CN112146761A - 一种基于机器学习的人体测温补偿方法 - Google Patents
一种基于机器学习的人体测温补偿方法 Download PDFInfo
- Publication number
- CN112146761A CN112146761A CN202010818853.1A CN202010818853A CN112146761A CN 112146761 A CN112146761 A CN 112146761A CN 202010818853 A CN202010818853 A CN 202010818853A CN 112146761 A CN112146761 A CN 112146761A
- Authority
- CN
- China
- Prior art keywords
- human body
- temperature measurement
- machine learning
- infrared
- body temperature
- 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
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 70
- 238000010801 machine learning Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 20
- 230000036760 body temperature Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013524 data verification Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000010438 heat treatment Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G01J5/80—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于机器学习的人体测温补偿方法，包括红外人体测温系统，所述红外人体测温系统包括红外测温仪、可见光摄像头、计算设备和显示屏，红外测温仪为一个接收被测物体红外辐射并将其转化为温度输出的装置。本发明中在测温补偿模型学习阶段，使用人脸识别技术实现对人体与红外测温仪之间的水平偏移距离及纵向垂直距离参数的自动采集，避免了费时费力的人工采样过程，便于直接在实际部署环境中对测温补偿模型进行校准，提高测温的精度，本发明中采用了将多种机器学习算法汇总的集成学习方法，相比目前普遍采用的单一线性回归算法模型，可以更好地满足各种不同复杂场景下的高精度测温需要。
Description
技术领域
本发明涉及红外测温技术技术领域，具体为一种基于机器学习的人体测温补偿方法。
背景技术
近年来，流行性疾病对社会卫生安全构成了严重威胁，通过体温检测对疑似患者进行筛查是预防流行性疾病蔓延的重要手段，随着人工智能技术的发展，在应对流行的新型冠状病毒肺炎的斗争中，基于人脸识别的红外测温设备得到了广泛应用，该设备可以部署在人流量大的场所，满足非接触、大面积、远距离、快速筛查体温的需求。
红外测温技术利用红外辐射原理，通过收集人体发射的红外能量，并将其汇聚于检测器上，检测器把这些能量转化为电压信号，电压信号经过数据处理及曲线拟合，即可推算出被测人体温度，相比于传统的水银温度计测温方法，红外测温无需接触人体，具有安全、测温范围广、响应速度快的优点，配合人脸识别技术，将测温图谱与人脸位置进行匹配，可实现在大范围内对多人同时进行测温的能力，极大提升了对疑似感染者的筛选能力。
红外测温技术虽然具有上述优点，但是由于红外测温受环境因素影响较大，例如环境温度、被测物体距离、被测物体发射率、空气中的水蒸气和灰尘颗粒都会影响测量精度，特别是在复杂的户外环境，恶劣的工作条件给红外测温的准确性带来了严重挑战。
为了提高人体测温精度，目前一般从软件和硬件层面进行优化。软件层面一般是通过预先试验得到的测试数据，采用多元线性回归方法，建立人体体温测量实际值与测量距离、环境温度及红外测温器件输出的测量温度之间的关系。
硬件层面的优化则是使用分辨率更高的红外探测器件，并配合黑体进行实时温度校准，采用硬件校准虽然能取到较好的精度，但是存在设备成本高、部署复杂的缺点，为了提高测温设备的性价比，基于软件的测温补偿方法就显得尤为重要。
目前红外人体测温的补偿算法模型一般是在设备出厂前在实验室条件下测量计算得到的，该测量校准过程对环境及设备要求较高，需要较多的人工介入，比如需要使用超声波测距仪或者依靠人工测量红外测温仪(2)与被测人体的距离及位置偏移程度，由此造成数据采样数量困难，难以获得足够多的样本以求取更优的测温补偿模型参数。
并且，目前普遍使用的多元线性回归补偿模型虽然在实现上比较直观简单，但是由于实际部署环境的复杂性，在实验室环境获取的补偿模型未必能很好地适用于真实部署环境。
发明内容
本发明的目的在于提供一种基于机器学习的人体测温补偿方法，具备采集精度效率较高且适应复杂现实环境的优点，解决了背景技术中所提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于机器学习的人体测温补偿方法，包括红外人体测温系统，所述红外人体测温系统包括红外测温仪、可见光摄像头、计算设备和显示屏。
优选的，所述红外测温仪为一个接收被测物体红外辐射并将其转化为温度输出的装置。
优选的，所述可见光摄像头实时采集被测物体的图像，并将采集到的图像实时输出给计算设备。
优选的，所述计算设备接收红外测温仪输出的被测人体温度及环境温度，以及来自可见光摄像头的被测物体图像，计算设备负责执行人脸识别以及机器学习测温补偿算法，并将测温结果叠加到被测人体图像上，输出到显示屏上展示。
优选的，所述显示屏连接在计算设备上，用于显示经计算设备处理后的被测物体图像及温度。
优选的，本发明的实现方法包括以下步骤：
实现方法由两个阶段构成：测温补偿模型学习阶段，简称学习阶段；测温补偿模型执行阶段，简称执行阶段，以下分别对这两个阶段加以说明。
一、学习阶段
(1)将计算设备中的机器学习引擎工作模式设置为学习模式。
(2)被测人体面对红外人体测温系统，用标准体温计测量出被测人脸温度 tr。
(3)计算设备中的数据处理模块接收来自红外测温仪的被测人体温度t1和环境温度t2，加上接收时刻时间戳s1后保持到本地数据库。
(4)数据处理模块接收来自可见光摄像头的图像信息，调用机器学习引擎执行人脸识别算法，将检测到的人脸位置信息(x，y，w，h)及当前时刻时间戳s2存入本地数据库，人脸位置信息中，(x，y，w，h)为识别到的人脸方框信息，其中x，y为人脸方框左上角在屏幕上的坐标，w为方框的宽度，h为方框的高度。
(5)以时间戳作为匹配条件，即s1≈s2，数据处理模块将(x，y，w，h)、 t1、t2、及被测人体实际温度tr进行合并生成一条学习记录。
(6)改变以下测试条件，重复上述数据采集过程，生成多条学习记录：被测人体与红外人体测温系统的水平偏移距离及纵向垂直距离、环境温度、被测人脸温度(例如以热敷方式提高人脸温度)。
(7)数据处理模块对学习记录进行处理，以(x，y，w，h)、t1、t2为基础提取出特征向量集合X；以多次测量值tr组成标签集合Y，生成符合机器学习引擎需要的输入矩阵数据。
(8)机器学习引擎在输入矩阵数据上执行多个监督式回归算法的学习过程，使用的算法包括多元多项式回归算法，岭回归算法，套索回归，弹性网络回归，支持向量回归，根据每种算法输出的精度，给予每种算法不同的权重。
(9)通过测试数据验证学习准确率达到一定标准后，机器学习引擎保存每个算法模型的参数及其精确度权重值，结束学习过程。
二、执行阶段
(1)在红外人体测温设备部署环境中，数据处理模块不断采集来自红外测温仪输出的被测人体温度t1及环境温度t2，以及来自可见光摄像头(3)经由机器学习引擎识别到的人脸位置信息(x，y，w，h)。
(2)数据处理模块以(x，y，w，h)、t1、t2为基础提取出特征向量集合X 输入到已训练好的算法模型，并结合每种算法的权重综合得出被测人体的温度。
(3)数据处理模块将计算出的温度与人脸图片进行叠加后输出到显示屏(5) 上。
与现有技术相比，本发明的有益效果如下：
1、本发明中在测温补偿模型学习阶段，使用人脸识别技术实现对人体与红外测温仪之间的水平偏移距离及纵向垂直距离参数的自动采集，避免了费时费力的人工采样过程，便于直接在实际部署环境中对测温补偿模型进行校准，提高测温的精度。
2、本发明中采用了将多种机器学习算法汇总的集成学习方法，相比目前普遍采用的单一线性回归算法模型，可以更好地满足各种不同复杂场景下的高精度测温需要。
附图说明
图1为本发明系统结构原理示意图；
图2为本发明实施例流程图—学习阶段；
图3为本发明实施例流程图—执行阶段。
图中：1、红外人体测温系统；2、红外测温仪；3、可见光摄像头；4、计算设备；5、显示屏。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
请参阅图1-3，本发明提供一种技术方案：如图1所示，一种基于机器学习的人体测温补偿方法，所述实现方法涉及红外测温仪2、可见光摄像头3、计算设备4及显示屏5。
所述红外测温仪2为一个接收被测物体红外辐射并将其转化为温度输出的装置，红外测温仪2可以是仅支持单点测温的设备，也可以是具备图像输出的多点测温设备，为了简化技术方案的描述，后文以最简单的单点测温设备进行描述，但是本发明提出的方法同样适用于多点测温设备，红外测温仪2一般也具备环境温度监测功能，并且将探测到的被测物体温度和环境温度实时输出给计算设备4。
所述可见光摄像头3实时采集被测物体的图像，并将采集到的图像实时输出给计算设备4，可见光摄像头3可以是直接与计算设备4相连的USB接口设备；或者是通过网络与计算设备4相连接的IP摄像头。
所述计算设备4包含“数据处理模块”和“机器学习模块”两个功能模块，其中，“数据处理模块”接收红外测温仪2输出的被测人体温度、环境温度，以及来自可见光摄像头3的被测物体图像，进一步地，该模块负责对接收到的原始数据进行处理，生成特定的数据格式输出到“机器学习模块”，“机器学习模块”负责执行人脸识别算法，以及机器学习测温补偿算法，输出检测到的人脸位置信息及对被测物体温度的综合计算值。
所述显示屏5连接在计算设备4上，用于显示经计算设备4处理后的被测人体图像及温度。
如图2所示，本发明实施例人体测温补偿方法的学习过程包括如下步骤：
S201：通过配置接口，将计算设备4工作模式设置为学习模式，在学习模式下，需要输入准确的人体参考温度供机器学习算法使用。
一般地，可以使用热敷方式对真实人脸进行加热模拟发热温度；或者对可被识别为人脸的人脸模具进行加热模拟发热温度，可选择在35℃-42℃之间每隔 1度进行一次学习过程，并将实际的测量值tr通过配置接口输入到计算设备4。
在学习过程中，被测人体或者人体模型应置于红外测温设备可探测范围内，并通过前后左右移动采集不同的学习数据。
S202：红外测温仪2不断采集被测人体温度t1以及当前环境温度t2，连同数据采集时刻时间戳s1发往计算设备4的数据处理模块，后者将接收到的数据以s1为索引存入本地数据库。
S203：可见光摄像头3不断将采集到的被测物体图像发送到计算设备4的数据处理模块，后者提取接收到的每一帧图片，调用机器学习引擎执行人脸识别算法。
人脸识别算法对图片中的人脸进行识别，当成功识别到人脸时，以一个覆盖人脸的正方形方框输出人脸位置信息：(x，y，w，h)，其中x，y为人脸方框左上角在图像中的坐标；w为人脸方框的宽度，h为人脸方框的高度。
人脸位置信息(x，y，w，h)，连同图像采集时刻时间戳s2一起被存入计算设备4本地数据库。
S204：计算设备4中的数据处理模块以时间戳作为匹配条件，即|s1-s2|＜α (α取值可以为100毫秒)，将收集到的(x，y，w，h)、t1、t2、及被测人体实际温度tr进行合并生成一条学习记录。
在本发明中，机器学习的目的是建立tr与(x，y，w，h)、t1、t2之间的关系，机器学习算法分为分类和回归两种类型，因为待预测的人体温度为连续数值，本实施例选用常用的监督式回归算法，包括多元多项式回归算法，岭回归算法，套索回归，弹性网络回归，支持向量回归，考虑到人体测温环境的复杂性，单一算法不能满足不同环境下的测温补偿需要，本发明同时采用上述多个回归算法，并根据每种算法输出结果的精度，给予每种算法不同的权重，之后根据算法权重得出综合的校温结果。
为了使用上述机器学习算法，需要构造以下输入数据：特征向量
标签
很明显地，tr即可直接作为标签，对于特征向量，本发明提出由以下4个特征值就行构造，分别为：
(1)被测人体温度t1。
(2)环境温度t2。
(3)人脸与红外测温仪2的水平偏移距离b，即人脸位置中心点与红外测温仪2测温中心点的欧式距离，假设红外测温仪2测温中心点在图像中的坐标为(x0，y0)，则b的计算方法为：
(4)人脸与红外测温仪2的垂直距离d，传统方法一般采用人工或者超声波测距仪获取该特征值，本发明提出利用人脸识别算法输出的人脸位置信息的特点对该值进行间接估算，人脸识别算法输出的人脸方框具有以下特征：人脸越靠近可见光摄像头3，输出的人脸方框越大，因为可见光摄像头3与红外测温仪2安装在同一位置，所以人脸方框面积即可间接表征人脸距离红外测温仪2 的远近，在机器学习算法中，特征值并不需要是真实的准确距离，因而特征d 直接采用人脸方框面积即可，计算方法如下：
d＝w*h
按上述规则构造出的特性向量即为：
从每条学习记录中，取特征向量，构成特征向量集合矩阵X；提取被测人体实际温度构成标签集合Y。
需要说明的是，本实施例虽然只列出了上述四项特征作为特征向量，在实际应用中可以根据需要在特征向量中增加更多的特征值，例如环境湿度、环境风力等参数进一步提高补偿模型的精确度。
S205：数据处理模块将机器学习数据集(X，Y)提交给机器学习模块。
S206：(X，Y)被划分为训练集和测试集两部分，其中训练集被输入到上述各个机器学习算法模型中对模型进行训练；测试集用于验证各个模型的精确度，并按精确度给予各个模型相应的权重值，当通过测试集评估机器学习达到需要的测温精度后，机器学习模块保存每个算法模型的参数及其权重值，并结束学习过程。
如图3所述，本发明的测温补偿算法执行过程如下：
S301：通过配置接口，将计算设备4工作模式设置为执行模式。
S302：红外测温仪2不断采集被测人体温度t1以及当前环境温度t2，连同数据采集时刻时间戳s1发往计算设备4的数据处理模块，后者将接收到的数据以s1为索引存入本地数据库。
S303：可见光摄像头3不断将采集到的被测物体图像发送到计算设备4的数据处理模块。
S304：数据处理模块提取接收到的每一帧图片，调用机器学习引擎执行人脸识别算法得到人脸位置信息(x，y，w，h)，以图片采集时刻时间戳为匹配条件，获取位于同一时刻区间(例如区间值可取为100毫秒)的温度测量值(t1， t2)，按照S204中的特征向量构造方法，得到特征向量
S305：提交特征向量
到机器学习模块。
S306：机器学习模块将特征向量输入到各个已训练好的算法模型对被测人体温度进行预测。
S307：机器学习模块返回预测温度给数据处理模块。
S308：结合各个算法模型的权重值，数据处理模块计算出被测人体的综合预测温度。
S309：数据处理模块将预测温度与人脸图片相叠加，输出到显示屏5上展示。
综上所述：该基于机器学习的人体测温补偿方法，本发明应用人脸识别技术及监督式回归机器学习算法，实现了一种简便的红外人体测温补偿方法，便于在部署现场对测温预测模型进行校准，满足高精度的测温需求，该方法综合使用多种机器学习算法，可解决现有测温补偿方法中仅单一使用多元线性回归模型带来的局限性，可以更好适应各种部署环境下的高精度测温需要。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于机器学习的人体测温补偿方法，包括红外人体测温系统(1)，其特征在于：所述红外人体测温系统(1)包括红外测温仪(2)、可见光摄像头(3)、计算设备(4)和显示屏(5)。
2.根据权利要求1所述的一种基于机器学习的人体测温补偿方法，其特征在于：所述红外测温仪(2)为一个接收被测物体红外辐射并将其转化为温度输出的装置。
3.根据权利要求1所述的一种基于机器学习的人体测温补偿方法，其特征在于：所述可见光摄像头(3)实时采集被测物体的图像，并将采集到的图像实时输出给计算设备(4)。
4.根据权利要求1所述的一种基于机器学习的人体测温补偿方法，其特征在于：所述计算设备(4)接收红外测温仪(2)输出的被测人体温度及环境温度，以及来自可见光摄像头(3)的被测物体图像，计算设备(4)负责执行人脸识别以及机器学习测温补偿算法，并将测温结果叠加到被测人体图像上，输出到显示屏(5)上展示。
5.根据权利要求1所述的一种基于机器学习的人体测温补偿方法，其特征在于：所述显示屏(5)连接在计算设备(4)上，用于显示经计算设备(4)处理后的被测物体图像及温度。
6.根据权利要求1所述的一种基于机器学习的人体测温补偿方法，其特征在于：本发明的实现方法包括以下步骤：
实现方法由两个阶段构成：(1)测温补偿模型学习阶段，简称学习阶段；(2)测温补偿模型执行阶段，简称执行阶段，以下分别对这两个阶段加以说明。
一、学习阶段
(1)将计算设备(4)中的机器学习引擎工作模式设置为学习模式。
(2)被测人体面对红外人体测温系统(1)，用标准体温计测量出被测人脸温度tr。
(3)计算设备(4)中的数据处理模块接收来自红外测温仪(2)的被测人体温度t1和环境温度t2，加上接收时刻时间戳s1后保持到本地数据库。
(4)数据处理模块接收来自可见光摄像头(3)的图像信息，调用机器学习引擎执行人脸识别算法，将检测到的人脸位置信息(x，y，w，h)及当前时刻时间戳s2存入本地数据库，人脸位置信息中，(x，y，w，h)为识别到的人脸方框信息，其中x，y为人脸方框左上角在屏幕上的坐标，w为方框的宽度，h为方框的高度。
(5)以时间戳作为匹配条件，即s1≈s2，数据处理模块将(x，y，w，h)、t1、t2、及被测人体实际温度tr进行合并生成一条学习记录。
(6)改变以下测试条件，重复上述数据采集过程，生成多条学习记录：被测人体与红外人体测温系统(1)的水平偏移距离及纵向垂直距离、环境温度、被测人脸温度(例如以热敷方式提高人脸温度)。
(7)数据处理模块对学习记录进行处理，以(x，y，w，h)、t1、t2为基础提取出特征向量集合X；以多次测量值tr组成标签集合Y(label)，生成符合机器学习引擎需要的输入矩阵数据。
(8)机器学习引擎在输入矩阵数据上执行多个监督式回归算法的学习过程，使用的算法包括多元多项式回归算法，岭回归算法，套索回归，弹性网络回归，支持向量回归，根据每种算法输出的精度，给予每种算法不同的权重。
(9)通过测试数据验证学习准确率达到一定标准后，机器学习引擎保存每个算法模型的参数及其精确度权重值，结束学习过程。
二、执行阶段
(1)在红外人体测温设备部署环境中，数据处理模块不断采集来自红外测温仪(2)输出的被测人体温度t1及环境温度t2，以及来自可见光摄像头(3)经由机器学习引擎识别到的人脸位置信息(x，y，w，h)。
(2)数据处理模块以(x，y，w，h)、t1、t2为基础提取出特征向量集合X输入到已训练好的算法模型，并结合每种算法的权重综合得出被测人体的温度。
(3)数据处理模块将计算出的温度与人脸图片进行叠加后输出到显示屏(5)上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010818853.1A CN112146761A (zh) | 2020-08-14 | 2020-08-14 | 一种基于机器学习的人体测温补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010818853.1A CN112146761A (zh) | 2020-08-14 | 2020-08-14 | 一种基于机器学习的人体测温补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112146761A true CN112146761A (zh) | 2020-12-29 |
Family
ID=73887516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010818853.1A Pending CN112146761A (zh) | 2020-08-14 | 2020-08-14 | 一种基于机器学习的人体测温补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112146761A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095190A (zh) * | 2021-04-01 | 2021-07-09 | 武汉理工大学 | 一种无接触温度测量与身份识别系统 |
| CN113361337A (zh) * | 2021-05-19 | 2021-09-07 | 中新智擎科技有限公司 | 一种人脸测温补偿方法、装置及电子设备 |
| CN113379772A (zh) * | 2021-07-06 | 2021-09-10 | 新疆爱华盈通信息技术有限公司 | 基于背景消除及跟踪算法的复杂环境下的移动测温方法 |
| CN113721529A (zh) * | 2021-09-03 | 2021-11-30 | 成都理工大学 | 一种基于fpga的数据采集系统 |
| CN113768611A (zh) * | 2021-09-15 | 2021-12-10 | 万东百胜(苏州)医疗科技有限公司 | 利用超声射频信号结合机器学习对组织进行测温的方法 |
| CN113959566A (zh) * | 2021-10-22 | 2022-01-21 | 南水北调东线江苏水源有限责任公司 | 一种复杂工况测温方法及装置 |
| CN114881540A (zh) * | 2022-07-04 | 2022-08-09 | 广东盈峰科技有限公司 | 确定水源治理方案的方法和装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103565422A (zh) * | 2013-11-06 | 2014-02-12 | 江苏大学 | 一种医用红外测温仪及其测量补偿的方法 |
| CN111182452A (zh) * | 2020-01-19 | 2020-05-19 | 上海数川数据科技有限公司 | 一种基于分类自学习的wifi定位方法及系统 |
| CN111458030A (zh) * | 2020-03-11 | 2020-07-28 | 华瑞新智科技（北京）有限公司 | 一种红外人体测温的校准方法以及装置 |
| 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 |
| CN111507306A (zh) * | 2020-04-30 | 2020-08-07 | 多维协同人工智能技术研究院(重庆)有限公司 | 一种基于ai人脸距离检测的温度误差补偿方法 |
-
2020
- 2020-08-14 CN CN202010818853.1A patent/CN112146761A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103565422A (zh) * | 2013-11-06 | 2014-02-12 | 江苏大学 | 一种医用红外测温仪及其测量补偿的方法 |
| CN111182452A (zh) * | 2020-01-19 | 2020-05-19 | 上海数川数据科技有限公司 | 一种基于分类自学习的wifi定位方法及系统 |
| CN111458030A (zh) * | 2020-03-11 | 2020-07-28 | 华瑞新智科技（北京）有限公司 | 一种红外人体测温的校准方法以及装置 |
| 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 |
| CN111507306A (zh) * | 2020-04-30 | 2020-08-07 | 多维协同人工智能技术研究院(重庆)有限公司 | 一种基于ai人脸距离检测的温度误差补偿方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095190A (zh) * | 2021-04-01 | 2021-07-09 | 武汉理工大学 | 一种无接触温度测量与身份识别系统 |
| CN113361337A (zh) * | 2021-05-19 | 2021-09-07 | 中新智擎科技有限公司 | 一种人脸测温补偿方法、装置及电子设备 |
| CN113379772A (zh) * | 2021-07-06 | 2021-09-10 | 新疆爱华盈通信息技术有限公司 | 基于背景消除及跟踪算法的复杂环境下的移动测温方法 |
| CN113379772B (zh) * | 2021-07-06 | 2022-10-11 | 新疆爱华盈通信息技术有限公司 | 基于背景消除及跟踪算法的复杂环境下的移动测温方法 |
| CN113721529A (zh) * | 2021-09-03 | 2021-11-30 | 成都理工大学 | 一种基于fpga的数据采集系统 |
| CN113768611A (zh) * | 2021-09-15 | 2021-12-10 | 万东百胜(苏州)医疗科技有限公司 | 利用超声射频信号结合机器学习对组织进行测温的方法 |
| CN113768611B (zh) * | 2021-09-15 | 2023-09-29 | 万东百胜(苏州)医疗科技有限公司 | 利用超声射频信号结合机器学习对组织进行测温的方法 |
| CN113959566A (zh) * | 2021-10-22 | 2022-01-21 | 南水北调东线江苏水源有限责任公司 | 一种复杂工况测温方法及装置 |
| CN113959566B (zh) * | 2021-10-22 | 2023-11-17 | 南水北调东线江苏水源有限责任公司 | 一种复杂工况测温方法及装置 |
| CN114881540A (zh) * | 2022-07-04 | 2022-08-09 | 广东盈峰科技有限公司 | 确定水源治理方案的方法和装置、电子设备和存储介质 |
| CN114881540B (zh) * | 2022-07-04 | 2022-09-27 | 广东盈峰科技有限公司 | 确定水源治理方案的方法和装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112146761A (zh) | 一种基于机器学习的人体测温补偿方法 | |
| CN112766103B (zh) | 一种机房巡检方法及装置 | |
| CN108535321B (zh) | 一种基于三维红外热成像技术的建筑热工性能检测方法 | |
| WO2021063062A1 (zh) | 一种电网设备带电检测系统、红外热像仪及方法 | |
| CN110598736A (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN110443969A (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
| CN106251249A (zh) | 一种建筑施工信息化动态监测系统 | |
| CN112033545B (zh) | 人体温度红外测量方法、装置及计算机设备 | |
| CN111598156B (zh) | 基于多源异构数据融合的pm2.5预测方法 | |
| CN105045950A (zh) | 一种基于三维激光扫描的桥梁安全评估系统 | |
| CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
| CN105426837B (zh) | 移动网络视觉雾霾检测系统 | |
| CN111458036B (zh) | 一种基于多元回归的人体体温测量修正方法及系统 | |
| CN111798407A (zh) | 一种基于神经网络模型的带电设备故障诊断方法 | |
| CN107944118A (zh) | 一种有效的建筑安全监测方法 | |
| CN109636927B (zh) | 一种飞行器姿态测量算法训练与鉴定的系统及方法 | |
| CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
| Kong et al. | Detecting seismic anomalies in outgoing long-wave radiation data | |
| CN112418251A (zh) | 红外体温检测方法及系统 | |
| CN107918135A (zh) | 水分胁迫状态监测方法、装置及电子设备 | |
| CN105184233A (zh) | 基于多源信息融合的在室人数测量及记录的方法及装置 | |
| CN114970743A (zh) | 一种基于多模态深度学习的多源遥感降雨数据融合方法 | |
| CN113947796A (zh) | 一种基于身份识别的人体温度趋势检测方法及装置 | |
| CN203677065U (zh) | 一种红外体温监测自动校准系统 | |
| CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |
|
| RJ01 | Rejection of invention patent application after publication |