CN112084851A - 手卫生效果检测方法、装置、设备及介质 - Google Patents
手卫生效果检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112084851A CN112084851A CN202010770318.3A CN202010770318A CN112084851A CN 112084851 A CN112084851 A CN 112084851A CN 202010770318 A CN202010770318 A CN 202010770318A CN 112084851 A CN112084851 A CN 112084851A
- Authority
- CN
- China
- Prior art keywords
- hand washing
- target
- washing action
- standard
- hand
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 157
- 230000000694 effects Effects 0.000 title claims abstract description 85
- 238000005406 washing Methods 0.000 claims abstract description 409
- 230000009471 action Effects 0.000 claims abstract description 330
- 238000000034 method Methods 0.000 claims abstract description 32
- 239000012634 fragment Substances 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000033001 locomotion Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 210000004247 hand Anatomy 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000002045 lasting effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000035143 Bacterial infection Diseases 0.000 description 4
- 208000022362 bacterial infectious disease Diseases 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011012 sanitization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理技术领域，提供一种手卫生效果检测方法、装置、设备及介质，用于解决手卫生检测不准确的问题。该方法包括：获取测试者的目标视频，从目标视频中识别出洗手动作信息，将洗手动作信息与预存的标准洗手动作信息进行比对，获得测试者的洗手动作检测结果，并根据采集的测试者洗手后的手部图像，确定洗手效果检测结果，该方法结合洗手动作检测结果和洗手效果检测结果，获得更准确的测试者的手卫生检测结果。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种手卫生效果检测方法、装置、设备及介质。
背景技术
细菌感染是一个普遍存在的问题，引起细菌感染的因素有很多，手卫生是其中的一个重要因素，控制细菌感染最简单、最有效、最方便、最经济的方法就是洗手。因此，为减少细菌感染的发生率，手卫生被广泛关注，继而各处都加强了对人员的手卫生培训。
目前在手卫生培训中，主要采用合格的观察员肉眼判断被培训人员的洗手动作是否规范，但检查结果取决于观察员的主观意见，检查结果的准确性不高。
发明内容
本申请实施例提供一种手卫生效果检测方法、装置、设备及介质，用于解决手卫生效果检测不准确的问题。
第一方面，提供了一种手卫生效果检测方法，包括：
获取测试者的目标视频；其中，所述目标视频为采集的测试者在洗手过程中的视频；
从所述目标视频中识别出洗手动作信息，将所述洗手动作信息与预存的标准洗手动作信息进行比对，获得所述测试者的洗手动作检测结果；其中，所述洗手动作信息包括所述测试者的洗手动作所属的标准洗手动作，所述标准洗手动作信息包括七个标准洗手动作；
根据采集的所述测试者洗手后的手部图像，确定洗手效果检测结果；其中，所述洗手效果检测结果用于表示手部清洁程度；
根据所述洗手动作检测结果和所述洗手效果检测结果，获得所述测试者的手卫生检测结果。
本实施例中基于测试者在洗手过程中的视频，识别出测试者的洗手动作信息，获得测试者的洗手动作检测结果，并根据测试者洗手完毕后的手部图像，确定洗手效果检测结果，结合洗手动作检测结果和洗手效果检测结果，获得测试者的手卫生检测结果，在检查测试者的手是否洗干净的同时，还能检查测试者的洗手动作是否规范，提高了手卫生效果检测的准确性，并有助于测试者注意洗手动作的规范性，养成良好的手卫生习惯。且，本实施例能够自动化检测洗手效果以及洗手动作，提升手卫生效果检测的效率，相较于现有技术中通过观察员观察进行评估的方式，相对节省人力。
在一种可能的实施例中，从所述目标视频中识别出洗手动作信息，包括：
对所述目标视频进行划分，获得多个目标片段；其中，所述多个目标片段中任意两个片段具有相同帧数；
针对每个目标片段，将目标片段划分为多个具有相同帧数的目标子片段，并从各目标子片段中随机采出至少一个目标帧，获得每个目标片段中的多个目标帧；
针对每个目标片段，识别所述多个目标帧中各目标帧属于各标准洗手动作中的第一分数；
针对每个目标片段，根据多个目标帧中各目标帧对应的第一分数，确定出每个目标片段对应的所属的标准洗手动作。
本实施例中将目标视频划分为多个目标片段，从目标片段中采出多个目标帧，对多个目标帧进行洗手动作识别，基于多个目标帧的识别结果，确定目标片段的识别结果，有利于提高洗手动作识别的准确性。且，本申请实施例中是对目标视频中的部分图像进行处理，以获得目标视频所属的洗手动作信息，相对可简化处理量。
在一种可能的实施例中，针对每个目标片段，根据多个目标帧中各目标帧对应的第一分数，确定出各目标片段对应的所属的标准洗手动作，包括：
针对七个标准洗手动作中每个标准洗手动作，将多个目标帧中属于标准洗手动作的第一分数加权求和，获得各目标片段属于各标准洗手动作的第二分数；
针对每个目标片段，根据目标片段属于各标准洗手动作的第二分数，将最大的第二分数对应的标准洗手动作确定为目标片段所属的标准洗手动作。
本实施例中对多个目标帧的第一分数进行加权求和，基于多个目标帧的第一分数的加权值，获得目标片段的第二分数，进而确定目标片段的识别结果，有利于提高洗手动作识别的准确性。且，第二分数越大说明目标片段属于对应的标准洗手动作的可能性越大，将最大的第二分数作为动作识别的判断依据，进一步保证洗手动作识别结果的准确性。
在一种可能的实施例中，从所述目标视频中识别出洗手动作信息，还包括：
在获得多个目标片段时，记录每个目标片段的时长；
当确定第N+1个目标片段所属的标准洗手动作，与第N个目标片段所属的第一标准洗手动作相同时，则将所述第N+1个目标片段的时长和所述第N个目标片段的时长之和确定为所述第一标准洗手动作的洗手时长；其中，所述第N+1个目标片段和第N个目标片段为所述多个目标片段中的相邻两个片段；
当确定所述第N+1个目标片段所属的标准洗手动作，与所述第N个目标片段所属的第一标准洗手动作不相同时，则将所述第N个目标片段的时长确定为所述第一标准洗手动作的洗手时长。
本实施例中还可以检查测试者每个洗手动作的持续时长，结合每个洗手动作的持续时长判断测试者的洗手动作是否规范，进而保证洗手动作检测结果的准确性和全面性。
在一种可能的实施例中，所述洗手动作信息是通过已训练的洗手动作识别模型得到的，所述洗手动作识别模型是通过如下方式训练得到的，还包括：
获得样本数据；其中，所述样本数据包括样本视频，所述样本视频是指七个标准洗手动作相关的视频，所述样本视频中各视频帧标有所属的真实标准洗手动作；
根据所述样本视频中各视频帧所属的真实标准洗手动作，将所述样本视频分成多个样本片段；
针对每个样本片段，将所述样本片段按相等间隔分成多个样本子片段，从每个样本子片段中随机采出至少一个样本帧，获得每个样本片段中的多个样本帧；
针对每个样本片段，识别多个样本帧中各样本帧属于各标准洗手动作中的第一分数；
针对每个样本片段，根据多个样本帧中各样本帧对应的第一分数，确定出每个样本片段对应的所属的预测标准洗手动作；
根据每个样本片段所属的真实标准洗手动作与对应的预测标准洗手动作的误差，调整所述洗手动作识别模型的模型参数，直到所述洗手动作识别模型的损失满足目标损失，获得已训练的洗手动作识别模型。
本实施例中将样本视频划分为多个样本片段，从样本片段中采出多个样本帧，根据多个样本帧所属的标准洗手动作确定样本片段的标准洗手动作，提高确定样本片段的标准洗手动作的准确性，有利于提高模型训练的准确性。且，本申请实施例中是对样本视频中的部分图像进行训练，以达到对样本视频进行训练的目的，相对降低了计算开销，提高了训练模型的速度。
在一种可能的实施例中，根据采集的所述测试者洗手后的手部图像，确定洗手效果检测结果，包括：
从所述手部图像提取具有标记的目标区域；
根据所述目标区域的面积与手部区域的面积的比值，获得洗手效果检测结果。
本实施例中以标记区域与手部区域的比值确定手部清洁程度，可简单快速地检测出洗手效果，且提供了一种量化洗手效果的方式，使洗手效果检测结果更加具象化。
在一种可能的实施例中，从所述手部图像提取具有标记的目标区域，包括：
根据所述手部图像的颜色分布，提取所述手部图像中的手部区域；
根据所述标记对应的颜色，从所述手部区域中提取出目标区域。
本实施例中根据标记对应的颜色提取目标区域，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，具有较高的鲁棒性，因此基于颜色提取目标区域的方法通用性更强、更简单。
第二方面，提供一种手卫生效果检测装置，包括：
获取模块，用于获取测试者的目标视频；其中，所述目标视频为采集的测试者在洗手过程中的视频；
识别模块，用于从所述目标视频中识别出洗手动作信息，将所述洗手动作信息与预存的标准洗手动作信息进行比对，获得所述测试者的洗手动作检测结果；其中，所述洗手动作信息包括所述测试者的洗手动作所属的标准洗手动作，所述标准洗手动作信息包括七个标准洗手动作；
确定模块，用于根据采集的所述测试者洗手后的手部图像，确定洗手效果检测结果；其中，所述洗手效果检测结果用于表示手部清洁程度；
获得模块，用于根据所述洗手动作检测结果和所述洗手效果检测结果，获得所述测试者的手卫生检测结果。
第三方面，提供一种手卫生效果检测设备，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，所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任一项所述的方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如第一方面中任一项所述的方法。
附图说明
图1为本申请实施例提供的一种手卫生效果检测方法的应用场景示意图；
图2为本申请实施例提供的一种手卫生效果检测方法的流程示意图；
图3为本申请实施例提供的一种TSN网络模型结构图；
图4为本申请实施例提供的一种手卫生效果检测装置的结构示意图；
图5为本申请实施例提供的一种手卫生效果检测设备的结构示意图。
具体实施方式
为了更好的理解本申请实施例提供的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。
目前，在手卫生培训中，主要采用合格的观察员肉眼判断被培训人员的洗手动作是否规范，观察员凭主观意见获得的检查结果容易产生偏差。且，被培训人员发现自己成为检查对象时，会刻意改变手部动作，以达到想要的结果。因此，根据观察员的判断，获得的检查结果准确性不高。
鉴于此，本申请实施例提供一种手卫生效果检测方法，该方法可以由手卫生效果检测设备执行，为了简化描述，下文中将手卫生效果检测设备简称为检测设备。检测设备可以通过终端或服务器实现，终端例如个人计算机、手机、或嵌入式设备等，嵌入式设备例如摄像头等，服务器例如实体服务或虚拟服务器等。下面对该检测设备的部署示意图进行说明。
请参照图1，为检测设备的部署示意图，或可以理解为本申请实施例提供的检测方法的应用场景示意图，或可以理解为手卫生处理系统的架构图。该手卫生处理系统包括识别装置110、暗箱120以及检测设备130，三者之间互相通信连接。识别装置110包括第一摄像头140和第一显示屏150，暗箱120包括第二摄像头160、紫光灯170和第二显示屏180。第二摄像头160和紫光灯170可以设置在暗箱120的主体内部，第二显示屏180可以设置在暗箱120的表面。其中，第一显示屏150和第二显示屏180可以是集成在检测设备130上，或由检测设备130控制，或相对于检测设备130独立设置的显示屏。
在各种场所中都可以进行手卫生培训，例如医院、餐饮厅、幼儿园等。对于参与培训的测试者，第一摄像头140可以采集测试者在洗手过程中的视频，发送给检测设备130，检测设备130对获得的视频进行处理，得到测试者的洗手动作信息，并通过第一显示屏150显示测试者的洗手动作信息。其中，处理视频的方法将在下文中进行介绍。
在测试者洗手完毕后，将双手放入暗箱120，在紫光灯170的照射下，第二摄像头160获得测试者的手部图像，发送给检测设备130，检测设备130对获得的手部图像进行处理，得到测试者的洗手效果，并通过第二显示屏180显示测试者的洗手效果。其中，处理手部图像的方法将在下文中进行介绍。检测设备130根据测试者的洗手动作信息和洗手效果，获得测试者的手卫生检测结果，并通过第一显示屏150显示测试者的手卫生检测结果。
基于图1论述的应用场景，下面对本申请实施例涉及的一种手卫生效果检测方法进行介绍。请参照图2，为一种手卫生效果检测方法的流程示意图，该方法包括：
S201，检测设备130获取测试者的目标视频。
检测设备130预存有一个或多个测试者的用户标识、以及每个测试者对应的目标人脸图像。其中，用户标识例如用户姓名，测试者泛指任意需要进行手卫生效果检测的用户，例如参加手卫生培训的用户。
在测试者洗手之前，第一摄像头140采集测试者的待处理人脸图像，将待处理人脸图像发送给检测设备130，检测设备130将收到的待处理人脸图像与预存的各个目标人脸图像进行对比，将相似度比较高的目标人脸图像作为人脸识别结果，从而获得测试者的用户标识。
测试者洗手开始，第一摄像头140录制目标视频，目标视频具体为采集的测试者在洗手过程中的视频，例如，第一摄像头140在其监控范围内采集的该测试者从洗手开始到结束的视频。
S202，检测设备130从目标视频中识别出洗手动作信息，将洗手动作信息与预存的标准洗手动作信息进行比对，获得测试者的洗手动作检测结果。
检测设备130在获得目标视频之后，可以对目标视频进行处理，从目标视频中获得测试者对应的洗手动作信息。当洗手动作信息包括的信息内容不同时，识别洗手动作信息的方式也不同，下面进行示例说明。
一，洗手动作信息包括测试者的洗手动作所属的标准洗手动作。
标准洗手动作是指标准洗手过程中涉及的七个标准洗手动作中任一洗手动作，七个标准洗手动作包括第一个标准洗手动作：“内”动作、第二个标准洗手动作：“外”动作、第三个标准洗手动作：“夹”动作、第四个标准洗手动作：“弓”动作、第五个标准洗手动作：“大”动作、第六个标准洗手动作：“立”动作和第七个标准洗手动作：“腕”动作。
检测设备130可以预存有七个标准洗手动作中每个标准洗手动作的参考图像，检测设备130在获得目标视频后，可以从目标视频中获得多个视频帧，将视频帧与各标准洗手动作的参考图像进行匹配，如果某部分的视频帧属于某个标准洗手动作的参考图像，则确定视频帧对应的视频属于该参考图像对应的某个标准洗手动作。
或者，检测设备130可以分段检测目标视频中各目标片段所属的标准洗手动作。
具体的，检测设备130可以对目标视频进行分段处理，例如将目标视频按相同帧数划分为多个目标片段。
进一步的，在分段处理时，可间隔相同帧数后再进行分段处理，这样可以减少后续处理量。例如，目标视频包括0～324帧，0-299帧划为第一个目标片段，24-324帧划为第二个目标片段，以此类推，获得多个目标片段。
将各个目标片段划分为多个具有相同帧数的目标子片段。例如，第一目标片段包括0-299帧，其中将0-99帧划为第一个目标子片段，将100-199帧划为第二个目标子片段，将200-299帧划为第三个目标子片段，获得第一个目标片段的3个目标子片段。
从每个目标子片段中随机采出至少一个目标帧。例如，第一个目标片段包括3个目标子片段，第一个目标子片段为0-99帧，第二个目标子片段为100-199帧，第三个目标子片段为200-299帧，分别从0-99帧、100-199帧、200-299帧中随机采一个目标帧，获得第一个目标片段的3个目标帧。
识别得到各目标帧属于各标准洗手动作中的第一分数，每个目标帧可能属于7个标准洗手动作中的任一标准洗手动作，因此可以获得目标帧属于7个标准洗手动作中每个标准洗手动作的第一分数。每个目标帧对应有7个第一分数，这7个第一分数分别对应目标帧属于7个标准洗手动作的分值。
例如，某目标帧属于7个标准洗手动作的第一分数分别为{10,20,30,40,50,60,70}，表示该目标帧属于第一标准洗手动作的分值为10，该目标帧属于第二标准洗手动作的分值为20，以此类推，该目标帧属于第七标准洗手动作的分值为70。
检测设备130根据各目标帧对应的第一分数，确定出每个目标片段对应的所属的标准洗手动作。
针对每个目标片段，检测设备130将目标帧中最多属于的某个标准洗手动作确定为该目标片段所属的标准洗手动作。将目标帧属于标准洗手动作的第一分数最高的标准洗手动作确定为该目标帧所属的标准洗手动作。例如，第一目标片段包括目标帧0～9，而属于第二个标准洗手动作的目标帧最大，因此确定第一目标片段属于第二个标准洗手动作。
或者，针对每个目标片段，检测设备130为每个目标帧分配相应的权值，每个目标帧对应的权值可以是相同或不同的。将多个目标帧的第一分数中属于一个标准洗手动作的分值进行加权求和，得到目标片段属于该标准洗手动作的第二分数。以此类推，获得目标片段所属各标准洗手动作的第二分数。
由于每个目标帧对应每个标准洗手动作具有一个第一分数，因此针对每个标准洗手动作，将多个目标帧对应该标准洗手动作的第一分数进行加权求和，可以得到该目标片段属于该标准洗手动作的第二分数。依次获得该目标片段分别属于7个标准洗手动作的7个第二分数，这7个第二分数分别对应该目标片段属于7个标准洗手动作的分值。将第二分数最大对应的标准洗手动作确定为该目标片段所属的标准洗手动作。以此类推，获得各目标片段所属的标准洗手动作。
例如，第一个目标片段包括3个目标帧，第一目标帧属于7个标准洗手动作的第一分数分别为{10,20,30,40,50,60,70}，第二目标帧属于7个标准洗手动作的第一分数分别为{11,21,31,41,51,61,71}，第三目标帧属于7个标准洗手动作的第一分数分别为{12,22,32,42,52,62,72}，这三个目标帧对应的加权权重分别为0.4、0.3和0.3。将这3个目标帧中属于第一标准洗手动作的3个分数10、11和12进行加权求和，即第一目标片段属于第一标准洗手动作的第二分数为10×0.4+11×0.3+12×0.3＝10.9。以此类推，获得第一个目标片段属于各标准洗手动作的7个第二分数。
进一步地，针对每个目标片段，将目标片段对应各标准洗手动作的第二分数进行归一化，获得该目标片段属于各标准洗手动作的概率，将概率最大对应的标准洗手动作确定为该目标片段所属的标准洗手动作。
进一步地，检测设备130还设置有置信度阈值，如果目标片段的7个概率中最大的概率大于或等于置信度阈值，则该目标片段确定属于最大概率对应的标准洗手动作。如果最大的概率小于置信度阈值，则确定该目标片段属于这个7个标准洗手动作以外的动作。
在一种可能的实施例中，洗手动作信息是通过已训练的洗手动作识别模型得到的。洗手动作识别模型可以是采用TSN网络模型，请参照图3，为本申请实施例提供的一种TSN网络模型结构图，该模型包括随机采样模块301、特征提取模块302和特征融合模块303，下面将TSN网络模型对目标视频处理的过程进行介绍：
随机采样模块301，用于从目标片段中随机获取多个目标帧。
具体的，将目标片段划分为K个目标子片段{S1,S2,…,Sk}，分别从每个目标子片段Sk中随机采一个目标帧Tk，获得目标片段的K个目标帧{T1,T2,…,Tk}。
特征提取模块302，用于获取每个目标帧属于各标准洗手动作的第一分数。
具体的，特征提取模块可以通过卷积神经网络(Convolutional NeuralNetworks,CNN)实现，例如Inception V3。CNN包括卷积层、池化层和全连接层。将目标帧Tk输入CNN，其中的卷积层提取目标帧Tk的特征，例如，颜色、纹理、形状等，池化层对提取的特征进行特征选择和信息过滤，从而减少特征数，而全连接层对过滤后的特征进行非线性组合，获得目标帧Tk属于各标准洗手动作的第一分数F(Tk；W)。
特征融合模块303，用于获取目标片段属于各标准洗手动作的第二分数。
具体的，将目标帧Tk属于各标准洗手动作的第一分数F(Tk；W)进行融合，公式如下：
TSN(T1,T2,…,Tk)＝H(G(F(T1；W),F(T2；W),…,F(Tk；W))) (1)
其中，G为段共识函数，返回目标片段属于各标准洗手动作的第二分数；H为预测函数，返回目标片段属于各标准洗手动作的概率。
例如，TSN网络模型对目标视频的处理过程示例为：将目标视频按相同帧数划分为多个目标片段，将每个目标片段分成K个目标子片段，分别从每个目标子片段中随机选取1张图片，获得目标片段的K张图片。将这K张图片中每张图片大小都裁剪为224*224，并分为R、G、B三个通道模式，输入CNN，如Inception V3网络。Inception V3网络输出K个1行7列的第一矩阵，每个第一矩阵中的7列分别表示该图片属于各标准洗手动作的第一分数。公式(1)中的G取average函数，对这K个1行7列的第一矩阵求平均，融合为一个1行7列的第二矩阵，第二矩阵中的7列分别表示这K张图片对应的目标片段属于各标准洗手动作的第二分数。公式(1)中的H取Softmax函数，将第二矩阵中7列的分值归一化，获得这K张图片对应的目标片段属于各标准洗手动作的7个概率，将概率最大对应的标准洗手动作确定为该目标片段所属的标准洗手动作。
作为一种实施例，洗手动作识别模型可以通过如下方式训练得到的：
S1.1：获得样本视频，并将样本视频划分为多个样本片段。
具体的，样本视频是指七个标准洗手动作相关的视频，进一步理解为采用标准的七步洗手法洗手过程中的视频，样本视频可以是检测设备130从网络资源上获取的或通过检测设备130采集的。
检测设备130获得样本视频后，根据样本视频中各视频帧所属的真实标准洗手动作，将样本视频分成多个样本片段，由于包括七个标准洗手动作，因此可以获得七个样本片段。每个样本片段对应其所属的标准洗手动作，例如可以为每个样本片段设置对应的标签值，如第一个标准洗手动作的标签值设置为0，第二个标准洗手动作的标签值设置为1，第三个标准洗手动作的标签值设置为2，第四个标准洗手动作的标签值设置为3，第五个标准洗手动作的标签值设置为4，第六个标准洗手动作的标签值设置为5，第七个标准洗手动作的标签值设置为6。
S1.2：将样本片段输入TSN网络模型。
TSN网络模型对样本片段进行处理，处理过程可以参照前文论述的对目标片段进行处理的内容，此处不再赘述。
S1.3：使用反向传播算法不断迭代，调整TSN网络模型的参数W，直到达到预设条件，获得已训练的洗手动作识别模型。
预设条件比如达到最大训练次数或者损失函数满足目标损失。具体调整参数的表达式如下：
其中，K是TSN模型使用的段数；
为偏微分；L(y,G)为最终损失函数，公式如下：
其中，C为洗手动作的类别数，因为有七个标准洗手动作，所以C＝7；i为对应标准洗手动作的类别；yi为标准洗手动作类别i的标签值；Gi为共识函数，其中G具体表示为：
Gi＝g(Fi(T1),Fi(T2),…,Fi(Tk)) (4)
其中，TSN网络模型中分割的目标子片段的数目可以用Segement_nums表示，即对应前文中公式(1)、公式(2)和公式(4)中的K值。例如，TSN网络模型的Segement_nums可以取值为3，即每次训练将每个目标片段分成3个目标子片段。
作为一种实施例，TSN网络模型采用批量处理的方式，以加快计算。TSN网络模型每次训练中的批量样本尺寸可以表示为batch_size，例如，TSN网络模型的batch_size可以取值为8，即每次训练采用8个样本片段。TSN网络模型的输出数目可以用output_num表示，由于有7个标准洗手动作，所以output_num＝7。
二、洗手动作信息包括测试者洗手动作的总时长。
洗手动作的总时长是指测试者从第一个洗手动作到第七个洗手动作的总时长。
具体的，在获取测试者的目标视频时，记录目标视频的总时长，该总时长即为测试者洗手动作的总时长。
三、洗手动作信息包括每个洗手动作对应的洗手时间。
每个洗手动作对应的洗手时间是指七个标准洗手动作中每个洗手动作的时长。
具体的，在获得多个目标片段时，记录每个目标片段的时长。第一个目标片段的识别结果是第一标准洗手动作，那设置第一标准洗手动作的洗手时长为第一目标片段的时长。若第二个目标片段识别结果也是第一标准洗手动作，那第一标准洗手动作的时长更新为第一个目标片段和第二个目标片段的时长之和。若第二个目标片段识别结果是第二标准洗手动作，那第一标准洗手动作的时长更新结束，设置第二标准洗手动作的时长为第二个目标片段的洗手时长。继续判断第三目标片段与第二目标片段的识别结果是否一样，更新第二标准洗手动作的时长，直到识别完所有目标片段，获得每个洗手动作对应的洗手时间。
上述是对洗手动作信息的内容进行示例说明，实际实施中，洗手动作信息包括洗手动作所属的标准洗手动作，洗手动作信息还可以包括洗手总时长或每个洗手动作对应的洗手时长中的一种或两种。
检测设备130通过上述过程，可以获得洗手动作检测结果，该洗手动作检测结果可以包括测试者的洗手动作所属的标准洗手动作和每个洗手动作对应的洗手时间中的一种或几种。
为了便于用户查看，检测设备130可以输出该洗手动作检测结果，由于标准洗手动作包括7个，因此检测设备130可以针对该测试者的每个标准洗手动作输出一检测结果，并关联输出每个洗手动作对应的洗手时长。
进一步地，结合7个标准洗手动作和每个洗手动作对应的洗手时长，输出该测试者洗手动作是否规范的结果。例如，洗手动作是否规范的判断依据为每一个洗手动作对应的洗手时长是否达到15秒，若均达到15秒则视为洗手动作规范，否则视为洗手动作不规范。
例如，动作规范输出结果示例：(1)“内”动作，持续时间15秒；(2)“外”动作，持续时间17秒；(3)“夹”动作，持续时间16秒；(4)“弓”动作，持续时间15秒；(5)“大”动作，持续时间19秒；(6)“立”动作，持续时间15秒；(7)“腕”动作，持续时间17秒；(8)洗手动作规范。
动作不规范输出结果示例：(1)“内”动作，持续时间15秒；(2)“外”动作，持续时间0秒；(3)“夹”动作，持续时间16秒；(4)“弓”动作，持续时间10秒；(5)“大”动作，持续时间19秒；(6)“立”动作，持续时间15秒；(7)“腕”动作，持续时间17秒；(8)洗手动作不规范，“外”动作缺失，请加强该动作练习；“弓”动作持续时长不足，请加强该动作洗手时长。
S203，检测设备130根据采集的测试者洗手后的手部图像，确定洗手效果检测结果。
具体的，检测设备130获得手部图像后，对手部图像进行处理，从手部图像中提取具有标记的目标区域。
检测设备130获得手部图像后，对提取到的手部图像进行高斯模糊，转换成HSV颜色空间，方便对比手部图像各个区域的颜色。由于在暗箱120中采集的手部图像，所以手部图像的背景区域是黑色的，因此根据手部图像的颜色分布，提取出黑色区域，即可分离出前景和背景。对前景进行轮廓检测得到手部区域，根据标记对应的颜色，从手部区域中提取出目标区域。
作为一种实施例，HSV颜色空间包括色调、饱和度和亮度，根据HSV的上限和下限，从手部区域中提取出目标区域。
例如，标记具体可以是洗手液中的荧光剂，具有标记的目标区域即为荧光区域，根据荧光剂在紫外灯照射下发射蓝光的特性，提取手部区域中的蓝色区域。因为是在HSV颜色空间，HSV颜色空间包括色调、饱和度和亮度，设置蓝色区域阈值为下限(100,43,46)和上限(125,255,255)，其中上限中的100和下限中的125表示色调，上限中的43和下限中的255表示饱和度，上限中的46和下限中的255表示亮度，位于上限和下限之间的区域即为荧光区域。
或者，检测设备130获得手部图像后，对提取到的手部图像进行高斯模糊后，使用grabCut算法，基于像素点的灰度值，得到该像素点属于前景或后景的概率，进而分割出前景和背景。对前景进行轮廓检测得到手部区域，将手部区域转为灰度图，通过灰度值提取出亮度较高区域，即具有标记的目标区域。
检测设备130通过上述过程，可以提取具有标记的目标区域，计算区域内的像素点个数获得区域的面积，并计算目标区域的面积与手部区域的面积的比值，如下所示：
其中，R为带有标记的目标区域面积占比；S为区域面积。
根据R与设定的阈值判断测试者的洗手效果，例如，阈值设为10％，若R<10％，则表示洗手效果良好；若R>＝10％，则表示洗手效果较差。
为了便于用户查看，检测设备130可以输出洗手效果检测结果，该洗手效果检测结果包括洗手效果良好或较差，以及手部区域的图像。该手部区域的图像包含带有标记的目标区域，方便测试者直观地看出手部未洗净的区域，确认自己洗手不到位的具体位置，在以后的洗手练习中可以加强对相应位置处的清洗。
S204，检测设备130根据洗手动作检测结果和洗手效果检测结果，获得测试者的手卫生检测结果。
检测设备130可以将洗手动作检测结果和洗手效果检测结果关联，二者关联后的结果作为一种手卫生检测结果。或者，检测设备130对洗手动作检测结果和洗手效果检测结果中的信息进行后处理，获得测试者的手卫生检测结果。后处理例如合并、筛选等。或者，检测设备130根据洗手动作检测结果和洗手效果检测结果，确定测试者不规范的洗手动作等，生成提示信息，该提示信息为一种手卫生检测结果。
例如，检测设备130获得的手卫生检测结果示例为：
(1)若洗手动作检测结果为洗手动作规范，洗手效果检测为洗手效果良好，则输出：手卫生检测结果：动作规范，效果良好，请继续保持。
(2)若洗手动作检测结果为洗手动作规范，洗手效果检测为洗手效果较差，则输出：手卫生检测结果：动作规范，效果较差，建议针对显示带有标记的目标区域部位着重清洗。
(3)若洗手动作检测结果为洗手动作不规范，洗手效果检测为洗手效果良好，则输出：手卫生检测结果：动作不规范，效果良好，建议加强七步洗手法动作规范程度。
(4)若洗手动作检测结果为洗手动作不规范，洗手效果检测为洗手效果较差，则输出：手卫生检测结果：动作不规范，效果较差，建议加强七步洗手法动作规范程度，针对显示带有标记的目标区域部位着重清洗。
上述图2中所示的实施例中，通过测试者在洗手过程中的视频，识别出测试者的洗手动作信息，根据洗手动作信息判断测试者的洗手时长是否达到要求，以及洗手动作是否符合规范，进而获得测试者的洗手动作检测结果，并根据测试者洗手后的手部图像，检查测试者的手是否洗干净，确定洗手效果检测结果，结合洗手动作检测结果和洗手效果检测结果，提高了手卫生效果检测的准确性。且，本申请实施例提供的手卫生效果检测方法有助于测试者注意洗手时长和洗手动作的规范性，养成良好的手卫生习惯。
基于同一发明构思，本申请实施例提供一种手卫生效果检测装置，该装置相当于设置在前文论述的检测设备130中，请参照图4，该装置包括：
获取模块401，用于获取测试者的目标视频；其中，目标视频为采集的测试者在洗手过程中的视频；
识别模块402，用于从目标视频中识别出洗手动作信息，将洗手动作信息与预存的标准洗手动作信息进行比对，获得测试者的洗手动作检测结果；其中，洗手动作信息包括测试者的洗手动作所属的标准洗手动作，标准洗手动作信息包括七个标准洗手动作；
确定模块403，用于根据采集的测试者洗手后的手部图像，确定洗手效果检测结果，其中，洗手效果检测结果用于表示手部清洁程度；
获得模块404，用于根据洗手动作检测结果和洗手效果检测结果，获得测试者的手卫生检测结果。
在一种可能的实施例中，所述识别模块402具体用于：
对目标视频进行划分，获得多个目标片段，其中，多个目标片段中任意两个片段具有相同帧数；
针对每个目标片段，将目标片段划分为多个具有相同帧数的目标子片段，并从各目标子片段中随机采出至少一个目标帧，获得每个目标片段中的多个目标帧；
针对每个目标片段，识别多个目标帧中各目标帧属于各标准洗手动作中的第一分数；
针对每个目标片段，根据多个目标帧中各目标帧对应的第一分数，确定出每个目标片段对应的所属的标准洗手动作。
在一种可能的实施例中，所述识别模块402具体用于：
针对七个标准洗手动作中每个标准洗手动作，将多个目标帧中属于标准洗手动作的第一分数加权求和，获得各目标片段属于各标准洗手动作的第二分数；
针对每个目标片段，根据目标片段属于各标准洗手动作的第二分数，将第二分数最大对应的标准洗手动作确定为目标片段所属的标准洗手动作。
在一种可能的实施例中，所述识别模块402具体用于：
在获得多个目标片段时，记录每个目标片段的时长；
当确定第N+1个目标片段所属的标准洗手动作，与第N个目标片段所属的第一标准洗手动作相同时，则将第N+1个目标片段的时长和第N个目标片段的时长之和确定为第一标准洗手动作的洗手时长；其中，第N+1个目标片段和第N个目标片段为多个目标片段中的相邻两个片段；
当确定第N+1个目标片段所属的标准洗手动作，与第N个目标片段所属的第一标准洗手动作不相同时，则将第N个目标片段的时长确定为第一标准洗手动作的洗手时长。
在一种可能的实施例中，洗手动作信息是通过已训练的洗手动作识别模型得到的，洗手动作识别模型是通过如下方式训练得到的：
获得样本数据；其中，样本数据包括样本视频，样本视频是指七个标准洗手动作相关的视频，样本视频中各视频帧标有所属的真实标准洗手动作；
根据样本视频中各视频帧所属的真实标准洗手动作，将样本视频分成多个样本片段；
针对每个样本片段，将样本片段按相等间隔分成多个样本子片段，从每个样本子片段中随机采出至少一个样本帧，获得每个样本片段中的多个样本帧；
针对每个样本片段，识别多个样本帧中各样本帧属于各标准洗手动作中的第一分数；
针对每个样本片段，根据多个样本帧中各样本帧对应的第一分数，确定出每个样本片段对应的所属的预测标准洗手动作；
根据每个样本片段所属的真实标准洗手动作与对应的预测标准洗手动作的误差，调整洗手动作识别模型的模型参数，直到洗手动作识别模型的损失满足目标损失，获得已训练的洗手动作识别模型。
在一种可能的实施例中，所述确定模块403具体用于：
从手部图像提取具有标记的目标区域；
根据目标区域的面积与手部区域的面积的比值，获得洗手效果检测结果。
在一种可能的实施例中，所述确定模块403具体用于：
根据手部图像的颜色分布，提取手部图像中的手部区域；
根据标记对应的颜色，从手部区域中提取出目标区域。
基于同一发明构思，本申请实施例提供一种手卫生效果检测设备，请参照图5，该设备相当于前文论述的检测设备130，该设备包括：
至少一个处理器501，以及
与所述至少一个处理器501通信连接的存储器502；
其中，所述存储器502存储有可被所述至少一个处理器501执行的指令，所述至少一个处理器501通过执行所述存储器502存储的指令实现如前文论述的手卫生效果检测方法。
处理器501可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元、或为图像处理器等中的一种或多种组合。存储器502可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器502也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flashmemory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器502可以是上述存储器的组合。
作为一种实施例，图5中的处理器501可以实现前文论述的手卫生效果检测方法，处理器501还可以实现前文图4论述的装置的功能。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，当计算机指令在计算机上运行时，使得计算机执行如前文论述的手卫生效果检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种手卫生效果检测方法，其特征在于，包括：
获取测试者的目标视频；其中，所述目标视频为采集的测试者在洗手过程中的视频；
从所述目标视频中识别出洗手动作信息，将所述洗手动作信息与预存的标准洗手动作信息进行比对，获得所述测试者的洗手动作检测结果；其中，所述洗手动作信息包括所述测试者的洗手动作所属的标准洗手动作，所述标准洗手动作信息包括七个标准洗手动作；
根据采集的所述测试者洗手后的手部图像，确定洗手效果检测结果；其中，所述洗手效果检测结果用于表示手部清洁程度；
根据所述洗手动作检测结果和所述洗手效果检测结果，获得所述测试者的手卫生检测结果。
2.如权利要求1所述的方法，其特征在于，从所述目标视频中识别出洗手动作信息，包括：
对所述目标视频进行划分，获得多个目标片段；其中，所述多个目标片段中任意两个片段具有相同帧数；
针对每个目标片段，将目标片段划分为多个具有相同帧数的目标子片段，并从各目标子片段中随机采出至少一个目标帧，获得每个目标片段中的多个目标帧；
针对每个目标片段，识别所述多个目标帧中各目标帧属于各标准洗手动作中的第一分数；
针对每个目标片段，根据多个目标帧中各目标帧对应的第一分数，确定出每个目标片段对应的所属的标准洗手动作。
3.如权利要求2所述的方法，其特征在于，针对每个目标片段，根据多个目标帧中各目标帧对应的第一分数，确定出各目标片段对应的所属的标准洗手动作，包括：
针对七个标准洗手动作中每个标准洗手动作，将多个目标帧中属于标准洗手动作的第一分数加权求和，获得各目标片段属于各标准洗手动作的第二分数；
针对每个目标片段，根据目标片段属于各标准洗手动作的第二分数，将最大的第二分数对应的标准洗手动作确定为目标片段所属的标准洗手动作。
4.如权利要求2所述的方法，其特征在于，从所述目标视频中识别出洗手动作信息，还包括：
在获得多个目标片段时，记录每个目标片段的时长；
当确定第N+1个目标片段所属的标准洗手动作，与第N个目标片段所属的第一标准洗手动作相同时，则将所述第N+1个目标片段的时长和所述第N个目标片段的时长之和确定为所述第一标准洗手动作的洗手时长；其中，所述第N+1个目标片段和第N个目标片段为所述多个目标片段中的相邻两个片段；
当确定所述第N+1个目标片段所属的标准洗手动作，与所述第N个目标片段所属的第一标准洗手动作不相同时，则将所述第N个目标片段的时长确定为所述第一标准洗手动作的洗手时长。
5.如权利要求1～4任一所述的方法，其特征在于，所述洗手动作信息是通过已训练的洗手动作识别模型得到的，所述洗手动作识别模型是通过如下方式训练得到的：
获得样本数据；其中，所述样本数据包括样本视频，所述样本视频是指七个标准洗手动作相关的视频，所述样本视频中各视频帧标有所属的真实标准洗手动作；
根据所述样本视频中各视频帧所属的真实标准洗手动作，将所述样本视频分成多个样本片段；
针对每个样本片段，将所述样本片段按相等间隔分成多个样本子片段，从每个样本子片段中随机采出至少一个样本帧，获得每个样本片段中的多个样本帧；
针对每个样本片段，识别多个样本帧中各样本帧属于各标准洗手动作中的第一分数；
针对每个样本片段，根据多个样本帧中各样本帧对应的第一分数，确定出每个样本片段对应的所属的预测标准洗手动作；
根据每个样本片段所属的真实标准洗手动作与对应的预测标准洗手动作的误差，调整所述洗手动作识别模型的模型参数，直到所述洗手动作识别模型的损失满足目标损失，获得已训练的洗手动作识别模型。
6.如权利要求1～4任一所述的方法，其特征在于，根据采集的所述测试者洗手后的手部图像，确定洗手效果检测结果，包括：
从所述手部图像提取具有标记的目标区域；
根据所述目标区域的面积与手部区域的面积的比值，获得洗手效果检测结果。
7.如权利要求6所述的方法，其特征在于，从所述手部图像提取具有标记的目标区域，包括：
根据所述手部图像的颜色分布，提取所述手部图像中的手部区域；
根据所述标记对应的颜色，从所述手部区域中提取出目标区域。
8.一种手卫生效果检测装置，其特征在于，包括：
获取模块，用于获取测试者的目标视频；其中，所述目标视频为采集的测试者在洗手过程中的视频；
识别模块，用于从所述目标视频中识别出洗手动作信息，将所述洗手动作信息与预存的标准洗手动作信息进行比对，获得所述测试者的洗手动作检测结果；其中，所述洗手动作信息包括所述测试者的洗手动作所属的标准洗手动作，所述标准洗手动作信息包括七个标准洗手动作；
确定模块，用于根据采集的所述测试者洗手后的手部图像，确定洗手效果检测结果，其中，所述洗手效果检测结果用于表示手部清洁程度；
获得模块，用于根据所述洗手动作检测结果和所述洗手效果检测结果，获得所述测试者的手卫生检测结果。
9.一种手卫生效果检测设备，其特征在于，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，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770318.3A CN112084851A (zh) | 2020-08-04 | 2020-08-04 | 手卫生效果检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770318.3A CN112084851A (zh) | 2020-08-04 | 2020-08-04 | 手卫生效果检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112084851A true CN112084851A (zh) | 2020-12-15 |
Family
ID=73735799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010770318.3A Pending CN112084851A (zh) | 2020-08-04 | 2020-08-04 | 手卫生效果检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084851A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113194287A (zh) * | 2021-04-27 | 2021-07-30 | 深圳市升颂科技有限公司 | 一种洗手监控系统及洗手监控方法 |
| CN113362576A (zh) * | 2021-05-14 | 2021-09-07 | 中国人民解放军总医院第六医学中心 | 一种医院用监控手术人员外科手消毒流程的装置 |
| CN114067442A (zh) * | 2022-01-18 | 2022-02-18 | 深圳市海清视讯科技有限公司 | 洗手动作检测方法、模型训练方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012042285A1 (en) * | 2010-09-27 | 2012-04-05 | Budapesti Muszaki És Gazdaságtudományi Egyetem | Method and apparatus for hand desinfection quality control |
| US20140327545A1 (en) * | 2011-06-07 | 2014-11-06 | Biovigil Hygiene Technologies, Llc | Hand cleanliness |
| CN204394387U (zh) * | 2015-01-22 | 2015-06-17 | 武汉东湖学院 | 一种智能交互式儿童洗手器 |
| CN109685038A (zh) * | 2019-01-09 | 2019-04-26 | 西安交通大学 | 一种物品干净程度监测方法及其装置 |
| CN109726668A (zh) * | 2018-12-25 | 2019-05-07 | 大连海事大学 | 基于计算机视觉的洗手及消毒流程规范性自动检测方法 |
| CN110060767A (zh) * | 2019-04-26 | 2019-07-26 | 苏州爱医斯坦智能科技有限公司 | 一种洗手的监控方法、装置、设备及存储介质 |
| CN110334684A (zh) * | 2019-07-12 | 2019-10-15 | 上海秒针网络科技有限公司 | 指导洗手流程的方法及装置 |
-
2020
- 2020-08-04 CN CN202010770318.3A patent/CN112084851A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012042285A1 (en) * | 2010-09-27 | 2012-04-05 | Budapesti Muszaki És Gazdaságtudományi Egyetem | Method and apparatus for hand desinfection quality control |
| US20140327545A1 (en) * | 2011-06-07 | 2014-11-06 | Biovigil Hygiene Technologies, Llc | Hand cleanliness |
| CN204394387U (zh) * | 2015-01-22 | 2015-06-17 | 武汉东湖学院 | 一种智能交互式儿童洗手器 |
| CN109726668A (zh) * | 2018-12-25 | 2019-05-07 | 大连海事大学 | 基于计算机视觉的洗手及消毒流程规范性自动检测方法 |
| CN109685038A (zh) * | 2019-01-09 | 2019-04-26 | 西安交通大学 | 一种物品干净程度监测方法及其装置 |
| CN110060767A (zh) * | 2019-04-26 | 2019-07-26 | 苏州爱医斯坦智能科技有限公司 | 一种洗手的监控方法、装置、设备及存储介质 |
| CN110334684A (zh) * | 2019-07-12 | 2019-10-15 | 上海秒针网络科技有限公司 | 指导洗手流程的方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113194287A (zh) * | 2021-04-27 | 2021-07-30 | 深圳市升颂科技有限公司 | 一种洗手监控系统及洗手监控方法 |
| CN113362576A (zh) * | 2021-05-14 | 2021-09-07 | 中国人民解放军总医院第六医学中心 | 一种医院用监控手术人员外科手消毒流程的装置 |
| CN114067442A (zh) * | 2022-01-18 | 2022-02-18 | 深圳市海清视讯科技有限公司 | 洗手动作检测方法、模型训练方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Petrellis | A smart phone image processing application for plant disease diagnosis | |
| CN112084851A (zh) | 手卫生效果检测方法、装置、设备及介质 | |
| CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| JP2018005640A (ja) | 分類器生成装置、画像検査装置、及び、プログラム | |
| CN111626284B (zh) | 一种手写字体去除的方法、装置、电子设备和存储介质 | |
| Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
| JP6933164B2 (ja) | 学習用データ作成装置、学習用モデル作成システム、学習用データ作成方法、及びプログラム | |
| CN106650795B (zh) | 酒店房型图像的排序方法 | |
| CN114937232B (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
| CN111028218B (zh) | 眼底图像质量判定模型训练方法、装置和计算机设备 | |
| CN112785572B (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
| JP6913953B2 (ja) | 肉質等級の品質基準のデジタル化方法、それによる品質基準を利用した品質評価のデジタル処理方法、それらを利用した自動肉質評価装置、および、それに搭載されるソフトウェア | |
| CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
| CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| CN106846301B (zh) | 视网膜图像分类方法及装置 | |
| CN114550069B (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
| EP4040347A1 (en) | Device and method for learning data augmentation-based space analysis model | |
| CN107862681A (zh) | 一种自拍图像质量推荐方法 | |
| CN109409325B (zh) | 一种识别方法和电子设备 | |
| CN113128581A (zh) | 基于机器学习的能见度检测方法、装置、系统和存储介质 | |
| CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
| CN111179226A (zh) | 视野图的识别方法、装置及计算机存储介质 | |
| KR102550632B1 (ko) | 피부 진단 정보를 이용한 맞춤형 화장품 제조 시스템 및 그 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 |