CN114494299A - 温度检测设备 - Google Patents

温度检测设备 Download PDF

Info

Publication number
CN114494299A
CN114494299A CN202210122761.9A CN202210122761A CN114494299A CN 114494299 A CN114494299 A CN 114494299A CN 202210122761 A CN202210122761 A CN 202210122761A CN 114494299 A CN114494299 A CN 114494299A
Authority
CN
China
Prior art keywords
temperature
region
data
detected object
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210122761.9A
Other languages
English (en)
Inventor
陈海波
翟浩州
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Automatic Driving Research Institute Co ltd
Original Assignee
Shandong Automatic Driving Research Institute Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Automatic Driving Research Institute Co ltd filed Critical Shandong Automatic Driving Research Institute Co ltd
Priority to CN202210122761.9A priority Critical patent/CN114494299A/zh
Publication of CN114494299A publication Critical patent/CN114494299A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
    • G01J5/0025—Living bodies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Radiation Pyrometers (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种温度检测设备，其采用图像分割的技术对受检对象的不同部分的原始红外温度图像进行划分，能够大幅提升异常部位检测的效果。该温度检测设备包括：控制器，所述控制器与红外测温装置可通信地连接，所述控制器被配置成：获取所述受检对象的温度数据，从而建立所述受检对象的原始红外温度图像；将所述受检对象的原始红外温度图像分割为多个区域；提取出每个所述区域的温度数据并按照预定算法进行处理，以得到每个所述区域的温度均值；以及基于每个所述区域的温度均值和温度数据，对每个区域的每个像素点进行着色，得到所述受检对象的伪彩色温度图像。

Description

温度检测设备
技术领域
本申请涉及温度检测设备，属于温度检测、红外热成像、红外医疗、红外精度校准领域。
背景技术
近年来，包括红外热成像技术作为功能状态检测设备在体检等领域获得了不少医生的认可。人是恒温动物，能维持一定体温，并不断向四周空间发射红外辐射能。因生理结构、体表各处温度不等，而当人体某处发生病变或生理状况发生变化时，必将因其血流和代谢变化而产生高于或低于正常温度的偏离。根据这一理论，通过红外扫描来检测人体温度的变化，将其作为临床医学诊断的指标。
对于上面提到的通过红外扫描来检测人体温度的变化，现有比较流行的技术是使用一个温度恒定的黑体放在红外摄像镜头的成像区指定域内，然后将该点的像素值取出后，和黑体的真实值做对比，然后将差值补偿到镜头中，进行精度校准。
然而，利用现有的这种技术，至少存在以下的缺陷：
-首先精准度比较高的黑体的价格较高，会直接增加产品的成本价格；
-黑体需要两个小时以上进行温度稳定，导致设备的运行预备时间过长；
-每个人的体温不同，使用该方式会对体温较高或较低的人做检测着色会有较大差异，导致无法反映出人体的异常温度问题。
发明内容
为了解决传统的温度检测方法和装置的缺陷，本发明提供了一种温度检测设备、方法，其能够大幅提升红外异常部位检测的效果。
本申请的目的采用以下技术方案实现：
第一方面，本申请提供了一种温度检测设备，其特征在于，包括：
控制器，所述控制器与红外测温装置可通信地连接，所述红外测温装置用于采集受检对象的温度数据；
所述控制器被配置成：
获取所述受检对象的温度数据，从而建立所述受检对象的原始红外温度图像；
将所述受检对象的原始红外温度图像分割为多个区域；
提取出每个所述区域的温度数据并按照预定算法进行处理，以得到每个所述区域的温度均值；以及
基于每个所述区域的温度均值和温度数据，对每个区域的每个像素点进行着色，得到所述受检对象的伪彩色温度图像。
根据第一方面的温度检测设备，无需使用传统技术所需要的黑体，因此，解决了使用黑体提高精度、稳定时间过长的问题，也解决了不同生物个体的身体温度差别导致的着色颜色问题，体温较低的受检对象会颜色变浅，而体温较高的受检对象整体会泛红。另外，根据第一方面的温度检测设备，采用受检对象图像分割的技术对受检对象的不同部分的原始红外温度图像进行划分，从而更精确地对不同位置进行针对性判别，提高受检对象异常体温检出效果。
优选地，在上面第一方面的温度检测设备中，所述控制器被配置成采用如下方式获取所述原始红外温度图像：对所述温度数据进行降噪处理，去除温度大于预先设定的阈值的异常区域以及异常噪点，并且利用未被去除的正常温度数据来建立所述原始红外温度图像。
根据上述的温度检测设备，由于进行了降噪处理，去除了温度大于预先设定的阈值的异常区域以及异常噪点，因此，能够降低非受检对象数据对红外成像效果的影响。另外，发明人发现，由于温度影响在部分寒冷地区受检对象的皮肤表面温度会随着温度而降低，因此如果设置低温过滤，在一些特殊情况下可能会导致部分受检对象缺失，从而影响到图像分割的效果，因此，在本申请中，对于降噪处理，只做如上所述的高温过滤预处理。
优选地，在上面的温度检测设备中，所述控制器被配置成采用如下方式去除所述异常区域以及所述异常噪点：将红外测温装置所获取的全部温度数据转化为矩阵，并对该矩阵进行逐点扫描，将所扫描到的所述异常区域以及所述异常噪点去除。
根据上述的温度检测设备，能够准确地抓取异常区域和异常噪点，并将其进行去除，从而建立精准的红外温度图像，对后续的图像分割建立了良好的基础。
优选地，在上面的温度检测设备中，所述控制器被配置为采用如下方式将所述受检对象的原始红外温度图像分割为多个区域：利用预先训练好的Unet++网络模型对受检对象的所述原始红外温度图像进行语义分割，从而将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域。
根据上述的温度检测设备，能够利用UNet++网络模型精确地将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域，从而对于各个区域单独地进行与该区域的受检对象温度特性对应的温度异常判断，精确反映出受检对象的异常温度问题。
优选地，在上面的温度检测设备中，所述控制器还被配置成：在所述语义分割后，输出与全部所述多个区域对应的位置区域范围集合。
根据上述的温度检测设备，尽管(通过例如UNet++网络模型)对受检对象原始红外温度图像进行了分割，但是，并非是仅仅对单个的分割区域来进行温度检测从而判断温度是否异常，而是整体地输出与全部多个区域对应的位置区域范围集合，由此能够结合各个区域来整体上判断整个受检对象的温度情况。
优选地，在上面的温度检测设备中，所述控制器被配置为通过如下步骤获取所述温度均值：将通过所述分割得到的每个区域的温度数据取出，然后对每个区域分别进行数据汇总，然后使用Normalization算法进行数据归一处理，将每个区域的温度数据的值都处理在0～1之间，并且计算出每个区域的温度均值。
根据上述的温度检测设备，能够有效地获取在后续进行着色处理时的基准。每个区域的温度数据的值都处理在0～1之间，从而使得数据处理方便提升模型的收敛速度以及提升模型的精度。
优选地，在上面的温度检测设备中，所述Normalization算法的算式如下：
(1)
Figure BDA0003499160150000041
(2)
Figure BDA0003499160150000042
(3)
Figure BDA0003499160150000043
(4)
Figure BDA0003499160150000044
其中，算式(1)exi表示每个区域的温度数据的批处理数据中的第i个温度数据的值，利用该算式(1)计算该批处理数据的均值μB，m是该批处理数据的数量；利用算式(2)计算该批处理数据的方差σB；算式(e)中e∈是一个很小的正数，利用算式(3)将该批处理数据标准化，
Figure BDA0003499160150000045
是xi的标准化结果；算式(4)中，γ、β是学习得到的参数，γ是尺度因子，β是平移因子，利用算式(4)进行尺度变换和偏移，yi是第i个温度数据对应的调整结果。
根据上述的温度检测设备，能够有效地获取作为着色基准的温度均值。
优选地，在上面的温度检测设备中，所述控制器还被配置成：
基于得到所述受检对象的伪彩色温度图像来判定受检对象的体温是否异常；
当判定所述受检对象的体温为异常时，利用报警设备警告该异常。
根据上述的温度检测设备，能够对受检对象体温是否异常进行判定，对于体温异常进行警告，从而通知该体温异常的情况。
优选地，在上面的温度检测设备中，所述受检对象是人体，所述人体的不同部位的多个区域为：头部区域、上身区域、手臂区域和腿部区域。
根据上述的温度检测设备，由于人体的头部区域、上身区域、手臂区域(左右两个手臂)和腿部区域(左右两个腿部)的体温可能存在差异，因此能够通过如此的细分分割而基于对应的人体区域来进行温度的检测。
优选地，在上面的温度检测设备中，所述控制器还被配置成：基于所述受检对象的伪彩色温度图像对所述受检对象的健康进行评估，并且输出健康评估报告。
根据上述的温度检测设备，能够显示并输出健康评估报告，从而能够整体上获得受检对象的健康情况作为各种参考依据。
优选地，在上面的温度检测设备中，所述温度检测设备还包括所述红外测温装置。
根据上述的温度检测设备，能够提供温度数据的采集功能，使设备功能更全面。
第二方面，本申请提供了一种温度检测方法，包括：
获取由红外测温装置针对受检对象采集的温度数据，从而建立所述受检对象的原始红外温度图像；
将所述受检对象的原始红外温度图像分割为多个区域；
提取出每个所述区域的温度数据并按照预定算法进行处理，以得到每个所述区域的温度均值；以及
基于每个所述区域的温度均值和温度数据，对每个区域的每个像素点进行着色，得到所述受检对象的伪彩色温度图像。
根据上述的温度检测方法，无需使用传统技术所需要的黑体，因此，解决了使用黑体提高精度、稳定时间过长的问题，也解决了不同生物个体的身体温度差别导致的着色颜色问题，体温较低的受检对象会颜色变浅，而体温较高的受检对象整体会泛红。另外，根据第一方面的温度检测方法，采用受检对象图像分割的技术把受检对象的不同部分的原始红外温度图像进行划分，从而更精确地对不同位置进行针对性判别，提高受检对象异常体温检出效果。
优选地，在第二方面的温度检测方法中，还包括：在进行所述分割之前，对所述温度数据进行降噪处理，去除温度大于预先设定的阈值的异常区域以及异常噪点，并且利用未被去除的正常温度数据来建立所述原始红外温度图像。
根据上述的温度检测方法，由于进行了降噪处理，去除了温度大于预先设定的阈值的异常区域以及异常噪点，因此，能够降低非受检对象数据对红外成像效果的影响。另外，发明人发现，由于温度影响在部分寒冷地区受检对象的皮肤表面温度会随着温度而降低，因此如果设置低温过滤，在一些特殊情况下可能会导致部分受检对象缺失，从而影响到图像分割的效果，因此，在本申请中，对于降噪处理，只做如上所述的高温过滤预处理。
优选地，在第二方面的温度检测方法中，所述降噪处理包括：将红外测温装置所获取的全部温度数据转化为矩阵，并对该矩阵进行逐点扫描，将所扫描到的所述异常区域以及所述异常噪点去除。
根据上述的温度检测方法，能够准确地抓取异常区域和异常噪点，并将其进行去除，从而建立精准的红外温度图像，对后续的图像分割建立了良好的基础。
优选地，在第二方面的温度检测方法中，所述分割包括：利用预先训练好的Unet++网络模型对受检对象的所述原始红外温度图像进行语义分割，从而将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域。
根据上述的温度检测方法，能够利用UNet++网络模型精确地将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域，从而对于各个区域单独地进行与该区域的受检对象温度特性对应的温度异常判断，精确反映出受检对象的异常温度问题。
优选地，在第二方面的温度检测方法中，还包括：在所述语义分割后，输出与全部所述多个区域对应的位置区域范围集合。
根据上述的温度检测方法，尽管通过UNet++网络模型对受检对象原始红外温度图像进行了分割，但是，并非是仅仅对单个的分割区域来进行温度检测从而判断温度是否异常，而是整体地输出与全部多个区域的位置区域范围集合，由此能够结合各个区域来整体上判断整个受检对象的温度情况。
优选地，在第二方面的温度检测方法中，所述温度均值通过以下步骤获取：将通过所述分割得到的每个区域的温度数据取出，然后对每个区域分别进行数据汇总，然后使用Normalization算法进行数据归一处理，将每个区域的温度数据的值都处理在0～1之间，并且计算出每个区域的温度均值。
根据上述的温度检测方法，能够有效地获取在后续进行着色处理时的基准。每个区域的温度数据的值都处理在0～1之间，从而使得数据处理方便提升模型的收敛速度以及提升模型的精度。
优选地，在第二方面的温度检测方法中，所述Normalization算法的算式如下：
(1)
Figure BDA0003499160150000071
(2)
Figure BDA0003499160150000072
(3)
Figure BDA0003499160150000073
(4)
Figure BDA0003499160150000081
其中，算式(1)xi每个区域的温度数据的批处理数据中的第i个温度数据的值，利用该算式(1)计算该批处理数据的均值μB，m是该批处理数据的数量；利用算式(2)计算该批处理数据的方差σB；算式(3)，∈是一个很小的正数，利用算式(3)将该批处理数据标准化，
Figure BDA0003499160150000082
是xi的标准化结果；()中，γ、β是学习得到的参数，γ是尺度因子，β是平移因子，利用算式(4)进行尺度变换和偏移，yi是第i个温度数据对应的调整结果。
根据上述的温度检测方法，能够有效地获取作为着色基准的温度均值。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种温度检测设备的结构示意图；
图2是本申请实施例提供的一种温度检测方法的流程示意图；
图3是图2中的步骤S102之前还进行的步骤的流程示意图；
图4是图3中的步骤S1011的降噪处理的流程示意图；
图5是对所分割出的每个区域的温度数据的处理的流程示意图；
图6是本申请实施例的温度检测方法的具体实例的流程示意图；
图7是Unet++网络结构的示意图；
图8是由红外测温装置所扫描的原始红外温度图像；
图9是对图7所示的原始红外温度图像进行分割后的受检对象区域；
图10是受检对象的上身的着色效果的草图；
图11是受检对象的下身的着色效果的草图；
图12是色卡的示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本申请的一个实施例提供了一种图1所示的温度检测设备100。如图1所述，该温度检测设备100包括：控制器120，所述控制器与所述红外测温装置可通信地连接，并且能够进行“分割”、“数据处理”和“着色”。
在一些实施方式中，温度检测设备100还可以包括红外测温装置110，所述红外测温装置用于采集受检对象的温度数据。
其中，受检对象例如是人体、动物体、植物体等有生命的物体。
具体地，所述控制器120被配置成：获取所述受检对象的温度数据，从而建立所述受检对象的原始红外温度图像；将所述受检对象的原始红外温度图像分割为多个区域；提取出每个所述区域的温度数据并按照预定算法进行处理，以得到每个所述区域的温度均值；以及基于每个所述区域的温度均值和温度数据，对每个区域的每个像素点进行着色，得到所述受检对象的伪彩色温度图像。
利用本申请一个实施例的上述温度检测设备100，无需使用传统技术所需要的黑体，因此，解决了使用黑体提高精度、稳定时间过长的问题，也解决了不同生物个体的身体温度差别导致的着色颜色问题，体温较低的受检对象会颜色变浅，而体温较高的受检对象整体会泛红。另外，根据第一方面的温度检测设备，采用受检对象图像分割的技术对受检对象的不同部分的原始红外温度图像进行划分，从而更精确地对不同位置进行针对性判别，提高受检对象异常体温检出效果。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器120还被配置成采用如下方式获取所述原始红外温度图像：(在进行分割之前)，对所述温度数据进行降噪处理，去除温度大于预先设定的阈值的异常区域以及异常噪点，并且利用未被去除的正常温度数据来建立所述原始红外温度图像。
利用本申请一个实施例的上述温度检测设备100，由于进行了降噪处理，去除了温度大于预先设定的阈值的异常区域以及异常噪点，因此，能够降低非受检对象数据对红外成像效果的影响。另外，发明人发现，由于温度影响在部分寒冷地区受检对象的皮肤表面温度会随着温度而降低，因此如果设置低温过滤，在一些特殊情况下可能会导致部分受检对象缺失，从而影响到图像分割的效果，因此，在本申请中，对于降噪处理，只做如上所述的高温过滤预处理。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器还被配置为使得所述降噪处理包括：将红外测温装置所获取的全部温度数据转化为矩阵，并对该矩阵进行逐点扫描，将所扫描到的所述异常区域以及所述异常噪点去除。
利用本申请一个实施例的上述温度检测设备100，能够准确地抓取异常区域和异常噪点，并将其进行去除，从而建立精准的红外温度图像，对后续的图像分割建立了良好的基础。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器120还被配置为使得所述分割包括：利用预先训练好的Unet++网络模型对受检对象的所述原始红外温度图像进行语义分割，从而将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域。
利用本申请一个实施例的上述温度检测设备100，能够利用UNet++网络模型精确地将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域，从而对于各个区域单独地进行与该区域的受检对象温度特性对应的温度异常判断，精确反映出受检对象的异常温度问题。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器120还被配置成：在所述语义分割后，输出与全部所述多个区域对应的位置区域范围集合。
利用本申请一个实施例的上述温度检测设备100，尽管通过UNet++网络模型对受检对象红外温度图像进行了分割，但是，并非是仅仅对单个的分割区域来进行温度检测从而判断温度是否异常，而是整体地输出与全部多个区域对应的位置区域范围集合，由此能够结合各个区域来整体上判断整个受检对象的温度情况。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器120还被配置为通过如下步骤获取所述温度均值：将通过所述分割得到的每个区域的温度数据取出，然后对每个区域分别进行数据汇总，然后使用Normalization算法进行数据归一处理，将每个区域的温度数据的值都处理在0～1之间，并且计算出每个区域的温度均值。
利用本申请一个实施例的上述温度检测设备100，能够有效地获取在后续进行着色处理时的基准。每个区域的温度数据的值都处理在0～1之间，从而使得数据处理方便提升模型的收敛速度以及提升模型的精度。
此外，根据本申请的一个实施例的该温度检测设备100，上面提到的所述Normalization算法的算式如下：
(1)
Figure BDA0003499160150000111
(2)
Figure BDA0003499160150000112
(3)
Figure BDA0003499160150000113
(4)
Figure BDA0003499160150000114
其中，算式()xi每个区域的温度数据的批处理数据的第i个温度数据的值，利用该算式(1)计算该批处理数据的均值μB，m是该批处理数据的数量；利用算式(2)计算该批处理数据的方差σB；算式()∈是一个很小的正数算式(3)将该批处理数据标准化，
Figure BDA0003499160150000115
是xi的标准化结果；(4)中，γ、β是学习得到的参数，γ是尺度因子，β是平移因子，利用算式(4)进行尺度变换和偏移，yi是第i个温度数据对应的调整结果。
利用本申请一个实施例的上述温度检测设备100，能够有效地获取作为着色基准的温度均值。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器120还被配置成：
基于得到所述受检对象的伪彩色温度图像来判定受检对象的体温是否异常；
当判定所述受检对象的体温为异常时，利用报警设备警告该异常。
利用本申请一个实施例的上述温度检测设备100，能够对于体温异常进行警告，从而通知该体温异常的情况。
本申请对报警设备不做限定，其例如是声音报警器、光信号报警器、显示设备、智能终端设备等。
在一些实施方式中，报警设备可以与温度检测设备结合为一体。
此外，根据本申请的一个实施例的该温度检测设备100，所述受检对象是人体，所述人体的不同部位的多个区域可以为：头部区域、上身区域、手臂区域和腿部区域。
利用本申请一个实施例的上述温度检测设备100，由于人体的头部区域、上身区域、手臂区域(左右两个手臂)和腿部区域(左右两个腿部)的体温可能存在差异，因此能够通过如此的细分分割而基于对应的人体区域来进行温度的检测。
此外，根据本申请的一个实施例的该温度检测设备100，所述控制器120还被配置成：
基于所述受检对象的伪彩色温度图像对所述受检对象的健康进行评估，并且输出健康评估报告。
利用本申请一个实施例的上述温度检测设备100，能够显示并输出健康评估报告，从而能够整体上获得受检对象的健康情况作为各种参考依据。
下面，将结合图2-图5详细介绍如何利用本申请一个实施例的温度检测设备100来检测受检对象的温度，其能够大幅提升红外受检对象异常部位检测的效果。图2是利用本申请一个实施例的温度检测设备100来检测受检对象温度的流程示意图；图3是图2中的步骤S102之前还进行的步骤的流程示意图；图4是图3中的步骤S1011的降噪处理的流程示意图；并且图4是对所分割出的每个区域的温度数据的处理的流程示意图。
如图2所示，利用本申请一个实施例的温度检测设备100来检测受检对象温度总的来说可以包括步骤S101至步骤S104。在步骤S101中，获取由红外测温装置针对受检对象采集的温度数据，从而建立所述受检对象的原始红外温度图像；在步骤S102中，将所述受检对象的原始红外温度图像分割为多个区域；在步骤S103中，提取出每个所述区域的温度数据并按照预定算法进行处理，以得到每个所述区域的温度均值；以及在步骤S104中，基于每个所述区域的温度均值和温度数据，对于每个区域的每个像素点进行着色，得到所述受检对象的伪彩色温度图像。
利用上面步骤S101至步骤S104的温度检测方法，无需使用传统技术所需要的黑体，因此，解决了使用黑体提高精度、稳定时间过长的问题，也解决了不同生物个体的身体温度差别导致的着色颜色问题，体温较低的受检对象会颜色变浅，而体温较高的受检对象整体会泛红。另外，根据本发明实施例的温度检测方法，还包括步骤S102的分割步骤，采用受检对象图像分割的技术把受检对象的不同部分的原始红外温度图像进行划分，从而更精确地对不同位置进行针对性判别，提高受检对象异常体温检出效果。
如图3所示，对于利用本申请一个实施例的温度检测设备100来检测受检对象温度的温度检测方法中，还可以包括：在进行步骤S102的所述分割之前，进行步骤S1021，其中对温度数据进行降噪处理，去除温度大于预先设定的阈值的异常区域以及异常噪点，此后，利用未被去除的正常温度数据来建立所述原始红外温度图像，即步骤S1022。
由于根据本发明实施例的温度检测方法，在分割前好进行了降噪处理，去除了温度大于预先设定的阈值的异常区域以及异常噪点，因此，能够降低非受检对象数据对红外成像效果的影响。另外，由于温度影响在部分寒冷地区受检对象的皮肤表面温度会随着温度而降低，因此如果设置低温过滤，在一些特殊情况下可能会导致部分受检对象缺失，从而影响到图像分割的效果，因此，在本申请中，对于降噪处理，只做如上所述的高温过滤预处理。
图4示出了降噪处理的具体操作流程，在步骤S1011a中，将红外测温装置所获取的全部温度数据转化为矩阵，在步骤S1011b中，对该矩阵进行逐点扫描，在步骤S1011b中，将所扫描到的所述异常区域以及所述异常噪点去除。
利用上述的降噪处理，能够准确地抓取异常区域和异常噪点，并将其进行去除，从而建立精准的红外温度图像，对后续的图像分割建立了良好的基础。
另外，对于图2中所示的根据本发明实施例的温度检测方法中的分隔，可以包括：利用预先训练好的Unet++网络模型对受检对象的所述原始红外温度图像进行语义分割，从而将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域。在所述语义分割后，输出与全部所述多个区域的位置区域范围集合。
据此，能够利用UNet++网络模型精确地将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域，从而对于各个区域单独地进行与该区域的受检对象温度特性对应的温度异常判断，精确反映出受检对象的异常温度问题。另外，尽管通过UNet++网络模型对受检对象原始红外温度图像进行了分割，但是，并非是仅仅对单个的分割区域来进行温度检测从而判断温度是否异常，而是整体地输出与全部多个区域的位置区域范围集合，由此能够结合各个区域来整体上判断整个受检对象的温度情况。
图5是对所分割出的每个区域的温度数据的处理的流程示意图。如图所示，所述温度均值可以通过以下步骤S1031至步骤S1033获取。在步骤S1031中，将通过所述分割得到的每个区域的温度数据取出，然后在步骤S1032中，对每个区域分别进行数据汇总，然后在步骤S1033中，使用上面提到的Normalization算法进行数据归一处理，将每个区域的温度数据的值都处理在0～1之间，并且计算出每个区域的温度均值。每个区域的温度数据的值都处理在0～1之间，从而使得数据处理方便提升模型的收敛速度以及提升模型的精度。
以上，已经描述了利用本申请一个实施例的温度检测设备100来检测受检对象温度的温度检测方法。下面，将结合图6，举出一个具体的运用实例。
如图6所示，首先，利用红外测温装置例如红外镜头、红外扫描仪等等采集受检对象的热源数据。在本实例中，红外测温装置例如是红外镜头，从而通过拍摄来采集受检对象的热源数据，该热源数据为原始数据。
此后，将采集到的原始数据转化为矩阵，例如288×384的矩阵，以进行数据的预处理。
对于数据的预处理，例如，首先对红外镜头所拍摄的全屏幕的原始数据转化来的矩阵使用算法逐点扫描，去除大于阈值的异常高温区域以及异常噪点,降低非受检对象数据对成像效果的影响。如在前面所提到的，这样处理的原因在于，在试验中由于温度影响在部分寒冷地区受检对象的皮肤表面温度会随着温度而降低，因此如果设置低温过滤在一些特殊情况下可能会导致部分受检对象缺失，从而影响到图像分割的效果，因此只做高温过滤预处理。
进行逐点扫描的上述算法的算法伪代码例如如下：
Figure BDA0003499160150000151
Figure BDA0003499160150000161
在上面的算法伪代码中，Width为拍摄原始数据矩阵的宽度，Height为拍摄原始数据矩阵的高度，Value(i,j)就是i,j在该点的温度值，Temp_threshold_high为高温上限阈值，可以通过人工预先设置。
如图6，以受检对象是人体为例，在进行了预处理之后，利用Unet++网络模型进行分割任务。关于该Unet++网络模型，可以参见图7。在本实例中，考虑到人体的各个部位的温度所存在的差异，例如，将人体红外温度图像分割为头部、上身、左手臂、右手臂、左腿、右腿。即，将图8所示的人体原始红外温度图像进行图9所示的分割，从而原始红外温度图像被分割为区域1-区域6的6个不同的区域。例如，将采集到的数据通过已经训练好的Unet++模型进行推理后，输出与人身体对应的6个位置区域范围集合：
Areas＝[Area_Head，Area_Body，Area_Arm_Left，Area_Arm_Right，Area_Leg_Left，Area_Leg_Right]
继续参考图6，在进行了分割之后，将该各个区域的数据通过算法进行后续的处理，该算法例如是之前所提到的Normalization算法。
具体地，使用网络模型对人体的各部位特征进行提取操作，分别将提取的区域数据进行处理，由于身体的不同位置温度都是不同的，一般额头和身体温度偏高，而四肢的温度较低所以如果以统一的尺度进行判别往往会导致高温区域的人身体检测异常较多，将很多正常的温度划归为异常温度，或者身体低温区域异整体颜色一致，无法进行判别。
相比之下，在本实例中，人体为分割为6个区域，将每个区域的数据取出，然后分别进行数据汇总，然后使用Normalization算法进行数据归一处理，将温度值都限定在0～1之间，并计算出该区域的温度均值(拍到的整体图像的所有点的温度平均值)作为基准，为后续着色提供标准。例如，在通过标准化处理将数据转化为0-1后，与色卡对应进行伪彩着色。伪彩色(pseudo-color)图像的每个像素值实际上是一个索引值或代码，该代码值作为色彩查找表CLUT(Color Look-Up Table)中某一项的入口地址，根据该地址可查找出包含实际R、G、B的强度值。这种用查找映射的方法产生的色彩称为伪彩色，生成的图像为伪彩色图像。图10和图11显示了本实例的着色的实例。所生成的伪彩色图像中对应于同一受检对象的多张伪彩色图像可以合并，图像拼接方法例如是专利CN111968031A公开的图像拼接方法，或者是专利CN107516294B公开的拼接图像的方法，或者是专利CN104346788B公开的拼接图像的方法，也可以其他现有技术，本申请对此不做限定。在本实例中，着色色卡是均匀分布的，与温度值相对应，温度越高颜色越深。图12示出了一种适用于本发明的色卡，可以理解，本发明不以此为限制。
全部的集合为：
Areas＝[Area_Head，Area_Body，Area_Arm_Left，Area_Arm_Right，Area_Leg_Left，Area_Leg_Right]
每个子集合的内容:
Area_Head＝[Value(x1，y1)，Value(x2，y2)，...，Value(xn，yn)]
Normalization处理的公式为:
(1)
Figure BDA0003499160150000171
(2)
Figure BDA0003499160150000172
(3)
Figure BDA0003499160150000173
(4)
Figure BDA0003499160150000174
其中，算式(1)中，xi表示每个区域的温度数据的批处理数据中的第i个温度数据的值，利用该算式(1)计算该批处理数据的均值μB，m是该批处理数据的数量；利用算式(2)计算该批处理数据的方差σB；算式(3)中，∈是一个很小的正数，利用算式(3)将该批处理数据标准化，该批处理数据被限制为均值0、方差为正态分布，
Figure BDA0003499160150000181
是xi的标准化结果；算式()中，γ、β学习得到的参数，γ是尺度因子，β是平移因子，利用算式(4)进行尺度变换和偏移，yi是第i个温度数据对应的调整结果。
以上，利用本发明实施例的温度检测设备以及其方法，无需采用黑体，大大降低了温度稳定的时间，同时针对不同的体温的受检对象采用适应其本身的标准，避免受检对象不同体温误差导致的显示效果明显差异.对于受检对象的不同部位温度不同的特性，分别采用对应的温度阈值进行检测，温度阈值越高，温度的点着色相对越浅，温度低的甚至忽略不计；温度阈值越低，温度的点着色相对越深，温度高的颜色会非常深。因此，更容易发现四肢的身体异常状况。
通过受检对象图像分割,将红外受检对象数据划分为例如头、手臂、身体、腿部四个区域，分别进行数据Normalization标准化处理，将均值作为着色的基准线，使用处理后的结果分别对各部分异常进行判别，大大增强了对身体异常情况的判别效果。
本申请从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本申请以上的说明书及说明书附图，仅为本申请的较佳实施例而已，并非以此局限本申请，因此，凡一切与本申请构造，装置，特征等近似、雷同的，即凡依本申请专利申请范围所作的等同替换或修饰等，皆应属本申请的专利申请保护的范围之内。

Claims (10)

1.一种温度检测设备，其特征在于，包括：
控制器，所述控制器与红外测温装置可通信地连接，所述红外测温装置用于采集受检对象的温度数据；
所述控制器被配置成：
获取所述受检对象的温度数据，从而建立所述受检对象的原始红外温度图像；
将所述受检对象的原始红外温度图像分割为多个区域；
提取出每个所述区域的温度数据并按照预定算法进行处理，以得到每个所述区域的温度均值；以及
基于每个所述区域的温度均值和温度数据，对每个区域的每个像素点进行着色，得到所述受检对象的伪彩色温度图像。
2.根据权利要求1所述的温度检测设备，其特征在于，所述控制器被配置成采用如下方式获取所述原始红外温度图像：
对所述温度数据进行降噪处理，去除温度大于预先设定的阈值的异常区域以及异常噪点，并且利用未被去除的正常温度数据来建立所述原始红外温度图像。
3.根据权利要求2所述的温度检测设备，其特征在于，所述控制器被配置成采用如下方式去除所述异常区域以及所述异常噪点：
将红外测温装置所获取的全部温度数据转化为矩阵，并对该矩阵进行逐点扫描，将所扫描到的所述异常区域以及所述异常噪点去除。
4.根据权利要求1所述的温度检测设备，其特征在于，所述控制器被配置成采用如下方式将所述受检对象的原始红外温度图像分割为多个区域：
利用预先训练好的Unet++网络模型对受检对象的所述原始红外温度图像进行语义分割，从而将受检对象的所述原始红外温度图像分割为对应于受检对象的不同部位的多个区域。
5.根据权利要求4所述的温度检测设备，其特征在于，所述控制器还被配置成：
在所述语义分割后，输出与全部所述多个区域对应的位置区域范围集合。
6.根据权利要求1所述的温度检测设备，其特征在于，所述控制器被配置为通过如下步骤获取所述温度均值：
将通过所述分割得到的每个区域的温度数据取出，然后对每个区域分别进行数据汇总，然后使用Normalization算法进行数据归一处理，将每个区域的温度数据的值都处理在0～1之间，并且计算出每个区域的温度均值。
7.根据权利要求1所述的温度检测设备，其特征在于，所述控制器还被配置成：
基于得到所述受检对象的伪彩色温度图像来判定受检对象的体温是否异常；
当判定所述受检对象的体温为异常时，利用报警设备警告该异常。
8.根据权利要求1所述的温度检测设备，其特征在于，所述受检对象是人体，所述人体的不同部位的多个区域为：头部区域、上身区域、手臂区域和腿部区域。
9.根据权利要求1所述的温度检测设备，其特征在于，所述控制器还被配置成：
基于所述受检对象的伪彩色温度图像对所述受检对象的健康进行评估，并且输出健康评估报告。
10.根据权利要求1所述的温度检测设备，其特征在于，所述温度检测设备还包括所述红外测温装置。
CN202210122761.9A 2022-02-09 2022-02-09 温度检测设备 Pending CN114494299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210122761.9A CN114494299A (zh) 2022-02-09 2022-02-09 温度检测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210122761.9A CN114494299A (zh) 2022-02-09 2022-02-09 温度检测设备

Publications (1)

Publication Number Publication Date
CN114494299A true CN114494299A (zh) 2022-05-13

Family

ID=81478769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210122761.9A Pending CN114494299A (zh) 2022-02-09 2022-02-09 温度检测设备

Country Status (1)

Country Link
CN (1) CN114494299A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116275005A (zh) * 2023-05-19 2023-06-23 山东光明工模具制造有限公司 一种模具温度检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116275005A (zh) * 2023-05-19 2023-06-23 山东光明工模具制造有限公司 一种模具温度检测方法及系统

Similar Documents

Publication Publication Date Title
CN111242946B (zh) 一种基于红外热成像的人体体温异常检测方法及装置
US6215893B1 (en) Apparatus and method for measurement and temporal comparison of skin surface images
US11514270B2 (en) Speckle contrast analysis using machine learning for visualizing flow
JP4487535B2 (ja) 健康度測定システムおよびプログラム
CN109890274A (zh) 用于确定对象的核心体温的设备、系统和方法
CN111242123A (zh) 一种基于红外图像的电力设备故障诊断方法
CN111248890A (zh) 一种基于面部视频的非接触式新生儿心率监测方法及系统
US20220133215A1 (en) Method for evaluating skin lesions using artificial intelligence
CN114269231A (zh) 使用一组机器学习诊断模型来确定基于患者肤色的诊断
WO2012060732A1 (ru) Способ отображения температурного поля биологического объекта
EP1459682A1 (en) Apparatus for the characterisation of pigmented skin lesions
JP4649965B2 (ja) 健康度判定装置、及びプログラム
CN114494299A (zh) 温度检测设备
Mancilla et al. Detection of sore-risk regions on the foot sole with digital image processing and passive thermography in diabetic patients
JP3548473B2 (ja) 眼底画像の動静脈識別方法、記録媒体及び装置
CN106204523A (zh) 一种图像质量度量方法及装置
CN116849619A (zh) 一种利用红外热成像技术进行健康分析的方法及装置
CN115444355B (zh) 一种内窥镜病变尺寸信息确定方法、电子设备及存储介质
Wårdell et al. Analysis of laser Doppler perfusion images of experimental irritant skin reactions
KR100926769B1 (ko) 혀 영상을 이용한 후태 박태 판별 방법
KR102595429B1 (ko) 장 정결도의 자동화 계산 장치 및 방법
CN114782352A (zh) 一种基于人工智能的医学影像识别系统及识别方法
CN114041758A (zh) 桡动脉触诊定位方法、装置、电子设备和存储介质
KR102140657B1 (ko) 열화상이미지의 해상도 보정장치
KR20130083613A (ko) 3파장 영상을 이용한 설진 영상 처리 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