CN111738681A - 一种基于深度学习及智能插座的消毒行为智能判定系统及方法 - Google Patents
一种基于深度学习及智能插座的消毒行为智能判定系统及方法 Download PDFInfo
- Publication number
- CN111738681A CN111738681A CN202010554900.6A CN202010554900A CN111738681A CN 111738681 A CN111738681 A CN 111738681A CN 202010554900 A CN202010554900 A CN 202010554900A CN 111738681 A CN111738681 A CN 111738681A
- Authority
- CN
- China
- Prior art keywords
- disinfection
- data
- intelligent
- judgment
- deep learning
- 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
- 238000004659 sterilization and disinfection Methods 0.000 title claims abstract description 154
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 230000006399 behavior Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 59
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 210000000746 body region Anatomy 0.000 claims 1
- 230000001954 sterilising effect Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 3
- 230000000249 desinfective effect Effects 0.000 description 2
- 239000002241 glass-ceramic Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Apparatus For Disinfection Or Sterilisation (AREA)
Abstract
本发明公开了一种基于深度学习及智能插座的消毒行为智能判定系统及方法，本发明的行为判断依据包括两方面的数据：一方面来自基于深度学习的图像识别技术获取的消毒间保洁人员的工作数据，另一方面来自智能插座上报的消毒柜的工作数据。应用服务器运用数据融合技术将这两者数据进行融合判断，得出消毒间当日是否进行正常消毒的判定结果，确保了结果的准确性和规范性。最后通过应用平台，集中展示各个酒店每日消毒工作完成情况。本发明可实现酒店的远程智能监管，精确掌握酒店的杯具清洗情况，提高监管效率和服务质量。
Description
技术领域
本发明涉及行为识别技术领域，尤其涉及一种基于深度学习及智能插座的消毒行为智能判定系统及方法。
背景技术
酒店的卫生清洁工作事关广大消费者利益和安全，其中对玻璃陶瓷等器具的清洗消毒是酒店卫生清洁工作的重要组成部分。按照规定酒店应对其提供给房客的玻璃陶瓷等器具定期进行清洗和消毒，然而由于实际工作情况却难以了解和监督，管理者往往难以对此项工作做到有效监管。因此，为能给管理者提供有关酒店消毒工作的准确实时的信息，确保酒店工作人员能每日按照规范将酒店使用过后的器具清洗消毒，亟需一种智能的判定方法和系统来自动获取并评定酒店每日消毒工作情况。
发明内容
本发明目的在于针对现有技术的不足，提出一种基于深度学习及智能插座的消毒行为智能判定系统及方法，完成对酒店消毒工作的自动检测及评价。
本发明的目的是通过以下技术方案来实现的：一种基于深度学习及智能插座的消毒行为智能判定系统，包括数据采集系统、服务端、应用平台端。
所述数据采集系统包括视频图像数据采集系统和消毒柜数据采集系统；所述视频图像数据采集系统采集消毒间内工作人员的视频图像；所述消毒柜数据采集系统采集消毒柜电源工作数据；
所述数据采集系统将采集到的数据通过网络传输至所述服务端；所述服务端根据所述视频图像数据采集系统提供的视频图像，利用基于深度学习的人体识别神经网络模型，判断视频图像中是否有保洁人员，并得出保洁人员的工作数据，包括保洁人员的工作时间段和工作时长的数据，将所述保洁人员的工作数据和所述消毒柜工作数据进行融合判断，包括保洁人员消毒操作的绝对时间长度的判断，以及保洁人员的工作数据和消毒柜工作数据的时间相关度的判断，最终得出消毒间当日是否进行正常消毒的判定；所述服务端将获得的消毒间的消毒结果传输到应用平台端进行展示和通知。
进一步地，所述数据采集系统中的视频图像采集系统利用安装在消毒间的监控摄像头获取消毒间视频图像数据，所述服务端获取视频数据后先将视频按秒截成图片，再输入到人体识别神经网络模型中进行识别，判断是否有保洁人员进行清洗消毒工作，得出保洁人员清洗消毒工作的时间段和时长的数据；所述数据采集系统中的消毒柜数据采集系统利用连接消毒柜电源的智能插座实时获取消毒柜使用时间段和时长的数据，所述智能插座记录消毒柜使用时间段和时长并将结果自动上报给所述服务端。
进一步地，对视频的每秒图片进行输入到人体识别神经网络模型之前，先通过图片RGB值判断图片中的场景是否为消毒间开灯情况的图片，确认是开灯情况下的图片后再将该图片输入神经网络识别，神经网络给出疑似人体区域画面的置信度，当置信度大于设定的阀值才认为该图片中存在人。
进一步地，所述设定的阈值需要满足人体识别神经网络模型不发生漏检或多检的情况；所述漏检即有人未检出，所述多检即没人错检出人。
进一步地，所述人体识别神经网络模型为采用深度学习算法得到并训练后的卷积神经网络模型，用于根据图像的人体识别来判断消毒间内是否有工作人员进行器具的清洗消毒工作。
进一步地，所述保洁人员的工作数据和消毒柜工作数据的时间相关度具体为：保洁人员工作时间段和消毒柜工作时间段重合10秒以上则二者时间相关。
进一步地，所述应用平台端在接收所述服务端提供的消毒间的消毒结果后，将展示消毒间的消毒时间段及时长，保洁人员进行消毒工作的截图及视频片段，及消毒间消毒工作整体评价。
进一步地，所述应用平台端根据设置的通知或报警条件，通过短信、微信、邮件等形式通知管理人员及卫生执法监督人员，作出相应处理。
一种基于消毒行为智能判定系统的判定方法，其特征在于，该方法包括以下步骤：
(1)通过数据采集系统中的视频图像数据采集系统采集消毒间内工作人员的视频图像；并通过消毒柜数据采集系统采集消毒柜电源工作数据；将数据采集系统采集到的数据通过网络传输至服务端；
(2)服务端将视频图像和消毒柜电源工作数据输入至基于深度学习的人体识别神经网络模型，判断视频图像中是否有保洁人员，并得出保洁人员的工作数据，然后将所述保洁人员的工作数据和所述消毒柜工作数据进行融合判断，最终输出消毒结果，即消毒间当日是否进行正常消毒的判定；
(3)服务端将获得的消毒间的消毒结果传输到应用平台端进行展示和通知。
本发明的有益效果：
本发明可实现酒店的远程智能监管，和传统的抽检监管相比，卫生监督部门能够大大提高对辖区内酒店的监管效率。本发明还可以精确掌握酒店的杯具清洗工作情况，使得酒店管理员可以加强内部管理，提高服务质量。酒店入住人员也可以查看自己入住酒店的杯具清洗消毒情况，大大提高消费信心。
附图说明
图1为本发明的方法流程图；
图2为本发明运行原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面将参照附图和具体实施例对本发明作进一步的说明。
如图1和图2所示，本发明提供一种基于深度学习及智能插座的消毒行为智能判定系统，包括数据采集系统、服务端、应用平台端。
所述数据采集系统包括视频图像数据采集系统和消毒柜数据采集系统；所述数据采集系统中的视频图像采集系统利用安装在消毒间的监控摄像头获取消毒间内工作人员的视频图像；所述消毒柜数据采集系统利用连接消毒柜电源的智能插座实时获取消毒柜电源工作数据，包括使用时间段和时长的数据，所述智能插座智能插座连接NB-IoT网络，记录消毒柜使用时间段和时长并将结果自动上报给所述服务端。
所述数据采集系统将采集到的数据通过网络传输至所述服务端；所述服务端获取视频数据后先通过图片RGB值判断图片中的场景是否为消毒间开灯情况的图片，确认是开灯情况下的图片后再将视频按秒截成图片，输入到基于深度学习的人体识别神经网络模型中进行识别，所述人体识别神经网络模型为采用深度学习算法得到并训练后的卷积神经网络模型，用于根据图像的人体识别来判断消毒间内是否有工作人员进行器具的清洗消毒工作，本实施例中为RFB-Net神经网络模型。
人体识别神经网络模型的训练中，选取八千多张包含不同摄像头获取的视频截图，其中一半有人的图片作为正样本数据，另一半无人的图片作为负样本数据。训练的正样本来自8个不同的酒店消毒间视频摄像头的数据，包括人体的各个部位，如头部、躯干等以及人体的正面、背面、侧面、直立、弯腰、光线变化多种情况下的标注数据，使模型具有更好的适应性。将处理好的图片，输入深度神经网络，反复训练。该模型能很好的平衡快速性和准确性，能快速完成检测的同时能保证检测结果准确。
训练好的RFB-Net神经网络模型给出疑似人体区域画面的置信度，设定满足人体识别神经网络模型不发生漏检(有人未检出)或多检(没人错检出人)的情况的阈值。当置信度大于设定的阀值才认为该图片中存在人，进而判断是否有保洁人员进行清洗消毒工作，并得出保洁人员的工作数据，包括保洁人员的工作时间段和工作时长的数据，具体为：将有人的图片的时间进行记录分析，将连续出现有人图片时间大于1min的时间段作为工作时间段，对小于等于1min的时间段作为人员走动时间段，得到视频检测结果，获得保洁人员工作时间段和时长的数据。
将所述保洁人员的工作数据和所述消毒柜工作数据进行融合判断，包括保洁人员消毒操作的绝对时间长度的判断，以及保洁人员的工作数据和消毒柜工作数据的时间相关度的判断，最终得出消毒间当日是否进行正常消毒的判定；所述服务端将获得的消毒间的消毒结果传输到应用平台端进行展示和通知。
根据实际的酒店一般保洁工作流程，在清洗完器具后进行消毒的工作完成后一般还需对台面和水池进行擦洗，因此保洁人员工作时间段和消毒柜工作时间段重合10秒以上，则保洁人员的工作数据和消毒柜工作数据的时间为相关。
为防止将工作人员进出消毒间的行为误是认为工作人员进行清洗消毒工作的行为的发生，并且一般的清洗工作都不会短于3min；因此数据融合判断的标准为工作人员工作时间大于3min，消毒柜工作时间大于10min，且消毒柜开始工作时间点位于工作人员洗消工作时间段内，则认为此消毒间进行了一次有效的清洗消毒工作。
所述应用平台端在接收所述服务端提供的消毒间的消毒结果后，将展示消毒间的消毒时间段及时长，保洁人员进行消毒工作的截图及视频片段，及消毒间消毒工作整体评价。
所述应用平台端根据设置的通知或报警条件，通过短信、微信、邮件等形式通知酒店管理人员及卫生执法监督人员，作出相应处理。
本发明还提供了一种基于深度学习及智能插座的消毒行为智能判定系统的判定方法，该方法包括以下步骤：
(1)通过数据采集系统中的视频图像数据采集系统采集消毒间内工作人员的视频图像；并通过消毒柜数据采集系统采集消毒柜电源工作数据；将数据采集系统采集到的数据通过网络传输至服务端；
(2)服务端将视频图像和消毒柜电源工作数据输入至基于深度学习的人体识别神经网络模型，判断视频图像中是否有保洁人员，并得出保洁人员的工作数据，然后将所述保洁人员的工作数据和所述消毒柜工作数据进行融合判断，最终输出消毒结果，即消毒间当日是否进行正常消毒的判定；
(3)服务端将获得的消毒间的消毒结果传输到应用平台端进行展示和通知。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，包括数据采集系统、服务端、应用平台端。
所述数据采集系统包括视频图像数据采集系统和消毒柜数据采集系统；所述视频图像数据采集系统采集消毒间内工作人员的视频图像；所述消毒柜数据采集系统采集消毒柜电源工作数据；
所述数据采集系统将采集到的数据通过网络传输至所述服务端；所述服务端根据所述视频图像数据采集系统提供的视频图像，利用基于深度学习的人体识别神经网络模型，判断视频图像中是否有保洁人员，并得出保洁人员的工作数据，包括保洁人员的工作时间段和工作时长的数据，将所述保洁人员的工作数据和所述消毒柜工作数据进行融合判断，包括保洁人员消毒操作的绝对时间长度的判断，以及保洁人员的工作数据和消毒柜工作数据的时间相关度的判断，最终得出消毒间当日是否进行正常消毒的判定；所述服务端将获得的消毒间的消毒结果传输到应用平台端进行展示和通知。
2.根据权利要求1所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，所述数据采集系统中的视频图像采集系统利用安装在消毒间的监控摄像头获取消毒间视频图像数据，所述服务端获取视频数据后先将视频按秒截成图片，再输入到人体识别神经网络模型中进行识别，判断是否有保洁人员进行清洗消毒工作，得出保洁人员清洗消毒工作的时间段和时长的数据；所述数据采集系统中的消毒柜数据采集系统利用连接消毒柜电源的智能插座实时获取消毒柜使用时间段和时长的数据，所述智能插座记录消毒柜使用时间段和时长并将结果自动上报给所述服务端。
3.根据权利要求2所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，对视频的每秒图片进行输入到人体识别神经网络模型之前，先通过图片RGB值判断图片中的场景是否为消毒间开灯情况的图片，确认是开灯情况下的图片后再将该图片输入神经网络识别，神经网络给出疑似人体区域画面的置信度，当置信度大于设定的阀值才认为该图片中存在人。
4.根据权利要求3所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，所述设定的阈值需要满足人体识别神经网络模型不发生漏检或多检的情况；所述漏检即有人未检出，所述多检即没人错检出人。
5.根据权利要求2所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，所述人体识别神经网络模型为采用深度学习算法得到并训练后的卷积神经网络模型，用于根据图像的人体识别来判断消毒间内是否有工作人员进行器具的清洗消毒工作。
6.根据权利要求1所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，所述保洁人员的工作数据和消毒柜工作数据的时间相关度具体为：保洁人员工作时间段和消毒柜工作时间段重合10秒以上则二者时间相关。
7.根据权利要求1所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，所述应用平台端在接收所述服务端提供的消毒间的消毒结果后，将展示消毒间的消毒时间段及时长，保洁人员进行消毒工作的截图及视频片段，及消毒间消毒工作整体评价。
8.根据权利要求1所述的基于深度学习及智能插座的消毒行为智能判定系统，其特征在于，所述应用平台端根据设置的通知或报警条件，通过短信、微信、邮件等形式通知管理人员及卫生执法监督人员，作出相应处理。
9.一种基于权利要求1所述的消毒行为智能判定系统的判定方法，其特征在于，该方法包括以下步骤：
(1)通过数据采集系统中的视频图像数据采集系统采集消毒间内工作人员的视频图像；并通过消毒柜数据采集系统采集消毒柜电源工作数据；将数据采集系统采集到的数据通过网络传输至服务端；
(2)服务端将视频图像和消毒柜电源工作数据输入至基于深度学习的人体识别神经网络模型，判断视频图像中是否有保洁人员，并得出保洁人员的工作数据，然后将所述保洁人员的工作数据和所述消毒柜工作数据进行融合判断，最终输出消毒结果，即消毒间当日是否进行正常消毒的判定；
(3)服务端将获得的消毒间的消毒结果传输到应用平台端进行展示和通知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010554900.6A CN111738681B (zh) | 2020-06-17 | 2020-06-17 | 一种基于深度学习及智能插座的消毒行为智能判定系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010554900.6A CN111738681B (zh) | 2020-06-17 | 2020-06-17 | 一种基于深度学习及智能插座的消毒行为智能判定系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738681A true CN111738681A (zh) | 2020-10-02 |
| CN111738681B CN111738681B (zh) | 2021-09-03 |
Family
ID=72649576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010554900.6A Active CN111738681B (zh) | 2020-06-17 | 2020-06-17 | 一种基于深度学习及智能插座的消毒行为智能判定系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738681B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4365910A1 (en) | 2022-11-07 | 2024-05-08 | Koninklijke Philips N.V. | System and method for monitoring a cleaning process in a medical environment |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288035A (zh) * | 2018-01-11 | 2018-07-17 | 华南理工大学 | 基于深度学习的多通道图像特征融合的人体动作识别方法 |
| CN109038829A (zh) * | 2018-08-31 | 2018-12-18 | 上海与德通讯技术有限公司 | 用电分区域控制系统及方法 |
| CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
| CN208722574U (zh) * | 2018-09-19 | 2019-04-09 | 四川劳吉克信息技术有限公司 | 一种基于人脸识别技术的消毒供应中心质量追溯管理系统 |
| CN109740488A (zh) * | 2018-12-27 | 2019-05-10 | 武汉大学 | 一种基于深度学习的内镜清洗消毒质量控制系统及方法 |
| CN109919804A (zh) * | 2019-03-18 | 2019-06-21 | 赵猛 | 一种酒店智能管控系统 |
| CN109951363A (zh) * | 2019-01-23 | 2019-06-28 | 深圳绿米联创科技有限公司 | 数据处理方法、装置及系统 |
| CN110309702A (zh) * | 2019-04-18 | 2019-10-08 | 成都数之联科技有限公司 | 一种门店货柜视频监控管理系统 |
| CN110376429A (zh) * | 2019-06-06 | 2019-10-25 | 国网浙江省电力有限公司 | 一种识别家用电器使用状态的方法 |
| CN110909745A (zh) * | 2019-12-24 | 2020-03-24 | 新疆九洲熏蒸消毒有限责任公司 | 列车消毒通道识别系统 |
| CN111179318A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 基于双流法的复杂背景运动小目标检测方法 |
-
2020
- 2020-06-17 CN CN202010554900.6A patent/CN111738681B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288035A (zh) * | 2018-01-11 | 2018-07-17 | 华南理工大学 | 基于深度学习的多通道图像特征融合的人体动作识别方法 |
| CN109038829A (zh) * | 2018-08-31 | 2018-12-18 | 上海与德通讯技术有限公司 | 用电分区域控制系统及方法 |
| CN109298785A (zh) * | 2018-09-06 | 2019-02-01 | 天津联图科技有限公司 | 一种监测设备的人机联控系统及方法 |
| CN208722574U (zh) * | 2018-09-19 | 2019-04-09 | 四川劳吉克信息技术有限公司 | 一种基于人脸识别技术的消毒供应中心质量追溯管理系统 |
| CN109740488A (zh) * | 2018-12-27 | 2019-05-10 | 武汉大学 | 一种基于深度学习的内镜清洗消毒质量控制系统及方法 |
| CN109951363A (zh) * | 2019-01-23 | 2019-06-28 | 深圳绿米联创科技有限公司 | 数据处理方法、装置及系统 |
| CN109919804A (zh) * | 2019-03-18 | 2019-06-21 | 赵猛 | 一种酒店智能管控系统 |
| CN110309702A (zh) * | 2019-04-18 | 2019-10-08 | 成都数之联科技有限公司 | 一种门店货柜视频监控管理系统 |
| CN110376429A (zh) * | 2019-06-06 | 2019-10-25 | 国网浙江省电力有限公司 | 一种识别家用电器使用状态的方法 |
| CN110909745A (zh) * | 2019-12-24 | 2020-03-24 | 新疆九洲熏蒸消毒有限责任公司 | 列车消毒通道识别系统 |
| CN111179318A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 基于双流法的复杂背景运动小目标检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4365910A1 (en) | 2022-11-07 | 2024-05-08 | Koninklijke Philips N.V. | System and method for monitoring a cleaning process in a medical environment |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738681B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105791299B (zh) | 一种无人监考的智能化上机考试系统 | |
| CN110795963A (zh) | 一种基于人脸识别的监控方法、装置及设备 | |
| CN110633697A (zh) | 一种厨房卫生智能监控方法 | |
| CN109886555A (zh) | 食品安全的监测方法及装置 | |
| CN109886999A (zh) | 位置确定方法、装置、存储介质和处理器 | |
| CN111738681B (zh) | 一种基于深度学习及智能插座的消毒行为智能判定系统及方法 | |
| CN108536722A (zh) | 一种新型古树名木管理系统 | |
| CN115511329A (zh) | 一种电力作业合规监测系统及方法 | |
| CN112733676A (zh) | 一种基于深度学习的电梯内垃圾检测识别方法 | |
| CN115424340A (zh) | 基于yolov5神经网络技术识别防护服的方法 | |
| CN113591826B (zh) | 一种基于计算机视觉的餐桌清扫智能提醒方法 | |
| CN114065837A (zh) | 布草使用监管方法、装置、系统、设备及存储介质 | |
| CN114420302A (zh) | 一种企事业单位智能防疫控制系统 | |
| CN110807441A (zh) | 洗手自动监测方法和装置 | |
| CN116071702B (zh) | 基于计算机视觉的养猪场交互行为监测管理方法和系统 | |
| CN116665419B (zh) | 电力生产作业中基于ai分析的故障智能预警系统及方法 | |
| CN101833697A (zh) | 一种基于虹膜认证的监控系统 | |
| CN112561957A (zh) | 一种目标对象的状态跟踪方法及装置 | |
| CN111126167A (zh) | 一种快速识别多名特定人员串联活动的方法及系统 | |
| CN114792368B (zh) | 一种智能判断门店合规的方法和系统 | |
| CN114429676B (zh) | 一种医疗机构消毒供应室人员身份与行为识别系统 | |
| CN112183243B (zh) | 一种智慧社区老人监护方法、系统、装置和存储介质 | |
| CN114104549A (zh) | 一种一体化智能垃圾分类投放设备及投放方法 | |
| CN114186106A (zh) | 一种基于大数据的商场门店用安全管理系统 | |
| CN109376635B (zh) | 一种护理质量考核系统及安全事件上报方法 |
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 |