CN111915616A - 一种基于弱监督图像分割进行红外测温的方法及装置 - Google Patents

一种基于弱监督图像分割进行红外测温的方法及装置 Download PDF

Info

Publication number
CN111915616A
CN111915616A CN202010453818.4A CN202010453818A CN111915616A CN 111915616 A CN111915616 A CN 111915616A CN 202010453818 A CN202010453818 A CN 202010453818A CN 111915616 A CN111915616 A CN 111915616A
Authority
CN
China
Prior art keywords
person
image
temperature measurement
head position
image segmentation
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
Application number
CN202010453818.4A
Other languages
English (en)
Inventor
张继勇
刘鑫
庄浩
冼海锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huarui Xinzhi Baoding Technology Co.,Ltd.
HUARUI XINZHI TECHNOLOGY (BEIJING) Co.,Ltd.
Original Assignee
Huarui Xinzhi Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huarui Xinzhi Technology Beijing Co ltd filed Critical Huarui Xinzhi Technology Beijing Co ltd
Priority to CN202010453818.4A priority Critical patent/CN111915616A/zh
Publication of CN111915616A publication Critical patent/CN111915616A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01J5/48—Thermography; Techniques using wholly visual means
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种基于弱监督图像分割进行红外测温的方法及装置，用以解决现有的测温方式存在被感染的风险，或容易因为干扰项产生测量误差，影响测温的准确性的问题。该方法采集人流图像；对所述人流图像进行图像预处理；根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，得到所述人流图像中各待测人员的头部位置区域；对所述各待测人员的头部位置区域进行红外测温，并根据所述各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。

Description

一种基于弱监督图像分割进行红外测温的方法及装置
技术领域
本申请涉及红外测温技术领域，尤其涉及一种基于弱监督图像分割进行红外测温的方法及装置。
背景技术
传染病是一种可通过空气传播、接触传播、体液传播等方式，在人与人、人与动物之间相互传播的疾病。部分传染病的表现特征包括发烧、高热、体温异常等。于是，在传染病流行期间，可通过体温测量，初步判断相应人员是否患病。
目前，在进行体温检测时，可通过手持红外测温仪，对相应人员进行接触式近距离测温，或者通过红外相机，对相应人员进行非接触式远距离测温。
但是，接触式近距离测温存在被感染的风险，非接触式远距离测温可能因为某些干扰项，如待测人员手持的热水，产生测量误差，影响测温的准确性。
发明内容
本申请实施例提供一种基于弱监督图像分割进行红外测温的方法及装置，用以解决现有的测温方式存在被感染的风险，或容易因为干扰项产生测量误差，影响测温的准确性的问题。
本申请实施例提供的一种基于弱监督图像分割进行红外测温的方法，包括：
采集人流图像；
对所述人流图像进行图像预处理；
根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，得到所述人流图像中各待测人员的头部位置区域；
对所述各待测人员的头部位置区域进行红外测温，并根据所述各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。
在一个示例中，所述图像分割模型通过以下方式训练得到：根据弱监督学习的Fickle Net模型，对训练数据集中的数据进行标注；采用标注好的训练数据集，对mask-rcnn图像分割模型进行训练，得到训练完成的图像分割模型。
在一个示例中，根据FickleNet网络，对训练数据集中的数据进行标注，包括：将训练数据集中的图像输入Fickle Net网络，确定对应的特征图；通过多次随机选取隐藏单元，对所述特征图进行卷积，确定所述图像对应的多个分类分数；采用Grad-CAM算法，根据所述多个分类分数，确定所述图像的多个定位图以及综合定位图，并确定根据所述综合定位图对所述图像进行标注。
在一个示例中，所述Fickle Net模型包括6层卷积层，前5层卷积层的卷积核为3x3，步长为2，最后一层卷积层的卷积核为7x7，步长为1。
在一个示例中，所述Fickle Net模型采用的池化操作为平均池化操作，激活函数为ReLu，损失函数为sigmoid交叉熵损失函数。
在一个示例中，根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，包括：将所述人流图像输入预先训练好的mask-rcnn图像分割模型中，生成相应的特征图；确定所述特征图的感兴趣区域；对确定出的感兴趣区域进行分类，并根据边界框回归算法与MASK生成算法，对所述人流图像进行目标检测、定位与分割。
在一个示例中，所述方法还包括：确定所述人流图像中存在未戴口罩的待测人员时，发出报警信号。
在一个示例中，对所述各待测人员的头部位置区域进行红外测温，包括：对所述各待测人员的头部位置区域的不同部位分别进行红外测温；针对各待测人员，根据该待测人员的不同部位的测温结果，确定其中温度最高的测温结果，作为该待测人员的最终测温结果。
在一个示例中，对所述各待测人员的头部位置区域进行红外测温，包括：对所述各待测人员的头部位置区域的指定部位进行红外测温。
本申请实施例提供的一种基于弱监督图像分割进行红外测温的装置，包括：
采集模块，采集人流图像；
处理模块，对所述人流图像进行图像预处理；
分割模块，根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，得到所述人流图像中各待测人员的头部位置区域；
测温模块，对所述各待测人员的头部位置区域进行红外测温，并根据所述各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。
本申请实施例提供一种基于弱监督图像分割进行红外测温的方法及装置，至少包括以下有益效果：
通过采用弱监督学习的方法，可对训练数据集中的数据进行自动精准标注。尤其在本申请中标注类别数目较多、情景较复杂的情况下，通过自动标注，可大大减少训练数据集标注的工作量，降低人工标注的成本与标注难度。
通过对待测人员进行图像分割，可将待测人员的身体部位与其携带的物品分离开，避免其他物品对测温产生的干扰与影响，降低测温过程中可能存在的误差，提高测温的准确性。
并且，通过进行图像分割，可自动检测待测人员是否按照规定佩戴口罩，及时对待测人员的违规行为进行纠正，保障待测人员的安全出行，降低传染病传播的风险。
另外，与接触式近距离测温的手持红外测温仪相比，本申请可在非接触式的情况下进行测温，并且可对多人同时进行测温。这样不妨碍待测人员的正常流动，并且更加安全高效。
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为本申请实施例提供的基于弱监督图像分割进行红外测温的方法流程图；
图2为本申请实施例提供的基于弱监督图像分割进行红外测温的装置结构示意图。
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。
图1为本申请实施例提供的基于弱监督图像分割进行红外测温的方法流程图，具体包括以下步骤：
S101：采集人流图像。
在本申请实施例中，需要进行体温测量的现场可部署有若干红外相机与高清摄像头，用于采集人流图像，进行体温测量。其中，人流图像中可包括若干需要进行体温测量的待测人员。
于是，服务器可通过红外相机与高清摄像头，进行快速图像采集，以获得实时的人流图像。
通过预先部署好红外相机与高清摄像头，可提前根据体温测量现场的位置、结构、人员流动方向等信息，设置好红外相机的位置，使由红外相机和摄像头等组成的视觉系统可在复杂工作环境下长时间稳定工作。
S102：对人流图像进行图像预处理。
在本申请实施例中，由于通过红外相机采集到的人流图像可能存在噪音等干扰条件，导致成像质量差。因此，服务器可对采集到的人流图像进行图像预处理，提高图像质量，便于后续进行图像分割。
具体的，服务器可采用高斯滤波方法，对人流图像进行减噪，去除人流图像中的噪音，实现人流图像的图像增强。服务器还可通过锐化算法，对人流图像进行处理，使待测人员的轮廓更加清晰，容易被分割。
通过对人流图像进行预处理，可提高人流图像的清晰度，消除人流图像中的无关信息、噪音，同时尽可能多地保留或者恢复真实信息，增强目标及有关信息的可检测性。
S103：根据预先训练好的图像分割模型，对人流图像中的各待测人员分别进行图像分割，得到人流图像中各待测人员的头部位置区域。
在本申请实施例中，服务器端存储有预先训练好的图像分割模型。在获取到人流图像后，服务器可根据预先训练好的图像分割模型，对人流图像中的各待测人员进行目标检测与图像分割，确定各待测人员的额头、耳朵、脖子等部位，以此确定各待测人员的头部位置区域。
在一个实施例中，图像分割模型的训练步骤包括以下几步：
第一，根据弱监督学习算法，对训练数据集中的数据进行标注。
服务器可从COCO、KITTI等常用数据集中获取图像数据，或者自行采集相关图像，组成训练数据集。之后，服务器可确定人工对训练数据集中的图像的粗粒度标注的标签。其中，粗粒度标注表示仅标注图像中分割可得到的目标类别，而不具体对目标的掩码或者框信息进行标注，即，标签的粒度与所需要解决的问题不匹配。
在一个实施例中，服务器可采用Fickle Net模型，对训练数据集中的数据进行标注。
首先，服务器可将带有粗粒度标签的训练数据集中的图像输入Fickle Net模型，通过模型中的卷积层，得到训练图像对应的特征图。
其次，服务器可通过对特征图中的每个滑动窗口位置上的特征进行空间丢弃(spatial dropout)处理，随机选取隐藏单元，对特征图再进行卷积，并采用池化操作与激活函数处理，得到训练图像对应的分类分数。
之后，服务器可采用Grad-CAM算法，计算原始特征对应的目标分类分数的梯度，求其加权和，得到相应的目标的定位图。通过多次随机选取隐藏单元，可得到多个定位图。
最后，服务器可根据多个定位图，与预设的阈值进行比较，确定训练图像的综合定位图，该综合定位图可作为训练图像的伪标签，即，服务器可根据综合定位图对训练图像的目标的类别进行掩码信息与框信息的标注。
在一个实施例中，Flickle Net模型的网络结构可包括6层卷积层，其中，前5层卷积层的卷积核为3x3，步长为2，用于获取训练图像的特征图；最后一层卷积层的卷积核为7x7，步长为1，用于获取训练图像的分类分数。网络所采用的池化操作为平均池化操作，激活函数为ReLu，损失函数为sigmoid交叉熵损失函数。
第二，采用标注好的训练数据集，对mask-rcnn图像分割模型进行训练，直至mask-rcnn模型的图像分割准确率达到预期，得到训练完成的图像分割模型。
在一个实施例中，mask-rcnn模型的结构包括49层卷积层，各卷积层的卷积核为3x3，步长为2，采用的激活函数为ReLu，损失函数为平均二值交叉熵函数(average binarycross-entropy)。
在本申请实施例中，服务器在对人流图像进行图像分割时，包括以下几个步骤：
第一，将人流图像输入到预先训练好的特征提取网络中，获得对应的特征图；
第二，对特征图中的每一点设定预设数量的感兴趣区域(Region of interest，ROI)，获得多个候选ROI；
第三，将这些候选ROI输入区域生成网络(Region Proposal Network，RPN)进行二值分类(前景与背景)和边界框回归(Bounding-box regression，BB回归)，计算前景ROI与真实的目标之间的边界框偏差值，并根据偏差值对候选ROI进行过滤；
第四，对过滤后的候选ROI进行ROI Align操作；
第五，对候选ROI进行分类、BB回归和MASK生成，最终，可通过mask-rcnn中的全连接卷积网络(FCN)实现待测人员的额头、脖子、耳朵等部位的分割工作，以及通过faster-rcnn部分实现口罩、护目镜等物体的检测识别。
可实现对人流图像中的各个类别的目标进行检测、定位的同时，对各目标进行分割。
通过确定各待测人员的头部位置区域，限制红外测温的区域，可防止红外测温时，其他干扰项对测温造成误差影响，这样能够提高红外测温的准确性。
S104：对各待测人员的头部位置区域进行红外测温，并根据各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。
在本申请实施例中，服务器在对人流图像中的各待测人员进行图像分割时，可同时确定分割结果中各待测人员的额头、脖子、耳朵等身体部位，以及待测人员佩戴的口罩、护目镜等物品。
于是，服务器可通过红外相机等测温设备，对检测出的待测人员的头部位置区域中裸露的部位进行红外测温，确定待测人员的温度。
并且，服务器还可通过图像分割模型，分割得到待测人员佩戴的口罩、护目镜等，于是，服务器还可通过图像分割，检测各待测人员是否佩戴有口罩。
在本申请实施例中，通过采用弱监督学习的方法，可对训练数据集中的数据进行自动精准标注。尤其在本申请中标注类别数目较多、情景较复杂的情况下，通过自动标注，可大大减少训练数据集标注的工作量，降低人工标注的成本与标注难度。
通过对待测人员进行图像分割，可将待测人员的身体部位与其携带的物品分离开，避免其他物品对测温产生的干扰与影响，降低测温过程中可能存在的误差，提高测温的准确性。
并且，通过进行图像分割，可自动检测待测人员是否按照规定佩戴口罩，及时对待测人员的违规行为进行纠正，保障待测人员的安全出行，降低传染病传播的风险。
另外，与接触式近距离测温的手持红外测温仪相比，本申请可在非接触式的情况下进行测温，并且可对多人同时进行测温。这样不妨碍待测人员的正常流动，并且更加安全高效。
在一个实施例中，若服务器检测到存在待测人员未佩戴口罩，可发出报警信号，以提示相关人员，对相应待测人员的行为进行规范。
这样能够自动对待测人员的行为进行监督与规范，适用于各种人流量较大的场景，在保证检测的准确率的同时，能够实现多人同时检测，而无需人工检测，从而提高传染病流行期间的公众安全防护水平。
在一个实施例中，针对各待测人员，服务器可根据图像分割的结果，对该待测人员的头部位置区域的不同部位(如额头、脸颊)分别进行红外测温，得到待测人员多个部位的温度。之后，服务器可根据待测人员不同部位的测温结果，确定测温结果中温度最高的部位的测温结果，作为该待测人员的最终测温结果。
通过这种方式，可对待测人员进行全面的测量，避免测量过程中可能出现的误差，提高对待测人员进行温度测量的准确性。
在一个实施例中，服务器可根据头部位置区域中的指定部位，仅对各待测人员的指定部位进行红外测温，获得该指定部位的测温结果。这样能够减少红外测温的工作量，仅对部分有效部位进行温度测量，避免产生多余的工作。
在本申请实施例中，图像分割模型在训练完成后，可部署在服务器中，通过TensorFlow Serving功能的docker挂在服务器后台保持一直运行。
红外相机所在的客户端在测温过程中，可通过Tornado Web中间服务向服务器发送请求。服务器对请求进行相应，实现模型调用，并经中间服务向客户端返回模型运行的结果。
其中，客户端可为平板电脑等，系统部署简单，并可以长时间高效工作。
以上为本申请实施例提供的基于弱监督图像分割进行红外测温的方法，基于同样的发明思路，本申请实施例还提供了相应的基于弱监督图像分割进行红外测温的装置，如图2所示。
图2为本申请实施例提供的基于弱监督图像分割进行红外测温的装置结构示意图，具体包括：
采集模块201，采集人流图像；
处理模块202，对所述人流图像进行图像预处理；
分割模块203，根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，得到所述人流图像中各待测人员的头部位置区域；
测温模块204，对所述各待测人员的头部位置区域进行红外测温，并根据所述各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。
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)

1.一种基于弱监督图像分割进行红外测温的方法，其特征在于，包括：
采集人流图像；
对所述人流图像进行图像预处理；
根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，得到所述人流图像中各待测人员的头部位置区域；
对所述各待测人员的头部位置区域进行红外测温，并根据所述各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。
2.根据权利要求1所述的方法，其特征在于，所述图像分割模型通过以下方式训练得到：
根据弱监督学习的Fickle Net模型，对训练数据集中的数据进行标注；
采用标注好的训练数据集，对mask-rcnn图像分割模型进行训练，得到训练完成的图像分割模型。
3.根据权利要求2所述的方法，其特征在于，根据FickleNet网络，对训练数据集中的数据进行标注，包括：
将训练数据集中的图像输入Fickle Net网络，确定对应的特征图；
通过多次随机选取隐藏单元，对所述特征图进行卷积，确定所述图像对应的多个分类分数；
采用Grad-CAM算法，根据所述多个分类分数，确定所述图像的多个定位图以及综合定位图，并确定根据所述综合定位图对所述图像进行标注。
4.根据权利要求2所述的方法，其特征在于，所述Fickle Net模型包括6层卷积层，前5层卷积层的卷积核为3x3，步长为2，最后一层卷积层的卷积核为7x7，步长为1。
5.根据权利要求2所述的方法，其特征在于，所述Fickle Net模型采用的池化操作为平均池化操作，激活函数为ReLu，损失函数为sigmoid交叉熵损失函数。
6.根据权利要求1所述的方法，其特征在于，根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，包括：
将所述人流图像输入预先训练好的mask-rcnn图像分割模型中，生成相应的特征图；
确定所述特征图的感兴趣区域；
对确定出的感兴趣区域进行分类，并根据边界框回归算法与MASK生成算法，对所述人流图像进行目标检测、定位与分割。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述人流图像中存在未戴口罩的待测人员时，发出报警信号。
8.根据权利要求1所述的方法，其特征在于，对所述各待测人员的头部位置区域进行红外测温，包括：
对所述各待测人员的头部位置区域的不同部位分别进行红外测温；
针对各待测人员，根据该待测人员的不同部位的测温结果，确定其中温度最高的测温结果，作为该待测人员的最终测温结果。
9.根据权利要求1所述的方法，其特征在于，对所述各待测人员的头部位置区域进行红外测温，包括：
对所述各待测人员的头部位置区域的指定部位进行红外测温。
10.一种基于弱监督图像分割进行红外测温的装置，其特征在于，包括：
采集模块，采集人流图像；
处理模块，对所述人流图像进行图像预处理；
分割模块，根据预先训练好的图像分割模型，对所述人流图像中的各待测人员分别进行图像分割，得到所述人流图像中各待测人员的头部位置区域；
测温模块，对所述各待测人员的头部位置区域进行红外测温，并根据所述各待测人员的头部位置区域，确定相应待测人员是否佩戴口罩。
CN202010453818.4A 2020-05-26 2020-05-26 一种基于弱监督图像分割进行红外测温的方法及装置 Pending CN111915616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010453818.4A CN111915616A (zh) 2020-05-26 2020-05-26 一种基于弱监督图像分割进行红外测温的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010453818.4A CN111915616A (zh) 2020-05-26 2020-05-26 一种基于弱监督图像分割进行红外测温的方法及装置

Publications (1)

Publication Number Publication Date
CN111915616A true CN111915616A (zh) 2020-11-10

Family

ID=73237602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010453818.4A Pending CN111915616A (zh) 2020-05-26 2020-05-26 一种基于弱监督图像分割进行红外测温的方法及装置

Country Status (1)

Country Link
CN (1) CN111915616A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113311938A (zh) * 2021-01-18 2021-08-27 阿里巴巴集团控股有限公司 引导方法、装置、电子设备、计算机可读介质及程序
CN113432720A (zh) * 2021-06-25 2021-09-24 深圳市迈斯泰克电子有限公司 基于人体识别的温度检测方法、装置以及温度检测仪器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120445A1 (zh) * 2016-12-31 2018-07-05 华中科技大学 一种动目标多维度多尺度红外光谱特征测量方法及系统
CN108287873A (zh) * 2017-12-29 2018-07-17 深圳云天励飞技术有限公司 数据处理方法及相关产品
CN108985212A (zh) * 2018-07-06 2018-12-11 深圳市科脉技术股份有限公司 人脸识别方法及装置
CN110348500A (zh) * 2019-06-30 2019-10-18 浙江大学 基于深度学习和红外热像的睡眠障碍辅助诊断方法
CN110543911A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种结合分类任务的弱监督目标分割方法
CN110619623A (zh) * 2019-08-08 2019-12-27 广东工业大学 一种变电设备接头发热的自动识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120445A1 (zh) * 2016-12-31 2018-07-05 华中科技大学 一种动目标多维度多尺度红外光谱特征测量方法及系统
CN108287873A (zh) * 2017-12-29 2018-07-17 深圳云天励飞技术有限公司 数据处理方法及相关产品
CN108985212A (zh) * 2018-07-06 2018-12-11 深圳市科脉技术股份有限公司 人脸识别方法及装置
CN110348500A (zh) * 2019-06-30 2019-10-18 浙江大学 基于深度学习和红外热像的睡眠障碍辅助诊断方法
CN110619623A (zh) * 2019-08-08 2019-12-27 广东工业大学 一种变电设备接头发热的自动识别方法
CN110543911A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种结合分类任务的弱监督目标分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNGBEOM LEE: "FickleNet: Weakly and Semi-supervised Semantic Image Segmentation using Stochastic Inference", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 5262 - 5271 *
张洁茹: "双光谱智能体温检测与健康大数据管理系统", 《北京航空航天大学学报》, vol. 46, no. 9, pages 1 - 8 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113311938A (zh) * 2021-01-18 2021-08-27 阿里巴巴集团控股有限公司 引导方法、装置、电子设备、计算机可读介质及程序
CN113432720A (zh) * 2021-06-25 2021-09-24 深圳市迈斯泰克电子有限公司 基于人体识别的温度检测方法、装置以及温度检测仪器

Similar Documents

Publication Publication Date Title
CN110419048B (zh) 用于标识所定义的对象的系统
Xudong et al. Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector
Spoliansky et al. Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera
US10058076B2 (en) Method of monitoring infectious disease, system using the same, and recording medium for performing the same
CN102696041B (zh) 用于眼睛跟踪和司机睡意确认的成本效益高且稳健的系统和方法
CN112734731B (zh) 一种牲畜温度检测方法、装置、设备和存储介质
CN106778609A (zh) 一种电力施工现场人员制服穿着识别方法
US20150071492A1 (en) Abnormal behaviour detection
JP6790160B2 (ja) インテリジェントマシンのネットワーク
KR102313143B1 (ko) 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법
CN110674696A (zh) 一种监控方法、装置、系统、监控设备及可读存储介质
WO2021068781A1 (zh) 一种疲劳状态识别方法、装置和设备
KR20220166368A (ko) 온도 측정 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 저장 매체
Jia et al. Segmentation of body parts of cows in RGB-depth images based on template matching
CN110264444A (zh) 基于弱分割的损伤检测方法及装置
CN111915616A (zh) 一种基于弱监督图像分割进行红外测温的方法及装置
Lile et al. Anomaly detection in thermal images using deep neural networks
KR20160132731A (ko) 열 영상에서 온라인 랜덤 펀 학습을 이용하여 보행자를 추적하는 장치 및 방법
Zhafran et al. Computer vision system based for personal protective equipment detection, by using convolutional neural network
CN113008380B (zh) 一种智慧ai体温预警方法、系统及存储介质
CN111666826A (zh) 处理图像的方法、装置、电子设备和计算机可读存储介质
CN108460370B (zh) 一种固定式家禽生命信息报警装置
WO2020217812A1 (ja) 被写体の状態を認識する画像処理装置及びその方法
CN115695734A (zh) 红外热成像防护监控方法、装置、设备、系统和介质
KR20240017050A (ko) 체온 예측 장치 및 방법, 그리고 체온 예측 장치를 학습시키는 방법

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
TA01 Transfer of patent application right

Effective date of registration: 20210929

Address after: 3 / F, xindongyuan North building, 3501 Chengfu Road, Haidian District, Beijing 100083

Applicant after: HUARUI XINZHI TECHNOLOGY (BEIJING) Co.,Ltd.

Applicant after: Huarui Xinzhi Baoding Technology Co.,Ltd.

Address before: Room 91818, 9 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100083

Applicant before: HUARUI XINZHI TECHNOLOGY (BEIJING) Co.,Ltd.

TA01 Transfer of patent application right