CN113033399A - 溺水检测方法、装置、电子设备及存储介质 - Google Patents
溺水检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113033399A CN113033399A CN202110319505.4A CN202110319505A CN113033399A CN 113033399 A CN113033399 A CN 113033399A CN 202110319505 A CN202110319505 A CN 202110319505A CN 113033399 A CN113033399 A CN 113033399A
- Authority
- CN
- China
- Prior art keywords
- personnel
- drowning
- information
- human
- swimming pool
- 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
- 206010013647 Drowning Diseases 0.000 title claims abstract description 106
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 230000009182 swimming Effects 0.000 claims abstract description 93
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000003127 knee Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000009189 diving Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000003643 water by type Substances 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
- G06V40/172—Classification, e.g. identification
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
-
- 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
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)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种溺水检测方法、装置、电子设备及存储介质,包括:获取泳池摄像头采集的泳池水内的泳池图像;提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令。以人员的形态作为依据判断人员是否溺水,可以在人员出现溺水形态的时候及时判断人员的溺水可能,并触发警报以提醒工作人员进行救助,有效提高了溺水检测的效率及有效性。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种溺水检测方法、装置、电子设备及存储介质。
背景技术
随着全球变暖,很多地区在夏天的时候的气温经常达到38℃以上,天气炎热,越来越多的人喜欢去游泳池避暑。然而每年的暑假新闻都有人员溺水的新闻,泳池事故常常难以规避。
目前的泳池经常会通过设置多个安全员实时监测泳池内的情况,在发现溺水人员时及时进行救助;或者在泳池周边设置多个摄像头,通过监控人员实时观察监控画面,当出现疑似溺水的人员时及时通知现场的安全员进行救助。但是,由于安全员、监控人员的经验参差不齐,以及监控画面拍摄角度、距离及图像质量等因素,对溺水情况的判断准确性无法保证。
发明内容
基于此,本发明提供一种溺水检测方法、装置、电子设备及存储介质,可以解决现有技术中溺水判断准确性无法保证的问题。
第一方面,提供一种溺水检测方法,包括:
获取泳池摄像头采集的泳池水内的泳池图像;
提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;
监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;
根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令。
可选的,所述监控若干所述人员标识是否满足预设的检测条件,包括:
监控所述人员标识在所述泳池图像的范围内的停留时长;
当所述停留时长超过预设的时间阈值时,计算所述人员标识在所述停留时长内、在所述泳池中的距离变化值;
当所述距离变化值小于预设的距离阈值时,确定所述人员标识满足所述检测条件。
可选的,所述提取所述人员标识的人形信息,包括:
获取由所述泳池图像提取得到的所述人员标识对应的人体帧图像;
提取所述人体帧图像中的特征点信息,其中,所述特征点信息为所述人体帧图像中指定的一个或多个人体特征点的位置信息;
根据所述特征点信息确定所述人员标识的人形信息。
可选的,所述根据所述人形信息判断所述人员标识是否满足预设的溺水条件,包括:
每间隔第一时间,获取所述人员标识的人形信息;
根据相邻时间内第一数量的人形信息,确定所述人员标识的姿态变化信息;
根据所述姿态变化信息判断所述人员标识是否满足预设的溺水条件。
可选的,所述提取所述泳池图像中的人头信息,据所述人头信息生成若干人员标识,包括:
将所述泳池图像输入到预设的人头识别模型中;
根据所述人头识别模型的输出结果确定所述泳池图像中的人头信息;
根据所述人头信息进行标记,生成若干人员标识。
可选的,还包括人头识别模型的训练方法,所述训练方法包括:
获取包含人头的样本图像和不包含人头的样本图像,并分别赋予人头标签和非人头标签,作为训练样本集;
构建串接的至少两个卷积层,以提取各个样本图像的特征信息并输出特征映射,其中,在至少部分卷积层后加入池化层;
构建反卷积层,以对经过所述至少两个卷积层的特征映射进行反卷积,以将卷积层输出的特征尺寸恢复至原始样本图像大小,并输出样本图像中像素点的分类预测值;
将所述训练样本集输入至人头识别模型中进行训练;
根据预设的损失函数计算人头识别模型输出结果与赋予标签的误差值,并根据误差值进行反向传播调整所述卷积层的卷积参数,直至所述人头识别模型收敛。
可选的,所述损失函数表达式如下:
其中,L表示总损失,n表示输入的样本图像中所有像素点的数目,pi表示像素点i的是否为人头的分类预测值,ri表示像素点i标记的是否为人头的分类值,ε为正数。
第二方面,提供一种溺水检测装置,包括:
获取模块,用于获取泳池摄像头采集的泳池水内的泳池图像;
处理模块,用于提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;
检测模块,用于监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;
执行模块,用于根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令。
可选的,所述溺水检测装置,还包括:
第一监控子模块,用于监控所述人员标识在所述泳池图像的范围内的停留时长;
第一计算子模块,用于当所述停留时长超过预设的时间阈值时,计算所述人员标识在所述停留时长内、在所述泳池中的距离变化值;
第一执行子模块,用于当所述距离变化值小于预设的距离阈值时,确定所述人员标识满足所述检测条件。
可选的,所述溺水检测装置,还包括:
第一获取子模块,用于获取由所述泳池图像提取得到的所述人员标识对应的人体帧图像;
第一提取子模块,用于提取所述人体帧图像中的特征点信息,其中,所述特征点信息为所述人体帧图像中指定的一个或多个人体特征点的位置信息;
第二执行子模块,用于根据所述特征点信息确定所述人员标识的人形信息。
可选的,所述溺水检测装置,还包括:
第二获取子模块,用于每间隔第一时间,获取所述人员标识的人形信息;
第一处理子模块,用于根据相邻时间内第一数量的人形信息,确定所述人员标识的姿态变化信息;
第三执行子模块,用于根据所述姿态变化信息判断所述人员标识是否满足预设的溺水条件。
可选的,所述溺水检测装置,还包括:
第一输入子模块,用于将所述泳池图像输入到预设的人头识别模型中;
第二处理子模块,用于根据所述人头识别模型的输出结果确定所述泳池图像中的人头信息;
第四执行子模块,用于根据所述人头信息进行标记,生成若干人员标识。
可选的,所述溺水检测装置,还包括:
第三获取子模块,用于获取包含人头的样本图像和不包含人头的样本图像,并分别赋予人头标签和非人头标签,作为训练样本集;
第一构建子模块,用于构建串接的至少两个卷积层,以提取各个样本图像的特征信息并输出特征映射,其中,在至少部分卷积层后加入池化层;
第二构建子模块,用于构建反卷积层,以对经过所述至少两个卷积层的特征映射进行反卷积,以将卷积层输出的特征尺寸恢复至原始样本图像大小,并输出样本图像中像素点的分类预测值;
第二输入子模块,用于将所述训练样本集输入至人头识别模型中进行训练;
第五执行子模块,用于根据预设的损失函数计算人头识别模型输出结果与赋予标签的误差值,并根据误差值进行反向传播调整所述卷积层的卷积参数,直至所述人头识别模型收敛。
可选的,所述损失函数表达式如下:
其中,L表示总损失,n表示输入的样本图像中所有像素点的数目,pi表示像素点i的是否为人头的分类预测值,ri表示像素点i标记的是否为人头的分类值,ε为正数。
第三方面,提供一种电子设备,处理器及用于存储处理器可执行指令的存储器;其中,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任一项所述的溺水检测方法的步骤。
第四方面,提供一种非易失性计算机可读存储介质,所述存储介质中存储有计算机可读指令,当所述存储介质中的指令被一个或多个处理器执行时,所述一个或多个处理器执行上述任一项所述的溺水检测方法的步骤。
上述溺水检测方法、装置、电子设备及存储介质,通过提取泳池图像中的人头信息并生成人员标识,可以对泳池内存在的人员进行监控。当监控到有人员标识符合检测条件时,提取对应的人形信息。以人员的形态作为依据判断人员是否溺水,可以在人员出现溺水形态的时候及时判断人员的溺水可能,并触发警报以提醒工作人员进行救助,有效提高了溺水检测的效率及有效性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例溺水检测方法的基本流程示意图;
图2为本发明实施例判断检测条件的流程示意图;
图3为本发明实施例生成人形信息的流程示意图;
图4为本发明实施例判断溺水条件的流程示意图;
图5为本发明实施例生成人员标识的流程示意图;
图6为本发明实施例训练人头识别模型的流程示意图;
图7为本发明实施例溺水检测装置的基本结构框图;
图8为本发明实施例电子设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有付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。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(PersonalCommunicationsService,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(PersonalDigitalAssistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(GlobalPositioningSystem,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(MobileInternetDevice,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
具体地请参阅图1,图1为本实施例溺水检测方法的基本流程示意图。
如图1所示,一种溺水检测方法,包括:
S1100、获取泳池摄像头采集的泳池水内的泳池图像;
在泳池设置多个摄像头以采集泳池水内的图像作为泳池图像,泳池摄像头可以设置在泳池水域的侧壁、底壁等位置,可以采集到泳池水内的图像即可,在此不作限定。多个摄像头可以成一定的角度,设置在不同的位置,使多个摄像头采集的图像范围可以覆盖泳池内的所有区域。本申请的泳池图像可以是帧图像,例如每隔一定时间间隔(例如0.5S)采集一张图像,也可以是视频图像等,泳池图像的拍摄范围应包含水面以下的区域,即应拍摄到人员在水中的身体部位。
S1200、提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;
将采集到的泳池图像输入到预设的人头识别模型中,根据人头识别模型的输出结果确定泳池图像中的人头信息。可以理解的是,溺水主要是因为人员的头部浸没在水中,无法浮起使头部伸出水面,导致无法呼吸。因此,通过泳池图像拍摄泳池水中的泳池图像,检测头部完全处于水中的人员的人头信息。本实施方式中,人头信息包括人头位置,例如位于图像中的位置,或位于水中的位置等,但不限于此。然后通过人头信息对图像中的人员进行标记,形成若干人员标识,人员标识用于表示头部处于水中的人员,例如泳池图像中有10个人员标识,表示此时有10个人员是头部处于水中的。
S1300、监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;
对若干人员标识进行监控,判断人员是否是正常的潜入水中还是存在溺水的可能性。检测条件可以根据实施时的需求进行设置,例如包括头部浸入水中的时间(头部在泳池图像中存在的时间)是否大于预设的阈值、头部朝向(是否向下)、头部浸入水中后是否进行移动(是否在水中游动)等,但不限于此,用于判断人员是否存在溺水可能。
本实施例以检测条件为头部在泳池图像中存在的时间为例,定义其中一个被监控的人员标识为目标人员,由于泳池图像拍摄的是泳池水中的画面,当目标人员的头部处于泳池图像中时,说明人员的头部浸没在水中。通过监控目标人员的头部在画面中存在的时间,当人员的头部在画面中的时间超过预设的时间阈值(例如20秒,但不限于此),说明人员的头部在水中时间较长,存在溺水的可能性,确定满足预设的检测条件,提取对应人员标识的人形信息。人形信息包括目标人员的姿势形态等信息,例如在水中的姿势,动作等,用于判断人员是否溺水。
S1400、根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令;
在一些实施方式中,每间隔一定的时间间隔(例如1秒,但不限于此)获取一次目标人员的人形信息,通过对比前后两次人形信息的差异值,判断人员的动作是属于正常摆动或是慌乱状态。例如当前后两次人形信息中的手部位置差异值大于预设的阈值,说明人员正在慌乱地摆动,确定该人员满足溺水条件。溺水条件可以根据实际应用需要进行设置,例如可以根据躯干方向的差异值,腿部的差异值等,但不限于此。当人员标识满足溺水条件时,确定人员标识对应的人员存在溺水风险,触发预设的警报指令,提醒工作人员进行救助。警报指令也可以通过设置在泳池周边的警报器实现,当确定人员标识满足溺水条件时,激活警报器发出警报,以提醒工作人员。
在另一些实施方式中,可以获取预设时间内,例如2秒时间内,人形位置是否发生变化,以及发生变化的频率,若发生变化,且变化频率大于预设频率值,例如2秒变化10次,则判定该人员满足溺水条件。可以理解,通常人们溺水时,由于慌乱,四肢抖动会比较频繁,因此,通过检测预设时间内人形的变化频率,有助于判断人员是否发生溺水。具体地,可以检测手部和/或腿部位置是否发生变化,但不限于此。
在另一些实施方式中,可以将人形信息输入预设的溺水判断模型中,根据溺水判断模型的输出结果判断人员是否溺水。溺水判断模型为已训练至收敛的神经网络模型,溺水判断模型在训练时,通过收集一定量(例如十万份)人形信息,并进行标记,作为训练样本集。训练样本集包括但不限于溺水状态、游泳状态、悬浮状态、站立状态多种形态下的人形信息。然后将训练样本集输入到神经网络模型中进行检测,根据输出结果判断人员是否属于溺水状态,然后将输出结果与标记进行对比,调整神经网络模型中的权重和置信度,直至输出的结果与标记的距离小于预设的数值,确定溺水判断模型已训练至收敛。
通过提取泳池图像中的人头信息并生成人员标识,可以对泳池内存在的人员进行监控。当监控到有人员标识符合检测条件时,提取对应的人形信息。以人员的形态作为依据判断人员是否溺水,可以在人员出现溺水形态的时候及时判断人员的溺水可能,并触发警报以提醒工作人员进行救助,有效提高了溺水检测的效率及有效性。
如图2所示,监控若干所述人员标识是否满足预设的检测条件,具体包括:
S1310、监控所述人员标识在所述泳池图像的范围内的停留时长;可以理解的是,由于泳池图像拍摄的是泳池水中的画面,当目标人员的头部处于泳池图像的范围内时,说明人员的头部浸没在水中。因此,在对泳池图像进行了人员标识后,监控人员标识在泳池图像的范围内的停留时长。
S1320、当所述停留时长超过预设的时间阈值时,计算所述人员标识在所述停留时长内、在所述泳池中的距离变化值;
当停留时长超过预设的时间阈值(例如20秒,但不限于此),说明人员处于水中的时间较长,存在溺水的可能性。此时需要计算人员标识在水中停留时长内,是否进行了移动,以判断人员是否在潜水游动。
具体的,在标记人员标识时,确定人员标识在泳池中的位置信息。位置信息可以根据多个泳池摄像头采集到的泳池图像进行确定,也可以通过人员标识在某一个泳池图像中的像素位置进行确定。在停留时长超过时间阈值时,再次确定人员标识在泳池中的位置信息,将两个位置信息进行对比,以确定人员标识在停留时长内、在所述泳池中的距离变化值。距离变化值可以表示为人员标识在一个泳池图像中变化的像素值,或通过多个泳池摄像头采集到的泳池图像进行计算。
在另一些实施方式中,每个泳池摄像头配备有距离感应器,通过距离感应器确定人员标识在泳池中的位置,以计算人员标识在停留时长内、在泳池中的距离变化值。
S1330、当所述距离变化值小于预设的距离阈值时,确定所述人员标识满足所述检测条件;
系统中设置有距离阈值,用于判断人员标识是否进行了正常的移动,距离阈值的取值可以根据实际应用场景进行调整,与距离变化值的形式相同,例如距离变化值表示为像素点时,距离阈值同样为像素点;距离变化值表示为长度时,距离阈值同样为长度。本实施方式以距离变体值为长度数值为例,距离阈值设置为一定的距离(例如1米),当距离变化值小于距离阈值,说明对应的人员头部浸没在水中之后几乎没有进行移动,判断可能存在溺水的风险,满足检测条件。
如图3所示,提取所述人员标识的人形信息,具体包括:
S1340、获取由所述泳池图像提取得到的所述人员标识对应的人体帧图像;
通过预设的人形检测算法对泳池图像进行人形检测,识别泳池图像中的人体轮廓,本实施方式中采用的人形检测算法可以为本领域中用于检测图像中的人形的算法,当图像中存在人形时,识别人体轮廓,人体轮廓可以通过像素点坐标范围、坐标集合的方式进行记录,用于确定图像中属于人体的内容,并与人员标识相对应,例如当人体轮廓包含人员标识,确定该人体轮廓与人员标识相对应。在确定人体轮廓之后,根据人体轮廓对图像进行截取,去除非人体的图像内容,形成人体帧图像。
S1350、提取所述人体帧图像中的特征点信息,其中,所述特征点信息为所述人体帧图像中指定的一个或多个人体特征点的位置信息;
将人体帧图像输入预训练至收敛的特征点提取模型中,根据特征点提取模型的输出结果确定人体帧图像中各特征点的位置信息。
上述特征点提取在训练时,通过将一定量(例如10万份)已标记特征点位置的训练样本进行训练,每个训练样本为已经标记对应特征点(例如头、左肩、右肩、左膝、右膝,但不限于此)位置的人体帧图像,将训练样本输入到预设的神经网络模型中,根据神经网络模型的输出结果调整模型中的分类权重,反复迭代直至收敛,作为上述特征点特征模型。
在一些实施方式中,特征点提取模型中包含有残差模块,残差模块采用深度可分卷积,并引入通道注意力机制,在学习局部特征时可以兼顾语义信息,可以学习各特征点之间的相对位置关系,使训练得到的特征点提取模型可以准确定位对应的关键点。
S1360、根据所述特征点信息确定所述人员标识的人形信息;
当特征点为至少两个时,对指定的至少两个特征点之间进行拟合线段,以线段的方向作为目标用户的人形信息,用于表征目标用户的在水中的姿势或动作。具体的,拟合线段为对指定特征点进行线性拟合,形成一条或多条线段,例如对头、肩、膝三个特征点进行拟合,形成的线段的用于表征人体躯干。拟合的特征点数量和方式可以根据实际应用场景进行调整,例如需要提高人体姿态的准确性时,可以采用更多的特征以拟合多个线段,如包括左臂线段(头-左肩-左手掌)、右臂线段(头-右肩-右手掌)、左脚线段(左肩-左膝-左脚掌)、右脚线段(右肩-右膝-右脚掌)等,但不限于此。
通过提取人体图像中的特征点,根据特征点信息确定姿态信息,有效提高对人体图像的姿态识别度,使姿态识别更加方便快捷,提高姿态信息的有效性。
如图4所示,根据所述人形信息判断所述人员标识是否满足预设的溺水条件,具体包括:
S1410、每间隔第一时间,获取所述人员标识的人形信息;
第一时间可以根据实际的应用需求进行调整,例如1秒,但不限于此。在需要提高溺水检测的精度时,可以减少第一时间的取值,例如调整为0.5秒;在需要减少计算量时,可以增加第一时间的取值,例如调整为2秒。每间隔第一时间,获取人员标识的人形信息,以一定数量的人形信息作为判断溺水的依据。
S1420、根据相邻时间内第一数量的人形信息,确定所述人员标识的姿态变化信息;
在获取了第一数量的人形信息后,根据第一数量的人形信息之间的差异值,确定人员标识对应的姿态变化信息。第一数量可根据实际应用需求进行调整,例如10个,但不限于此。姿态变化信息用于表征人员标识对应的人员在水中的动作状态,例如为站立、正常游动或是慌张摆动等。姿态变化信息可以根据人形信息中的各项变化数值进行计算,例如手臂的位置变化、腿部的位置变化等,通过各项人形信息之间的肢体和躯干等部位差异,确定姿态变化信息。
S1430、根据所述姿态变化信息判断所述人员标识是否满足预设的溺水条件;
根据状态变化信息,当判断人员标识的动作异常,例如异常摆动、未摆动、一直下沉等,确定对应的人员标识存在溺水风险,确定人员标识满足溺水条件。
如图5所示,提取所述泳池图像中的人头信息,据所述人头信息生成若干人员标识,具体包括:
S1210、将所述泳池图像输入到预设的人头识别模型中;
将获取到的泳池图像输入到已训练至收敛的人头识别模型中,根据人头识别模型的输出结果确定图像中的人头轮廓。
S1220、根据所述人头识别模型的输出结果确定所述泳池图像中的人头信息;
当泳池图像中存在人头时,人头识别模型识别人头信息并进行输出,人头停放上可以通过像素点坐标范围、坐标集合的方式进行表示,用于确定图像中属于人头的内容。
S1230、根据所述人头信息进行标记,生成若干人员标识;
根据人头信息,在泳池图像中对每个人头进行标记,生成若干人员标识,用于监控对应的人员。
如图6所示,还包括人头检测模型的训练方法,训练方法包括:
S2100、获取包含人头的样本图像和不包含人头的样本图像,并分别赋予人头标签和非人头标签,作为训练样本集;
获取一定量(例如十万张,但不限于此)包含人头的样本图像以及不包含人头的样本图像,包含人头的样本图像包括例如正常游动、潜水状态、溺水状态等各种人头位于水中的图像,不包含人头的样本图像中可以是人头以外其他泳池景象,例如空的泳池、包含人体躯干但未包含人头等图像,分别对样本图像赋予人头标签和非人头标签,即把样本图像中属于人头的部分赋予人头标签(例如标记分类值为1),人头以外的部分赋予非人头标签(例如标记分类值为0),形成训练样本集。
S2200、构建串接的至少两个卷积层,以提取各个样本图像的特征信息并输出特征映射,其中,在至少部分卷积层后加入池化层;
卷积层的数量可以根据实际的场景需求进行调整,例如要提高模型分类的准确性时可以采用更多的卷积层,当需要减少模型计算量或缩小模型体积时可以减少卷积层的数量,通过加入池化层可以有效降低网络运算量,优化深度学习网络,本实施例以构建8个卷积层为例。
具体的,构建由8个卷积层(为方便描述,下称C1~C8)串接而成的深度全卷积神经网络模型,在部分卷积层(例如C1,C2,C5)后面加入池化层,层与层之间通过归一化层(记为LRN1,LRN2)来连接。本实施例中以第一个卷积层作为示例说明,其他卷积层的参数设置可以根据实际应用场景进行调整,经过与第一个卷积层相同或相似的变换,只是一部分卷积层(例如C3,C4)的输出端没有连接池化层。一个具体的实施参数如下:卷积层C1中滤波器个数为96,卷积核大小为11,卷积步长S为4,填充尺寸Pad为100,为保证经过卷积层之后输出的特征尺寸的大小,在第一个卷积层中对原图加入了100的padding(填充),考虑到padding的操作会引入噪声,其他卷积层的padding可以设置得较小(例如1或2),或者不设置(即为0)。本实施方式中,采用修正线性单元(Rectifiedlinearunit,ReLU)作为本层的激活函数。
S2300、构建反卷积层,以对经过所述至少两个卷积层的特征映射进行反卷积,以将卷积层输出的特征尺寸恢复至原始样本图像大小,并输出样本图像中像素点的分类预测值;
在最后一个卷积层(本实施例中为C8)后构建反卷积层(记为D8),用于将C8层输出的特征尺寸恢复到输入的样本图像的大小,然后输出对样本图像中各像素点是否为人头的分类预测值,例如输出分类包括人头(分类预测值为1)及非人头(分类预测值为0)。
S2400、将所述训练样本集输入至人头识别模型中进行训练;
将训练样本集中的样本图像依次输入到人头识别模型中,在第一个卷积层C1中,样本图像(记为x1)通过权重矩阵ω1得到第一层网络的输出特征,经非线性激励函数优化后,最终输出96个特征映射值,每个映射值由下式计算得到:
同样的,其后的卷积层(例如C2-C8)也经过与第一个卷积层相同的变换,然后将结果输出至反卷积层D8,D8的计算可以表示为下式:
经过反卷积层D8之后最终得到输入数据中像素点所属类别的预测pk,如下式所示:
其中pk用于表示人头识别模型判断该像素点为人头或非人头的分类值,其中1表示该像素点属于人头,0则为非人头。
S2500、根据预设的损失函数计算人头识别模型输出结果与赋予标签的误差值,并根据误差值进行反向传播调整所述卷积层的卷积参数,直至所述人头识别模型收敛;
根据损失函数计算人头识别模型输出的分类预测值与标记的分类值(即标签)之间的误差(即总损失),根据损失函数的导数,沿梯度最小方向将误差回传,调整卷积层的卷积参数,直到损失函数计算的误差值小于预设的阈值,确定人头识别模型收敛。
损失函数表达式如下:
其中,L表示总损失,n表示输入的样本图像中所有像素点的数目,pi表示像素点i的是否为人头的分类预测值,ri表示像素点i标记的是否为人头的分类值,ε为极小的正数(例如1或2),以防止除数为0。
为解决上述技术问题,本发明实施例还提供一种溺水检测装置。具体请参阅图7,图7为本实施溺水检测装置的基本结构框图。
如图7所示,溺水检测装置,包括:获取模块2100、处理模块2200、检测模块2300和执行模块2400。其中,获取模块用于获取泳池摄像头采集的泳池水内的泳池图像;处理模块用于提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;检测模块用于监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;执行模块用于根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令。
通过提取泳池图像中的人头信息并生成人员标识,可以对泳池内存在的人员进行监控。当监控到有人员标识符合检测条件时,提取对应的人形信息。以被控制人员的形态作为依据判断人员是否溺水,可以在人员出现溺水形态的时候及时判断人员的溺水可能,并触发警报以提醒工作人员进行救助,有效提高了溺水检测的效率及有效性。
在一些实施方式中,溺水检测装置还包括:第一监控子模块、第一计算子模块、第一执行子模块。其中第一监控子模块用于监控所述人员标识在所述泳池图像的范围内的停留时长;第一计算子模块用于当所述停留时长超过预设的时间阈值时,计算所述人员标识在所述停留时长内、在所述泳池中的距离变化值;第一执行子模块用于当所述距离变化值小于预设的距离阈值时,确定所述人员标识满足所述检测条件。
在一些实施方式中,溺水检测装置还包括:第一获取子模块、第一提取子模块、第二执行子模块。其中,第一获取子模块用于获取由所述泳池图像提取得到的所述人员标识对应的人体帧图像;第一提取子模块用于提取所述人体帧图像中的特征点信息,其中,所述特征点信息为所述人体帧图像中指定的一个或多个人体特征点的位置信息;第二执行子模块用于根据所述特征点信息确定所述人员标识的人形信息。
在一些实施方式中,溺水检测装置还包括:第二获取子模块、第一处理子模块、第三执行子模块。其中,第二获取子模块用于每间隔第一时间,获取所述人员标识的人形信息;第一处理子模块用于根据相邻时间内第一数量的人形信息,确定所述人员标识的姿态变化信息;第三执行子模块用于根据所述姿态变化信息判断所述人员标识是否满足预设的溺水条件。
在一些实施方式中,溺水检测装置还包括:第一输入子模块、第二处理子模块、第四执行子模块。其中,第一输入子模块用于将所述泳池图像输入到预设的人头识别模型中;第二处理子模块用于根据所述人头识别模型的输出结果确定所述泳池图像中的人头信息;第四执行子模块用于根据所述人头信息进行标记,生成若干人员标识。
在一些实施方式中,溺水检测装置还包括:第三获取子模块、第一构建子模块、第二构建子模块、第二输入子模块、第五执行子模块。其中,第三获取子模块用于获取包含人头的样本图像和不包含人头的样本图像,并分别赋予人头标签和非人头标签,作为训练样本集;第一构建子模块用于构建串接的至少两个卷积层,以提取各个样本图像的特征信息并输出特征映射,其中,在至少部分卷积层后加入池化层;第二构建子模块用于构建反卷积层,以对经过所述至少两个卷积层的特征映射进行反卷积,以将卷积层输出的特征尺寸恢复至原始样本图像大小,并输出样本图像中像素点的分类预测值;第二输入子模块用于将所述训练样本集输入至人头识别模型中进行训练;第五执行子模块用于第五执行。
在一些实施方式中,损失函数表达式如下:
其中,L表示总损失,n表示输入的样本图像中所有像素点的数目,pi表示像素点i的是否为人头的分类预测值,ri表示像素点i标记的是否为人头的分类值,ε为正数。
为解决上述技术问题,本发明实施例还提供一种电子设备。具体请参阅图8,图8为本实施例电子设备基本结构框图。
如图8所示,电子设备的内部结构示意图。如图8所示,该电子设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该电子设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种溺水检测方法。该电子设备的处理器用于提供计算和控制能力,支撑整个电子设备的运行。该电子设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种溺水检测方法。该电子设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述溺水检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)等非易失性存储介质,或随机存储记忆体(RandomAccessMemory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种溺水检测方法,其特征在于,包括:
获取泳池摄像头采集的泳池水内的泳池图像;
提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;
监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;
根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令。
2.如权利要求1所述的溺水检测方法,其特征在于,所述监控若干所述人员标识是否满足预设的检测条件,包括:
监控所述人员标识在所述泳池图像的范围内的停留时长;
当所述停留时长超过预设的时间阈值时,计算所述人员标识在所述停留时长内、在所述泳池中的距离变化值;
当所述距离变化值小于预设的距离阈值时,确定所述人员标识满足所述检测条件。
3.如权利要求1所述的溺水检测方法,其特征在于,所述提取所述人员标识的人形信息,包括:
获取由所述泳池图像提取得到的所述人员标识对应的人体帧图像;
提取所述人体帧图像中的特征点信息,其中,所述特征点信息为所述人体帧图像中指定的一个或多个人体特征点的位置信息;
根据所述特征点信息确定所述人员标识的人形信息。
4.如权利要求1所述的溺水检测方法,其特征在于,所述根据所述人形信息判断所述人员标识是否满足预设的溺水条件,包括:
每间隔第一时间,获取所述人员标识的人形信息;
根据相邻时间内第一数量的人形信息,确定所述人员标识的姿态变化信息;
根据所述姿态变化信息判断所述人员标识是否满足预设的溺水条件。
5.如权利要求1所述的溺水检测方法,其特征在于,所述提取所述泳池图像中的人头信息,据所述人头信息生成若干人员标识,包括:
将所述泳池图像输入到预设的人头识别模型中;
根据所述人头识别模型的输出结果确定所述泳池图像中的人头信息;
根据所述人头信息进行标记,生成若干人员标识。
6.如权利要求5所述的溺水检测方法,其特征在于,还包括人头识别模型的训练方法,所述训练方法包括:
获取包含人头的样本图像和不包含人头的样本图像,并分别赋予人头标签和非人头标签,作为训练样本集;
构建串接的至少两个卷积层,以提取各个样本图像的特征信息并输出特征映射,其中,在至少部分卷积层后加入池化层;
构建反卷积层,以对经过所述至少两个卷积层的特征映射进行反卷积,以将卷积层输出的特征尺寸恢复至原始样本图像大小,并输出样本图像中像素点的分类预测值;
将所述训练样本集输入至人头识别模型中进行训练;
根据预设的损失函数计算人头识别模型输出结果与赋予标签的误差值,并根据误差值进行反向传播调整所述卷积层的卷积参数,直至所述人头识别模型收敛。
8.一种溺水检测装置,其特征在于,包括:
获取模块,用于获取泳池摄像头采集的泳池水内的泳池图像;
处理模块,用于提取所述泳池图像中的人头信息,根据所述人头信息生成若干人员标识;
检测模块,用于监控若干所述人员标识是否满足预设的检测条件,当所述人员标识满足所述检测条件时,提取所述人员标识的人形信息;
执行模块,用于根据所述人形信息判断所述人员标识是否满足预设的溺水条件,当所述人员标识满足所述溺水条件时,触发预设的警报指令。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的溺水检测方法的步骤。
10.一种非易失性计算机可读存储介质,所述存储介质中存储有计算机可读指令,当所述存储介质中的指令被一个或多个处理器执行时,所述一个或多个处理器执行如权利要求1至7中任一项所述的溺水检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110319505.4A CN113033399A (zh) | 2021-03-25 | 2021-03-25 | 溺水检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110319505.4A CN113033399A (zh) | 2021-03-25 | 2021-03-25 | 溺水检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033399A true CN113033399A (zh) | 2021-06-25 |
Family
ID=76473734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110319505.4A Pending CN113033399A (zh) | 2021-03-25 | 2021-03-25 | 溺水检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033399A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947546A (zh) * | 2021-10-18 | 2022-01-18 | 江阴市人人达科技有限公司 | 影像画面多层滤波处理系统 |
CN114022910A (zh) * | 2022-01-10 | 2022-02-08 | 杭州巨岩欣成科技有限公司 | 泳池防溺水监管方法、装置、计算机设备及存储介质 |
CN114170317A (zh) * | 2022-01-10 | 2022-03-11 | 杭州巨岩欣成科技有限公司 | 泳池防溺水人头位置判断方法、装置、计算机设备及其存储介质 |
CN114359373A (zh) * | 2022-01-10 | 2022-04-15 | 杭州巨岩欣成科技有限公司 | 泳池防溺水目标行为识别方法、装置、计算机设备及存储介质 |
CN116045487A (zh) * | 2022-09-08 | 2023-05-02 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、电子设备、存储介质 |
CN116313018A (zh) * | 2023-05-18 | 2023-06-23 | 北京大学第三医院(北京大学第三临床医学院) | 提高滑雪场与近地医院的急救效率的系统及方法 |
CN117218727A (zh) * | 2023-11-08 | 2023-12-12 | 网思科技股份有限公司 | 一种溺水监控方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569772A (zh) * | 2019-08-30 | 2019-12-13 | 北京科技大学 | 一种泳池内人员状态检测方法 |
CN110852362A (zh) * | 2019-10-30 | 2020-02-28 | 程畅 | 溺水事件检测方法及装置、计算机可读存储介质 |
CN111191486A (zh) * | 2018-11-14 | 2020-05-22 | 杭州海康威视数字技术股份有限公司 | 一种溺水行为识别方法、监控相机及监控系统 |
CN112309077A (zh) * | 2020-09-23 | 2021-02-02 | 苏宁云计算有限公司 | 一种泳池溺水警报方法及装置 |
-
2021
- 2021-03-25 CN CN202110319505.4A patent/CN113033399A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191486A (zh) * | 2018-11-14 | 2020-05-22 | 杭州海康威视数字技术股份有限公司 | 一种溺水行为识别方法、监控相机及监控系统 |
CN110569772A (zh) * | 2019-08-30 | 2019-12-13 | 北京科技大学 | 一种泳池内人员状态检测方法 |
CN110852362A (zh) * | 2019-10-30 | 2020-02-28 | 程畅 | 溺水事件检测方法及装置、计算机可读存储介质 |
CN112309077A (zh) * | 2020-09-23 | 2021-02-02 | 苏宁云计算有限公司 | 一种泳池溺水警报方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947546A (zh) * | 2021-10-18 | 2022-01-18 | 江阴市人人达科技有限公司 | 影像画面多层滤波处理系统 |
CN114022910A (zh) * | 2022-01-10 | 2022-02-08 | 杭州巨岩欣成科技有限公司 | 泳池防溺水监管方法、装置、计算机设备及存储介质 |
CN114170317A (zh) * | 2022-01-10 | 2022-03-11 | 杭州巨岩欣成科技有限公司 | 泳池防溺水人头位置判断方法、装置、计算机设备及其存储介质 |
CN114359373A (zh) * | 2022-01-10 | 2022-04-15 | 杭州巨岩欣成科技有限公司 | 泳池防溺水目标行为识别方法、装置、计算机设备及存储介质 |
CN114170317B (zh) * | 2022-01-10 | 2024-04-05 | 杭州巨岩欣成科技有限公司 | 泳池防溺水人头位置判断方法、装置及计算机设备 |
CN116045487A (zh) * | 2022-09-08 | 2023-05-02 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、电子设备、存储介质 |
WO2024051197A1 (zh) * | 2022-09-08 | 2024-03-14 | 青岛海尔空调器有限总公司 | 用于控制空调器的方法及装置、电子设备、存储介质 |
CN116313018A (zh) * | 2023-05-18 | 2023-06-23 | 北京大学第三医院(北京大学第三临床医学院) | 提高滑雪场与近地医院的急救效率的系统及方法 |
CN116313018B (zh) * | 2023-05-18 | 2023-09-15 | 北京大学第三医院(北京大学第三临床医学院) | 用于滑雪场与近地医院的急救系统及方法 |
CN117218727A (zh) * | 2023-11-08 | 2023-12-12 | 网思科技股份有限公司 | 一种溺水监控方法、装置、设备及存储介质 |
CN117218727B (zh) * | 2023-11-08 | 2024-03-15 | 网思科技股份有限公司 | 一种溺水监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033399A (zh) | 溺水检测方法、装置、电子设备及存储介质 | |
CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
KR102095555B1 (ko) | 필드양식장 불법행위감시가 가능한 무인비행체 및 인공지능 딥러닝을 이용한 불법행위 분석과 인식에 따른 감시 방법 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN107122736A (zh) | 一种基于深度学习的人体朝向预测方法及装置 | |
US20220058381A1 (en) | System and method for automatic detection and recognition of people wearing personal protective equipment using deep learning | |
CN112488019A (zh) | 基于姿态识别的跌倒检测方法、装置、电子设备及存储介质 | |
CN112801008A (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
KR102247188B1 (ko) | 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
KR20200080466A (ko) | 다중 선형 회귀를 이용한 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
KR102157592B1 (ko) | 해수욕장 안전사고 예방을 위한 해수욕장 안전 관리 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
US20210239832A1 (en) | System and method for measuring and sharing marine activity information | |
CN112926541A (zh) | 一种睡岗检测方法、装置及相关设备 | |
CN109684976A (zh) | 门状态监测方法、装置、设备和系统及存储介质 | |
CN116229248A (zh) | 海洋物种的分布预测方法、装置、设备及存储介质 | |
CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
CN110322509A (zh) | 基于层级类激活图的目标定位方法、系统及计算机设备 | |
CN115700817A (zh) | 基于人工智能和数字孪生的渔业安全监测方法和元宇宙 | |
CN109409210A (zh) | 一种基于ssd框架的人脸检测方法及系统 | |
CN114155451A (zh) | 一种图像识别地下室淹水隐患的方法及系统 | |
CN114821434A (zh) | 一种基于光流约束的时空增强视频异常检测方法 | |
CN111339808A (zh) | 车辆碰撞概率预测方法、装置、电子设备及存储介质 | |
CN116824317A (zh) | 一种基于多尺度特征自适应融合的水上红外目标检测方法 | |
CN116152745A (zh) | 一种抽烟行为检测方法、装置、设备及存储介质 | |
Roy et al. | Transformer-based Flood Scene Segmentation for Developing Countries |
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 |