出入人员是否佩戴疫情相关的防护设备,避免检测人员与出入人员接触,可以更好的保护检测人员不被疫情感染。
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疫情防控方法的流程示意图;
图2为本说明书实施例二提供的一种疫情防控方法的流程示意图。
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。
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疫情防控方法的流程示意图,本说明书实施例可以由疫情防疫系统执行下述步骤,具体包括:
步骤S101,疫情防疫系统将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层。
步骤S102,疫情防疫系统若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
在本申请实施例中,疫情防疫系统可以通过疫情检测模型,判断出入人员是否佩戴疫情相关的防护设备,进而保证出入人员的防疫安全,可以提高检测速度;此外,本申请实施例通过疫情防疫系统检测出入人员是否佩戴疫情相关的防护设备,避免检测人员与出入人员接触,可以更好的保护检测人员不被疫情感染。
与上述实施例一相对应的是,图2为本说明书实施例二提供的一种疫情防控方法的流程示意图,本说明书实施例可以由疫情防疫系统执行下述步骤,具体包括:
步骤S201,疫情防疫系统获取样本集,其中,所述样本集包括多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像。
在本说明书实施例的步骤S201中,可以利用小区、超市、公司等监控摄像头收集大量人员图像(该图像分为两类:佩戴疫情相关的防护设备的图像和未佩戴疫情相关的防护设备的图像)。疫情相关的防护设备可以包括口罩和防护服以及防护手套。
进一步的,本步骤之后,所述方法还包括:
将多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像进行降噪、二值化、字符切分以及归一化处理,并将处理后的多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像输入图像处理器,以便于得出预设尺寸的多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像。其中,预设尺寸可以为224x224x3。
步骤S202,疫情防疫系统根据样本集中的图像是否佩戴疫情相关防护设备进行标注。
步骤S203,疫情防疫系统建立初始的疫情检测模型。
在本说明书实施例的步骤S203中,本步骤之后,所述方法还包括:
根据batch-normal、prelu激活函数或dropout对初始的疫情检测模型进行优化,以防止过拟合、梯度消失、梯度爆炸等问题。
步骤S204,疫情防疫系统根据标注后的样本集训练初始的疫情检测模型,得出符合预设条件的疫情检测模型。
所述根据标注后的样本集训练初始的疫情检测模型,得出符合预设条件的疫情检测模型,具体包括:
将标注后的样本集按照预先设定的比例划分为训练测试集与验证集,训练集可以按照1:5划分成训练测试集和验证集;
根据十折交叉验证法队训练测试集进行验证和划分,将第一预设比例的所述训练测试集划分为测试集,并将第二预设比例的所述训练测试集划分为训练集,比如,训练测试集中的十分之一可以作为测试集,剩余的十分之九可以作为训练集;
根据所述训练集与所述测试集训练初始的疫情检测模型;
根据投票法筛选通过所述训练集与所述测试集训练出的第一疫情检测模型,将所述验证集输入至第一疫情检测模型,并根据代价函数确定出第一疫情检测模型的代价值;
若所述代价值处于预设阈值,所述第一疫情检测模型为符合条件的疫情检测模型。
进一步的,根据所述训练集与所述测试集训练初始的疫情检测模型,具体包括:
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型,经过多次卷积操作、多次池化操作及全连接操作,并通过预先建立的代价函数输出多个预测结果。
进一步的,所述将所述训练集与所述测试集中的图像输入至初始的疫情检测模型,经过多次卷积操作、多次池化操作及全连接操作,并通过预先建立的代价函数输出多个预测结果,具体包括:
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型后,第一,经过64个尺寸为3x3的卷积核作两次卷积操作;第二,经过尺寸为2x2的池化操作;第三,经过128个尺寸为3x3的卷积核作两次卷积操作;第四,经过尺寸为2x2的池化操作;第五,经过256个尺寸为3x3的卷积核作三次卷积操作;第六,经过尺寸为2x2的池化操作;第七,经过512个尺寸为3x3的卷积核作三次卷积操作;第八,经过尺寸为2x2的池化操作;第九,经过512个尺寸为3x3的卷积核作三次卷积操作;第十,经过尺寸为2x2的池化操作;第十一,与两层1x1x4096,一层1x1x1000和一层1x1x2进行全连接操作;第十二,通过所述代价函数输出多个预测结果。
进一步的,将所述训练集与所述测试集中的图像输入至初始的疫情检测模型后,具体的,第一,可以输入224x224x3的图片,经64个3x3的卷积核作两次卷积操作后,进行线性整流函数(Rectified Linear Unit,ReLU),卷积后图像的尺寸变为224x224x64;第二,经过尺寸为2x2的池化操作(max pooling),效果为图像尺寸减半,池化后图像的尺寸变为112x112x64;第三,经128个3x3的卷积核作两次卷积操作后,进行线性整流函数,卷积后图像尺寸变为112x112x128;第四,经过尺寸为2x2的池化操作,图像尺寸变为56x56x128;第五,经过256个尺寸为3x3的卷积核作三次卷积操作后,进行线性整流函数,卷积后图像尺寸变为56x56x256;第六,经过尺寸为2x2的池化操作,图像尺寸变为28x28x256;第七,经过256个尺寸为3x3的卷积核作三次卷积操作后,进行线性整流函数,图像尺寸变为28x28x512;第八,经过尺寸为2x2的池化操作,图像尺寸变为14x14x512;第九,经过256个尺寸为3x3的卷积核作三次卷积操作后,进行线性整流函数,图像尺寸变为14x14x512;第十,经过尺寸为2x2的池化操作,图像尺寸变为7x7x512;第十一,与两层1x1x4096,一层1x1x1000和一层1x1x2进行全连接操作后,进行线性整流函数;第十二,通过代价函数(softmax)可以输出2个预测结果。
需要说明的是,代价函数可以为归一化指数函数。
步骤S205,疫情防疫系统将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层。
步骤S206,疫情防疫系统若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
需要说明的是,可以使用opencv读取出入人员的图像,预处理后输入到预先训练的疫情检测模型,得到该出入人员是否佩戴疫情相关的防护设备,当出入人员未佩戴疫情相关的防护设备时,可以在显示器显示出提示内容。
Opencv可以将出入人员的图像处理成统一规格的格式,以便疫情检测模型进行检测。
在本申请实施例中,疫情防疫系统可以通过疫情检测模型,判断出入人员是否佩戴疫情相关的防护设备,进而保证出入人员的防疫安全,可以提高检测速度;此外,本申请实施例通过疫情防疫系统检测出入人员是否佩戴疫情相关的防护设备,避免检测人员与出入人员接触,可以更好的保护检测人员不被疫情感染。
本申请实施例还提供一种疫情防控设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
本申请实施例还提供一种疫情防控介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
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 Specific Integrated 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:ARC 625D、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 (8)
1.一种疫情防控方法,其特征在于,所述方法包括:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
2.根据权利要求1所述的疫情防控方法,其特征在于,所述将出入人员的图像输入至预先训练的疫情检测模型之前,所述方法还包括:
获取样本集,其中,所述样本集包括多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像;
根据样本集中的图像是否佩戴疫情相关防护设备进行标注;
建立初始的疫情检测模型;
根据标注后的样本集训练初始的疫情检测模型,得出符合预设条件的疫情检测模型。
3.根据权利要求2所述的疫情防控方法,其特征在于,所述根据标注后的样本集训练初始的疫情检测模型,得出符合预设条件的疫情检测模型,具体包括:
将标注后的样本集按照预先设定的比例划分为训练测试集与验证集;
根据十折交叉验证法队训练测试集进行验证和划分,将第一预设比例的所述训练测试集划分为测试集,并将第二预设比例的所述训练测试集划分为训练集
根据所述训练集与所述测试集训练初始的疫情检测模型;
根据投票法筛选通过所述训练集与所述测试集训练出的第一疫情检测模型,将所述验证集输入至第一疫情检测模型,并根据代价函数确定出第一疫情检测模型的代价值;
若所述代价值处于预设阈值,所述第一疫情检测模型为符合条件的疫情检测模型。
4.根据权利要求3所述的疫情防控方法,其特征在于,所述根据所述训练集与所述测试集训练初始的疫情检测模型,具体包括:
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型,经过多次卷积操作、多次池化操作及全连接操作,并通过预先建立的代价函数输出多个预测结果。
5.根据权利要求4所述的疫情防控方法,其特征在于,所述将所述训练集与所述测试集中的图像输入至初始的疫情检测模型,经过多次卷积操作、多次池化操作及全连接操作,并通过预先建立的代价函数输出多个预测结果,具体包括:
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型后,第一,经过64个尺寸为3x3的卷积核作两次卷积操作;第二,经过尺寸为2x2的池化操作;第三,经过128个尺寸为3x3的卷积核作两次卷积操作;第四,经过尺寸为2x2的池化操作;第五,经过256个尺寸为3x3的卷积核作三次卷积操作;第六,经过尺寸为2x2的池化操作;第七,经过512个尺寸为3x3的卷积核作三次卷积操作;第八,经过尺寸为2x2的池化操作;第九,经过512个尺寸为3x3的卷积核作三次卷积操作;第十,经过尺寸为2x2的池化操作;第十一,与两层1x1x4096,一层1x1x1000和一层1x1x2进行全连接操作;第十二,通过所述代价函数输出多个预测结果。
6.根据权利要求3所述的疫情防控方法,其特征在于,所述代价函数为归一化指数函数。
7.一种疫情防控设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
8.一种疫情防控介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将出入人员的图像输入至预先训练的疫情检测模型,以便判断所述出入人员是否佩戴疫情相关的防护设备,其中,所述疫情检测模型包括卷积层、池化层以及全连接层;
若确定出所述出入人员未佩戴疫情相关的防护设备,提示所述出入人员佩戴疫情相关的防护设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315625.2A CN111652052A (zh) | 2020-04-21 | 2020-04-21 | 一种疫情防控方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315625.2A CN111652052A (zh) | 2020-04-21 | 2020-04-21 | 一种疫情防控方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652052A true CN111652052A (zh) | 2020-09-11 |
Family
ID=72346507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315625.2A Pending CN111652052A (zh) | 2020-04-21 | 2020-04-21 | 一种疫情防控方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115188121A (zh) * | 2022-07-20 | 2022-10-14 | 中国银行股份有限公司 | 防疫信息检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052900A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过监控视频自动判断着装规范的方法 |
CN109086716A (zh) * | 2018-08-01 | 2018-12-25 | 北京嘀嘀无限科技发展有限公司 | 一种安全带佩戴检测的方法及装置 |
CN109101923A (zh) * | 2018-08-14 | 2018-12-28 | 罗普特(厦门)科技集团有限公司 | 一种人员佩戴口罩情况的检测方法以及装置 |
CN110458075A (zh) * | 2019-08-05 | 2019-11-15 | 北京泰豪信息科技有限公司 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN110688893A (zh) * | 2019-08-22 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 佩戴安全帽的检测方法、模型训练方法及相关装置 |
-
2020
- 2020-04-21 CN CN202010315625.2A patent/CN111652052A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052900A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过监控视频自动判断着装规范的方法 |
CN109086716A (zh) * | 2018-08-01 | 2018-12-25 | 北京嘀嘀无限科技发展有限公司 | 一种安全带佩戴检测的方法及装置 |
CN109101923A (zh) * | 2018-08-14 | 2018-12-28 | 罗普特(厦门)科技集团有限公司 | 一种人员佩戴口罩情况的检测方法以及装置 |
CN110458075A (zh) * | 2019-08-05 | 2019-11-15 | 北京泰豪信息科技有限公司 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
CN110688893A (zh) * | 2019-08-22 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 佩戴安全帽的检测方法、模型训练方法及相关装置 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115188121A (zh) * | 2022-07-20 | 2022-10-14 | 中国银行股份有限公司 | 防疫信息检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358157B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
CN108154211B (zh) | 二维码生成、业务处理方法、装置和设备以及二维码 | |
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN112800468B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN112036236A (zh) | 一种基于GhostNet的检测模型的训练方法、设备及介质 | |
CN112347512A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111652052A (zh) | 一种疫情防控方法、设备及介质 | |
CN111652286A (zh) | 一种基于图嵌入的物体识别方法、设备及介质 | |
CN111652053A (zh) | 一种员工考勤方法、设备及介质 | |
CN111753662A (zh) | 一种交通事故处理方法、设备及介质 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN116188895A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN112446228B (zh) | 视频检测方法、装置、电子设备及计算机存储介质 | |
Kulyukin et al. | An algorithm for mobile vision-based localization of skewed nutrition labels that maximizes specificity | |
CN114663700A (zh) | 一种虚拟资源的推送方法、装置以及设备 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN109584088B (zh) | 产品信息的推送方法及装置 | |
CN110598028B (zh) | 图像分类方法、装置及存储介质、电子设备 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN111652074A (zh) | 一种人脸识别方法、装置、设备及介质 | |
CN111523539A (zh) | 一种文字检测方法及装置 | |
CN115035407A (zh) | 一种图像中对象的识别方法、装置和设备 | |
CN117972436B (zh) | 大语言模型的训练方法、训练装置、存储介质及电子设备 | |
CN111986274A (zh) | 一种西瓜成熟状态检测方法、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |