CN112016447A - 基于Yolo神经网络的智能额头测温方法及其应用 - Google Patents
基于Yolo神经网络的智能额头测温方法及其应用 Download PDFInfo
- Publication number
- CN112016447A CN112016447A CN202010876947.4A CN202010876947A CN112016447A CN 112016447 A CN112016447 A CN 112016447A CN 202010876947 A CN202010876947 A CN 202010876947A CN 112016447 A CN112016447 A CN 112016447A
- Authority
- CN
- China
- Prior art keywords
- forehead
- neural network
- module
- temperature measurement
- yolo neural
- 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
- 210000001061 forehead Anatomy 0.000 title claims abstract description 131
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 85
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 210000000887 face Anatomy 0.000 claims description 5
- 230000009193 crawling Effects 0.000 claims 1
- 230000036760 body temperature Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000011895 specific detection Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Yolo神经网络的智能额头测温方法及其应用,该方法包括下述步骤:采集人脸数据集并进行图像预处理;采用标签标注软件对额头区域进行标注,导出XML标注文件,根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;下载Yolo神经网络预训练的权重,转化Yolo神经网络模型格式,并设置模型参数;进行Yolo神经网络训练,动态保存网络权重,得到额头检测神经网络模型;额头检测神经网络模型输出行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。本发明实现对特定检测范围内有人脸遮挡行为的行人进行实时体温监测,不仅排除了人脸遮挡的干扰,也降低了测温系统的功耗。
Description
技术领域
本发明涉及智能测温技术领域,具体涉及一种基于Yolo神经网络的智能额头测温方法及其应用。
背景技术
随着深度学习的迅猛发展,人脸识别技术已经发展到了非常成熟的阶段。由于仅仅依靠五官和脸部轮廓的特征已经能充分地对人脸进行识别,但对额头的识别与分析并没有权威的实现方案。在智能测温方面,当前也有许多人脸识别的智能测温摄像头,然而,考虑到特定情况下会有一些人脸的遮挡,如:人们出行佩戴口罩,整个人脸区域温度的测量会由于口罩的遮挡受到一些干扰。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种基于Yolo神经网络的智能额头测温方法,结合Yolo神经网络对目标检测任务优异的性能,填补额头检测应用上的空白,基于Yolo神经网络框架在预设的数据集上训练神经网络模型,将模型应用于额头检测,可以实施对特定检测范围内有人脸遮挡行为(如佩戴口罩)的行人实行体温监测。
本发明的第二目的在于提供一种基于Yolo神经网络的智能额头测温装置;
本发明的第三目的在于提供一种基于Yolo神经网络的智能额头测温系统;
本发明的第四目的在于提供一种存储介质。
本发明的第五目的在于提供一种计算设备。
为了达到上述目的,本发明采用以下技术方案:
一种基于Yolo神经网络的智能额头测温方法,包括下述步骤:
采集人脸数据集,进行人脸检测并对人脸区域进行裁剪,截取包含额头区域的图像,批量调整图像格式;
采用标签标注软件对额头区域进行标注,标签内容表示额头区域的矩形顶点坐标位置,并导出XML标注文件,利用文本转化脚本根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;
将标注后的数据集划分为训练集和测试集,下载Yolo神经网络预训练的权重,将Yolo神经网络模型格式转化为tensorflow读取的模型格式,并设置模型读取路径、保存路径、数据集路径和标签路径,设置批尺寸、学习率和损失值;
输入训练集进行Yolo神经网络训练,动态保存网络权重,当损失值维持在设定值且多次迭代后不再降低时,完成Yolo神经网络训练,得到额头检测神经网络模型;
将测试集输入额头检测神经网络模型,得到行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。
作为优选的技术方案,所述采集人脸数据集采用下载开源的数据集CelebA或利用爬虫脚本从互联网爬取人脸数据,再滤除噪声,构成原始数据集。
作为优选的技术方案,所述批量调整图像格式,具体采用等距填充的方式,使得始图像的有效信息位于填充后新图像的正中间,上、下、左、右的填充边缘宽度相等。
作为优选的技术方案,所述XML标注文件中存储图片的路径信息及标签信息。
为了到达上述第二目的,本发明采用以下技术方案:
一种基于Yolo神经网络的智能额头测温装置,包括:人脸数据集采集模块、图像预处理模块、标签文件构建模块、参数设置模块、神经网络训练模块和额头检测模块;
所述人脸数据集采集模块用于采集人脸数据集,
所述图像预处理模块用于进行人脸检测并对人脸区域进行裁剪,截取包含额头区域的图像,批量调整图像格式;
所述标签文件构建模块用于采用标签标注软件对额头区域进行标注,标签内容表示额头区域的矩形顶点坐标位置,并导出XML标注文件,文本转化脚本根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;
所述参数设置模块用于将标注后的数据集划分为训练集和测试集,下载Yolo神经网络预训练的权重,将Yolo神经网络模型格式转化为tensorflow读取的模型格式,并设置模型读取路径、保存路径、数据集路径和标签路径,设置批尺寸、学习率和损失值;
所述神经网络训练模块用于输入训练集进行Yolo神经网络训练,动态保存网络权重,当损失值维持在设定值且多次迭代后不再降低时,完成Yolo神经网络训练,得到额头检测神经网络模型;
所述额头检测模块用于将测试集输入额头检测神经网络模型,得到行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。
为了到达上述第三目的,本发明采用以下技术方案:
一种基于Yolo神经网络的智能额头测温系统,设有上述基于Yolo神经网络的智能额头测温装置,还包括:测温摄像头、摄像头控制模块、通信模块和服务器;
所述测温摄像头用于采集行人画面,并将行人画面通过通信模块传输到服务器;
所述服务器用于将额头检测模块输出的行人额头的坐标位置通过通信模块传输到摄像头控制模块;
所述摄像头控制模块用于根据行人额头的坐标位置定位测温采集的范围,调节测温摄像头进行温度采集;
所述通信模块用于传输行人画面数据、坐标位置数据和温度数据;
所述温度数据存储在服务器中。
作为优选的技术方案,所述服务器设置有数据库和阈值报警模块;
所述数据库用于存储温度数据,所述阈值报警模块用于设定温度阈值,若数据库中的温度数据超过温度阈值,输出报警信号。
为了到达上述第四目的,本发明采用以下技术方案:
一种存储介质,存储有程序,所述程序被处理器执行时实现上述基于Yolo神经网络的智能额头测温方法。
为了到达上述第五目的,本发明采用以下技术方案:
一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述基于Yolo神经网络的智能额头测温方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)对比应用最广泛的人脸识别测温摄像头,本发明针对佩戴口罩的行人检测进行了改良,仅对额头进行温度监测,实现对特定检测范围内有人脸部分遮挡行为(如佩戴口罩)的行人进行实时体温监测,不仅排除了口罩遮挡的干扰,也通过缩小测量区域降低了测温系统的功耗。
(2)本发明使用Yolov3神经网络实现额头检测算法,解决了实时检测的速率问题,得益于模型的优异性,部署的云计算平台上的额头检测模块可以在毫秒级的时间内精准定位额头位置,使得系统在运行速度上具备明显的优势。
附图说明
图1为本实施例1基于Yolo神经网络的智能额头测温方法的流程示意图;
图2为本实施例3基于Yolo神经网络的智能额头测温系统的结构框图;
图3为本实施例3基于Yolo神经网络的智能额头测温系统的工作流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本实施例提供一种基于Yolo神经网络的智能额头测温方法,包括下述步骤:
S1、数据预处理:采集人脸数据集,批量调整图片格式,包括对有多人脸的大图片进行人脸检测,对人脸区域进行裁剪生成单张人脸图片,对小图片进行等距填充,调整为Yolo神经网络输入图片大小;
在本实施例中,采集人脸数据集可以下载深度学习实验室发布的数据集、如开源的数据集CelebA(Large-scale CelebFaces Attributes dataset),也可以利用爬虫脚本从互联网爬取人脸数据,再滤除噪声,构成原始数据集;
在本实施例中,采用基于Opencv的人脸检测模块检测出人脸,对包含人脸的区域进行裁剪,构建所有图片包含单张人脸且大小小于Yolo神经网络输入要求的数据集;
在本实施例中,对小图片进行等距填充,即原始图片的有效信息位于填充后新图片的正中央,新图片上下、左右纯色的填充边缘宽度相等;摄像头采集到包含若干个行人的图像,需要截取包含行人额头的区域的图像作为神经网络的输入。由于不同行人和摄像头的距离、角度存在差异,截取的图片大小各不相同,而神经网络输入的图片必须拥有相同的格式,因此要将截取的包含行人额头的区域的图像填充为相同的大小。
S2、生成标签文件:利用标签标注软件对额头区域进行标注,并导出XML标注文件,利用文本转化脚本根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;
在本实施例中,使用Python自带的LabelImg标注软件或标签精灵助手进行额头区域的标注。
在本实施例中,利用标签标注软件对额头区域进行标注,标签内容表示额头区域矩形的四个顶点的位置;XML文件中存储图片的路径信息及标签信息;
S3:神经网络训练:
将步骤S1、S2制作的数据集按照8:2的比例划分训练集和测试集,下载Yolo神经网络预训练的权重,将Yolo神经网络模型格式转化为tensorflow读取的模型格式,并设置模型读取路径、保存路径、数据集路径、标签路径,根据自身机器GPU性能选择合适的批尺寸(batch size)和学习率,若GPU显存溢出报错、则减小batch size,直到GPU显存不溢出,重复本操作;
在步骤S1、S2制作的数据集上对Yolo神经网络进行训练,动态保存网络权重,实时通过观察损失loss的改变判断网络性能,在loss维持在一个较低的数值且在若干次迭代不再降低时终止训练,得到额头检测的神经网络模型;一般来说当loss降低至0.01数量级时可以考虑停止训练,当loss的数值稳定低于0.01时说明网络已经具备较好的性能。
若loss在较大值时就不再下降,说明模型出现了过拟合。此时可以:①调整学习率,重复操作在训练集上对Yolo神经网络进行训练;②扩充数据集,新加入的图片素材重新经过步骤S1、步骤S2的预处理操作,组成新的数据集和标签,重复执行本步骤,直到神经网络达到较为满意的性能;
S4、神经网络测试并搭建额头检测模块:
保存步骤S3训练得到的神经网络权重,并使用该神经网络权重在步骤S3制作的测试集上进行测试。这里可以把检测区域和标注区域重叠的面积占原标注区域的面积的比例作为一个衡量模型精度的指标。当该指标高于0.8时可以认为该模型的训练效果较为理想。
使用上述神经网络搭建额头检测模块,其中额头检测模块的额头检测算法通过步骤S3训练并经过上文测试的神经Yolo网络实现。只需要输入一张包含若干行人的实时图像,神经网络就可以输出所有额头的具体坐标。
S5、将测试集输入额头检测神经网络模型,得到行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。
本实施例可通过系统搭建实现:将额头检测模块和数据库部署于服务器,在服务器建立数据库存储行人体温数据;前端由摄像头、摄像头控制模块组成,在前端基于STM32单片机设计摄像头控制模块;摄像头控制模块控制摄像头以一定的帧率采集行人画面,并将行人画面通过通信模块传输到服务器进行实时处理。
额头检测模块(神经网络)输出的是所有行人额头的坐标点,每个行人对应4个坐标,服务器将所有额头的坐标通过通信模块反馈到前端。
前端的摄像头控制模块通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。要实现上述的实时采集,额头检测的速度必须大于摄像头采集的周期。Yolov3神经网络拥有目标检测领域几乎最快的速度,搭配性能良好的云计算服务器,可以满足本系统的速度要求。
采用通信模块实现前端与服务器的信息交互,其中发送方部署于前端,接收方部署于服务器,通信模块实现双工通信,不仅能实时反馈监测画面与温度信息,也能接收服务器的实时反馈,为摄像头控制模块提供控制调整摄像头工作的实时信息依据。
实施例2
本实施例提供一种基于Yolo神经网络的智能额头测温装置,包括:人脸数据集采集模块、图像预处理模块、标签文件构建模块、参数设置模块、神经网络训练模块和额头检测模块;
在本实施例中,人脸数据集采集模块用于采集人脸数据集,
在本实施例中,图像预处理模块用于进行人脸检测并对人脸区域进行裁剪,截取包含额头区域的图像,批量调整图像格式;
在本实施例中,标签文件构建模块用于采用标签标注软件对额头区域进行标注,标签内容表示额头区域的矩形顶点坐标位置,并导出XML标注文件,文本转化脚本根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;
在本实施例中,参数设置模块用于将标注后的数据集划分为训练集和测试集,下载Yolo神经网络预训练的权重,将Yolo神经网络模型格式转化为tensorflow读取的模型格式,并设置模型读取路径、保存路径、数据集路径和标签路径,设置批尺寸、学习率和损失值;
在本实施例中,神经网络训练模块用于输入训练集进行Yolo神经网络训练,动态保存网络权重,当损失值维持在设定值且多次迭代后不再降低时,完成Yolo神经网络训练,得到额头检测神经网络模型;
在本实施例中,额头检测模块用于将测试集输入额头检测神经网络模型,得到行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。
实施例3
如图2所示,本实施例提供一种基于Yolo神经网络的智能额头测温系统,设有实施例2的基于Yolo神经网络的智能额头测温装置,还包括:测温摄像头,摄像头控制模块,通信模块,额头检测模块、服务器和数据库;
其中额头检测模块和数据库部署于服务器,摄像头和摄像头控制模块组成前端,前端和服务器之间通过通信模块进行通信,各个模块的主要设计操作如下所示:
额头检测模块,利用上述训练的神经网络模型实现额头检测算法,可以根据摄像头实时采集的画面数据实现对额头区域进行实时定位;
数据库:利用SQL结构化查询语言建立MySQL数据库,存储一段时间内的行人体温数据;
服务器内设有服务器调度模块:利用C语言设计服务器调度模块,负责协调服务器各个模块协同工作,包括利用通信模块接收端实时接收检测画面信息;调用额头检测模块定位行人额头位置,额头检测模块主体是上文训练得到的神经网络,输入一张包含若干行人的实时图像,额头检测模型就可以输出所有额头的具体坐标。
并将位置信息通过通信模块接收端对前端进行实时反馈;接收前端监测得到的实时体温数据,在本模块内并判断行人体温是否安全;调用数据库存储一段时间内的行人体温数据并动态更新。
测温摄像头及摄像头控制模块:测温摄像头同时采集实时画面信息及行人温度信息,摄像头控制模块基于STM32实现,接收摄像头采集到的信息,利用通信模块与服务器进行实时通信;并根据反馈实时控制摄像头工作,调整测温区域。
通信模块又分为通信发射端与接收端,其中发射端部署于前端,接收端部署于服务器。但是通信模块实际上实现双工通信,即不仅能实时反馈监测画面与温度信息,也能接收服务器的实时反馈,为摄像头控制模块提供控制调整摄像头工作的实时信息依据。
如图3所示,系统的整体框架搭建完成后,系统工作流程如下:摄像头实时画面采集,采集到的画面信息经过摄像头控制模块,通过通信模块发送给服务器。服务器调用额头检测模块对额头进行检测,并通过通信模块将额头位置反馈给摄像头,摄像头控制模块根据额头的位置实时控制测温摄像头定位额头进行测温。测温得到的数据再次发送至服务器进行分析。不论体温是否安全,数据都将写入数据库中实现数据库的动态更新。如果体温高于37℃,那么系统将报警。整个流程执行完毕之后,摄像头再次采集实时画面。系统工作流程构成一个闭环,表示系统可以连续工作,持续执行智能测温地任务。
实施例4
本实施例提供一种存储介质,存储介质可以是ROM、RAM、磁盘、光盘等储存介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现上述实施例1的基于Yolo神经网络的智能额头测温方法。
存储介质包括上文所述的基于Yolo神经网络的智能额头测温系统中的数据库,其存储一段时间内的行人体温信息,并通过C语言与MySQL数据库的API接口允许服务器调度模块对数据库内容进行读取与动态更新。
实施例5
本实施例提供一种计算设备,所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备,该计算设备包括该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现上述实施例1的基于Yolo神经网络的智能额头测温方法。
本发明基于Yolo神经网络框架在选定的数据集上训练神经网络模型,将模型应用于额头检测,可以实施对特定检测范围内的佩戴口罩的行人实行体温监测;对比应用最广泛的人脸识别测温摄像头,本发明针对佩戴口罩的行人进行了改良,仅对额头进行温度监测,不仅排除了口罩遮挡的干扰,也通过降低测量区域降低了测温系统的功耗。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于Yolo神经网络的智能额头测温方法,其特征在于,包括下述步骤:
采集人脸数据集,进行人脸检测并对人脸区域进行裁剪,截取包含额头区域的图像,批量调整图像格式;
采用标签标注软件对额头区域进行标注,标签内容表示额头区域的矩形顶点坐标位置,并导出XML标注文件,利用文本转化脚本根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;
将标注后的数据集划分为训练集和测试集,下载Yolo神经网络预训练的权重,将Yolo神经网络模型格式转化为tensorflow读取的模型格式,并设置模型读取路径、保存路径、数据集路径和标签路径,设置批尺寸、学习率和损失值;
输入训练集进行Yolo神经网络训练,动态保存网络权重,当损失值维持在设定值且多次迭代后不再降低时,完成Yolo神经网络训练,得到额头检测神经网络模型;
将测试集输入额头检测神经网络模型,得到行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。
2.根据权利要求1所述基于Yolo神经网络的智能额头测温方法,其特征在于,所述采集人脸数据集采用下载开源的数据集CelebA或利用爬虫脚本从互联网爬取人脸数据,再滤除噪声,构成原始数据集。
3.根据权利要求1所述基于Yolo神经网络的智能额头测温方法,其特征在于,所述批量调整图像格式,具体采用等距填充的方式,使得始图像的有效信息位于填充后新图像的正中间,上、下、左、右的填充边缘宽度相等。
4.根据权利要求1所述基于Yolo神经网络的智能额头测温方法,其特征在于,所述XML标注文件中存储图片的路径信息及标签信息。
5.一种基于Yolo神经网络的智能额头测温装置,其特征在于,包括:人脸数据集采集模块、图像预处理模块、标签文件构建模块、参数设置模块、神经网络训练模块和额头检测模块;
所述人脸数据集采集模块用于采集人脸数据集,
所述图像预处理模块用于进行人脸检测并对人脸区域进行裁剪,截取包含额头区域的图像,批量调整图像格式;
所述标签文件构建模块用于采用标签标注软件对额头区域进行标注,标签内容表示额头区域的矩形顶点坐标位置,并导出XML标注文件,文本转化脚本根据XML标注文件的标签生成Yolo神经网络指定的标签文本文件;
所述参数设置模块用于将标注后的数据集划分为训练集和测试集,下载Yolo神经网络预训练的权重,将Yolo神经网络模型格式转化为tensorflow读取的模型格式,并设置模型读取路径、保存路径、数据集路径和标签路径,设置批尺寸、学习率和损失值;
所述神经网络训练模块用于输入训练集进行Yolo神经网络训练,动态保存网络权重,当损失值维持在设定值且多次迭代后不再降低时,完成Yolo神经网络训练,得到额头检测神经网络模型;
所述额头检测模块用于将测试集输入额头检测神经网络模型,得到行人额头的坐标位置,通过每个行人额头的坐标位置定位测温采集的范围,实现实时温度采集。
6.一种基于Yolo神经网络的智能额头测温系统,其特征在于,设有权利要求5所述基于Yolo神经网络的智能额头测温装置,还包括:测温摄像头、摄像头控制模块、通信模块和服务器;
所述测温摄像头用于采集行人画面,并将行人画面通过通信模块传输到服务器;
所述服务器用于将额头检测模块输出的行人额头的坐标位置通过通信模块传输到摄像头控制模块;
所述摄像头控制模块用于根据行人额头的坐标位置定位测温采集的范围,调节测温摄像头进行温度采集;
所述通信模块用于传输行人画面数据、坐标位置数据和温度数据;
所述温度数据存储在服务器中。
7.根据权利要求6所述的基于Yolo神经网络的智能额头测温系统,其特征在于,所述服务器设置有数据库和阈值报警模块;
所述数据库用于存储温度数据,所述阈值报警模块用于设定温度阈值,若数据库中的温度数据超过温度阈值,输出报警信号。
8.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4任一项所述的基于Yolo神经网络的智能额头测温方法。
9.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-4任一项所述的基于Yolo神经网络的智能额头测温方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876947.4A CN112016447A (zh) | 2020-08-27 | 2020-08-27 | 基于Yolo神经网络的智能额头测温方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876947.4A CN112016447A (zh) | 2020-08-27 | 2020-08-27 | 基于Yolo神经网络的智能额头测温方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016447A true CN112016447A (zh) | 2020-12-01 |
Family
ID=73502233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876947.4A Pending CN112016447A (zh) | 2020-08-27 | 2020-08-27 | 基于Yolo神经网络的智能额头测温方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016447A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507952A (zh) * | 2020-12-21 | 2021-03-16 | 天津大学合肥创新发展研究院 | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
CN113008380A (zh) * | 2021-03-10 | 2021-06-22 | 五邑大学 | 一种智慧ai体温预警方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376712A (zh) * | 2018-12-07 | 2019-02-22 | 广州纳丽生物科技有限公司 | 一种人脸额头关键点的识别方法 |
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
CN111160269A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种人脸关键点检测方法及装置 |
CN111486962A (zh) * | 2020-04-15 | 2020-08-04 | 易造机器人(深圳)有限公司 | 基于红外成像的远距离人体面部测温系统及实现方法 |
CN111507248A (zh) * | 2020-04-16 | 2020-08-07 | 成都东方天呈智能科技有限公司 | 一种低分辨热力图的人脸额头区域检测与定位方法及其系统 |
-
2020
- 2020-08-27 CN CN202010876947.4A patent/CN112016447A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376712A (zh) * | 2018-12-07 | 2019-02-22 | 广州纳丽生物科技有限公司 | 一种人脸额头关键点的识别方法 |
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
CN111160269A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种人脸关键点检测方法及装置 |
CN111486962A (zh) * | 2020-04-15 | 2020-08-04 | 易造机器人(深圳)有限公司 | 基于红外成像的远距离人体面部测温系统及实现方法 |
CN111507248A (zh) * | 2020-04-16 | 2020-08-07 | 成都东方天呈智能科技有限公司 | 一种低分辨热力图的人脸额头区域检测与定位方法及其系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507952A (zh) * | 2020-12-21 | 2021-03-16 | 天津大学合肥创新发展研究院 | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
CN112507952B (zh) * | 2020-12-21 | 2023-04-28 | 天津大学合肥创新发展研究院 | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 |
CN113008380A (zh) * | 2021-03-10 | 2021-06-22 | 五邑大学 | 一种智慧ai体温预警方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734851B2 (en) | Face key point detection method and apparatus, storage medium, and electronic device | |
CN111598998B (zh) | 三维虚拟模型重建方法、装置、计算机设备和存储介质 | |
US20190087686A1 (en) | Method and apparatus for detecting human face | |
CN111260665B (zh) | 图像分割模型训练方法和装置 | |
CN110288978A (zh) | 一种语音识别模型训练方法及装置 | |
CN114611705A (zh) | 数据处理方法、机器学习的训练方法及相关装置、设备 | |
CN112016447A (zh) | 基于Yolo神经网络的智能额头测温方法及其应用 | |
US20220351398A1 (en) | Depth detection method, method for training depth estimation branch network, electronic device, and storage medium | |
CN112035671B (zh) | 状态检测方法、装置、计算机设备及存储介质 | |
CN111369428A (zh) | 虚拟头像生成方法和装置 | |
WO2024021742A9 (zh) | 一种注视点估计方法及相关设备 | |
CN113128105A (zh) | 突发性流域水污染事故监测方法及装置 | |
EP4123594A2 (en) | Object detection method and apparatus, computer-readable storage medium, and computer program product | |
CN105468161A (zh) | 指令执行方法和装置 | |
CN111507325B (zh) | 基于深度学习的工业视觉ocr识别系统及方法 | |
US20240070454A1 (en) | Lightweight model training method, image processing method, electronic device, and storage medium | |
US20230289402A1 (en) | Joint perception model training method, joint perception method, device, and storage medium | |
CN116229248A (zh) | 海洋物种的分布预测方法、装置、设备及存储介质 | |
CN115861462A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN115690544B (zh) | 多任务学习方法及装置、电子设备和介质 | |
CN114973006B (zh) | 花椒采摘方法、装置、系统及存储介质 | |
EP4156124A1 (en) | Dynamic gesture recognition method and apparatus, and device and storage medium | |
US20230072641A1 (en) | Image Processing and Automatic Learning on Low Complexity Edge Apparatus and Methods of Operation | |
CN115601834A (zh) | 基于WiFi信道状态信息的跌倒检测方法 | |
WO2023027712A1 (en) | Methods and systems for simultaneously reconstructing pose and parametric 3d human models in mobile devices |
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 |
Application publication date: 20201201 |