CN114550020A - 一种消毒机器人的生物体图像智能识别方法及系统 - Google Patents
一种消毒机器人的生物体图像智能识别方法及系统 Download PDFInfo
- Publication number
- CN114550020A CN114550020A CN202210420287.8A CN202210420287A CN114550020A CN 114550020 A CN114550020 A CN 114550020A CN 202210420287 A CN202210420287 A CN 202210420287A CN 114550020 A CN114550020 A CN 114550020A
- Authority
- CN
- China
- Prior art keywords
- vector
- temperature
- image
- target image
- value
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L2/00—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor
- A61L2/24—Apparatus using programmed or automatic operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L2202/00—Aspects relating to methods or apparatus for disinfecting or sterilising materials or objects
- A61L2202/10—Apparatus features
- A61L2202/14—Means for controlling sterilisation processes, data processing, presentation and storage means, e.g. sensors, controllers, programs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Disinfection Or Sterilisation (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,尤其涉及一种消毒机器人的生物体图像智能识别方法及系统。本发明通过检测消毒区域的温度,若所述温度在预设范围之内,采集在预设范围之内的所述温度所在的区域的目标图像,并对目标图像进行特征向量的提取,得到目标图像的特征向量,将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机进行识别,若识别结果为所述目标图像中有生物体时,消毒机器人停止消毒并发出警报,本发明实现了消毒机器人在作业过程中对生物体的智能识别,降低了检测的复杂度和成本。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种消毒机器人的生物体图像智能识别方法及系统。
背景技术
如今,日常消毒成为常态,消毒机器人的使用极大的方便了消毒工作,消毒机器人以机器人为载体,在机器人内部装置消毒系统产生消毒气体,并将消毒气体快速的在室内空间扩散,增加消毒的覆盖面和均匀性,能有效、无死角地杀灭空气中的致病微生物,消毒机器人能够根据设定的路线自动、高效、精准的对室内进行消毒防疫。
但消毒气体通常对生物体,如人体、动物或其他生命体有一定的伤害的,例如人体吸入了挥发在空气中的消毒气体,可能会刺激和破坏呼吸道粘膜组织,甚至容易破坏人体的免疫机能。
现有技术中,一般采用人工观察和规避的方法,在人工确定消毒区域没有生物体时,消毒机器人进行消毒,并未考虑在消毒机器人工作时对生物体的检测和规避,该方法并不智能。
发明内容
针对相关技术的缺陷,本发明的目的在于提供一种消毒机器人的生物体图像智能识别方法及系统,旨在解决现有的消毒机器人对生物体检测智能化程度不高、检测和处理方法复杂度高的问题。
本发明第一方面提供了一种消毒机器人的生物体图像智能识别方法,包括以下步骤:
S1、检测所述消毒机器人所在消毒区域的温度;
S2、判断所述温度是否在预设范围之内,若所述温度在预设范围之内,执行步骤S3;
S3、采集在预设范围之内的所述温度所在的区域的目标图像,并对所述目标图像进行特征向量的提取,得到目标图像的特征向量;
S4、将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机(SVM)进行识别;
S5、若识别结果为所述目标图像中有生物体时,所述消毒机器人停止消毒并发出警报。
优选的,步骤S3具体包括:
S31、将所述目标图像执行灰度化,得到大小为M×N像素灰度的图像矩阵,该图像矩阵为X=[x1,x2,……,xi,……,xM]T,其中,xi为图像矩阵的行向量,1<=i<=M,xi=(xi1,xi2,……,xij,……,xiN) ,其中,xij为图像矩阵中第i行第j列的像素灰度值,其中,1<=i<=M ,1<=j<=N;
S32、利用下述公式计算所述目标图像每行的均值:
S33、计算每个行向量与每行的均值的差值向量:
S34、根据差值向量计算目标图像的协方差矩阵:
S35、计算协方差矩阵的特征值和特征向量,并选取最大的t个特征值对应的特征向量,将所述特征向量按照其对应的特征值从大到小排列,构造特征矩阵:
S36、将图像矩阵的行向量的差值di映射到步骤S35构造的所述特征矩阵中,得到当前图像的图像特征向量I:
优选的,步骤S4具体包括以下步骤:
S41、检测目标图像所在区域的m个温度值T1、T2、……Tm,通过下述公式计算检测温度的平均值Tmean:
S43、将提取到的特征向量I和检测温度的融合值进行融合,得到融合后的
向量T’=(k1I;),将融合后的向量T’送入预先训练完成的SVM进行识别,其中,k1为
特征向量I的权重,k2为检测温度的融合值的权重,其值通过所述预先训练完成的
SVM确定。
优选的,使用温度传感器或者红外相机检测所述消毒机器人所在消毒区域的温度。
优选的,所述支持向量机为非线性支持向量机,其通过已有的训练集已完成训练,并能够识别生物体。
本发明第二方面提供了一种消毒机器人的生物体图像智能识别系统,该系统包括存储器以及处理器,所述存储器中包括一种消毒机器人的生物体图像智能识别方法程序,所述消毒机器人的生物体图像智能识别方法程序被所述处理器执行时,实现如下步骤:
S1、检测所述消毒机器人所在消毒区域的温度;
S2、判断所述温度是否在预设范围之内,若所述温度在预设范围之内,执行步骤S3;
S3、采集在预设范围之内的所述温度所在的区域的目标图像,并对所述目标图像进行特征向量的提取,得到目标图像的特征向量;
S4、将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机(SVM)进行识别;
S5、若识别结果为所述目标图像中有生物体时,所述消毒机器人停止消毒并发出警报。
优选的,步骤S3具体包括:
S31、将所述目标图像执行灰度化,得到大小为M×N像素灰度的图像矩阵,该图像矩阵为X=[x1,x2,……,xi,……,xM]T,其中,xi为图像矩阵的行向量,1<=i<=M,xi=(xi1,xi2,……,xij,……,xiN) ,其中,xij为图像矩阵中第i行第j列的像素灰度值,其中,1<=i<=M ,1<=j<=N;
S32、利用下述公式计算所述目标图像每行的均值:
S33、计算每个行向量与每行的均值的差值向量:
S34、根据差值向量计算目标图像的协方差矩阵:
S35、计算协方差矩阵的特征值和特征向量,并选取最大的t个特征值对应的特征向量,将所述特征向量按照其对应的特征值从大到小排列,构造特征矩阵:
S36、将图像矩阵的行向量的差值di映射到步骤S35构造的所述特征矩阵中,得到当前图像的图像特征向量I:
优选的,步骤S4具体包括以下步骤:
S41、检测目标图像所在区域的m个温度值T1、T2、……Tm,通过下述公式计算检测温度的平均值Tmean:
S43、将提取到的特征向量I和检测温度的融合值进行融合,得到融合后的
向量T’=(k1I;),将融合后的向量T’送入预先训练完成的SVM进行识别,其中,k1为
特征向量I的权重,k2为检测温度的融合值的权重,其值通过所述预先训练完成的
SVM确定。
优选的,使用温度传感器或者红外相机检测所述消毒机器人所在消毒区域的温度。
优选的,所述支持向量机为非线性支持向量机,其通过已有的训练集已完成训练,并能够识别生物体。
本发明解决了背景技术中存在的缺陷,并能够达到如下的技术效果:
(1)利用温度检测对生物体进行的初筛,减少了图像处理的次数,提高了识别的效率;
(2)在执行图像识别分类时,将温度值与图像的特征向量进行融合,结合温度传感器和图像采集器的信息,共同对生物体图像进行识别,方法简单,准确率更高;
(3)通过图像矩阵的行向量的差值构造目标图像的特征向量,方法简单易操作,便于后续SVM的图像识别和分类;
(4)在温度值与图像的特征向量进行融合前,对温度值进行预处理,并在特征融合时采用权重融合,避免融合后产生误差,导致图像识别错误。
附图说明
图1是本发明提供的生物体图像智能识别方法的具体方法流程图;
图2是本发明提供的生物体图像智能识别系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面结合优选实施例,对本发明涉及的内容进行说明。
本发明的第一方面提供一种消毒机器人的生物体图像智能识别方法,具体包括如下步骤:
S1、检测所述消毒机器人所在消毒区域的温度;
可以使用温度传感器或红外相机检测温度,得到检测的温度值T。可以针对消毒区域的一个或多个位置进行检测,每个位置的检测结果也可以为一个或多个。
所述温度传感器或红外相机可以位于消毒机器人上,也可以在消毒区域中预先放置温度传感器或红外相机,其用于检测温度并将检测的温度数据发送给消毒机器人的控制模块。
S2、判断所述温度是否在预设范围之内,若所述温度在预设范围之内,执行步骤S3;
需要说明的是,生物体本身通常具备一定范围的温度,因此,所述预设范围可以设置生物体的温度范围[T1,T2],如[30℃,45℃],该范围可以通过自学习获取,也可以由用户根据需求设定。
若检测的温度值T在预设范围之外,表明消毒机器人附近没有生物体的存在,可以安全进行消毒作业;若检测的温度值位于预设范围[T1,T2]之内,表明消毒机器人附近可能存在生物体,执行S3。
本发明通过检测消毒区域的温度,对消毒区域是否存在生物体进行初筛,简化了生物体检测的难度,降低了图像检测和数据处理的复杂度。
S3、采集在预设范围[T1,T2]之内的所述温度T所在的区域的目标图像,并对目标图像进行特征向量的提取,得到目标图像的特征向量I。
需要说明的是,本发明通过温度检测,初步确定生物体可能位于的区域范围,并采集该区域的图像作为目标图像以进行进一步分析,获取该区域目标图像的特征向量I。本发明通过温度检测初步确定生物体可能位于的区域范围,并对该区域的图像进行识别和处理,避免对全区域拍摄的图像进行图像处理,降低了计算的复杂度。
S4、将提取到的特征向量I和检测的温度值T进行融合,得到融合后的向量T’=(I;T),将融合后的向量T’送入预先训练完成的支持向量机(support vector machines, SVM)进行识别;
S5、若识别结果为所述目标图像中有生物体时,消毒机器人停止消毒并发出警报。
需要说明的是,本发明不仅利用了温度对生物体进行的初筛,在执行图像识别分类时,将温度值与图像的特征向量进行融合,结合温度传感器和图像采集器的信息,共同对生物体图像进行识别,方法简单,准确率更高。
进一步地,本发明的一个较佳实施例中,步骤S3、采集在预设范围[T1,T2]之内的所述温度T所在的区域的目标图像,并对目标图像进行特征向量的提取,得到目标图像的特征向量I,具体可以采用如下的方法:
S31、将待处理的目标图像执行灰度化,得到大小为M×N的像素灰度矩阵,该图像矩阵为X=[x1,x2,……,xi,……,xM]T,其中,xi为图像矩阵的行向量(1<=i<=M),xi=(xi1,xi2,……,xij,……,xiN) ,其中,xij为图像矩阵中第i行第j列的像素灰度值(1<=i<=M ,1<=j<=N);
S32、利用下述公式计算所述目标图像每行的均值:
S33、计算每个行向量与每行的均值的差值向量:
S34、根据差值向量计算目标图像的协方差矩阵:
S35、计算目标图像的协方差矩阵的特征值和特征向量,并选取预设个数t的最大特征值对应的特征向量,按照从大到小排列的顺序构造特征矩阵:
S35、将图像矩阵的行向量的差值di映射到步骤S35构造的特征矩阵中,得到当前图像的图像特征I:
需要说明的是,本发明采用上述特征提取的方法,根据图像行向量的差值计算各行协方差的特征值和特征向量,选取其中最重要的t个特征向量,利用其构造目标图像的特征向量,能够更好的体现目标图像的特征,便于后续的图像识别和分类。
进一步地,本发明的一个较佳实施例中,针对步骤S4、将提取到的特征向量I和检测的温度值T进行融合,得到融合后的向量T’=(I;T),将融合后的向量T’送入预先训练完成的SVM进行识别,具体的处理过程为:
S41、检测目标图像所在区域的多个温度值T1、T2、……Tm(m为检测的次数),通过下述公式计算检测温度的平均值Tmean:
S43、将提取到的特征向量I和检测温度的融合值进行融合,得到融合后的
向量T’=(k1I;),将融合后的向量T’送入预先训练完成的SVM进行识别,其中,k1为
特征向量I的权重,k2为检测温度的融合值的权重,其值通过所述预先训练完成的
SVM确定。
优选的,所述SVM为非线性SVM,其为预先利用已有的训练集完成训练的二分类模型,其可以区分目标图像中是否存在生物体,如人、猫、狗等。
需要说明的是,在将提取到的特征向量I和检测的温度值T进行融合的过程中,由于目标图像的特征向量I和温度值T可能属于不同的数量级范围,在融合过程中可能导致结果的偏差,因此,需要先对其进行处理后,再将处理后的结果融合。本发明通过获取多个温度值,求出平均值,并用所述平均值除以多个温度值的标准差,并在融合时加入权重,该权重代表了不同属性与特定的目标类的相关程度,其值是利用已有的训练集完成训练的SVM确定,以此降低融合误差,提高图像识别的准确性。
本发明第二方面提供了一种消毒机器人的生物体图像智能识别系统,该系统包括存储器1以及处理器2,所述存储器1中包括一种消毒机器人的生物体图像智能识别方法程序,所述消毒机器人的生物体图像智能识别方法程序被所述处理器执行时,实现如下步骤:
S1、检测所述消毒机器人所在消毒区域的温度;
可以使用温度传感器或红外相机检测温度,得到检测的温度值T。可以针对消毒区域的一个或多个位置进行检测,每个位置的检测结果也可以为一个或多个。
所述温度传感器或红外相机可以位于消毒机器人上,也可以在消毒区域中预先放置温度传感器或红外相机,其用于检测温度并将检测的温度数据发送给消毒机器人的控制模块。
S2、判断所述温度是否在预设范围之内,若所述温度在预设范围之内,执行步骤S3;
需要说明的是,生物体本身通常具备一定范围的温度,因此,所述预设范围可以设置生物体的温度范围[T1,T2],如[30℃,45℃],该范围可以通过自学习获取,也可以由用户根据需求设定。
若检测的温度值T在预设范围之外,表明消毒机器人附近没有生物体的存在,可以安全进行消毒作业;若检测的温度值位于预设范围[T1,T2]之内,表明消毒机器人附近可能存在生物体,执行S3。
本发明通过检测消毒区域的温度,对消毒区域是否存在生物体进行初筛,简化了生物体检测的难度,降低了图像检测和数据处理的复杂度。
S3、采集在预设范围[T1,T2]之内的所述温度T所在的区域的目标图像,并对目标图像进行特征向量的提取,得到目标图像的特征向量I。
需要说明的是,本发明通过温度检测,初步确定生物体可能位于的区域范围,并采集该区域的图像作为目标图像以进行进一步分析,获取该区域目标图像的特征向量I。本发明通过温度检测初步确定生物体可能位于的区域范围,并对该区域的图像进行识别和处理,避免对全区域拍摄的图像进行图像处理,降低了计算的复杂度。
S4、将提取到的特征向量I和检测的温度值T进行融合,得到融合后的向量T’=(I;T),将融合后的向量T’送入预先训练完成的支持向量机(support vector machines, SVM)进行识别;
S5、若识别结果为所述目标图像中有生物体时,消毒机器人停止消毒并发出警报。
需要说明的是,本发明不仅利用了温度对生物体进行的初筛,在执行图像识别分类时,将温度值与图像的特征向量进行融合,结合温度传感器和图像采集器的信息,共同对生物体图像进行识别,方法简单,准确率更高。
进一步地,本发明的一个较佳实施例中,步骤S3、采集在预设范围[T1,T2]之内的所述温度T所在的区域的目标图像,并对目标图像进行特征向量的提取,得到目标图像的特征向量I,具体可以采用如下的方法:
S31、将待处理的目标图像执行灰度化,得到大小为M×N的像素灰度矩阵,该图像矩阵为X=[x1,x2,……,xi,……,xM]T,其中,xi为图像矩阵的行向量(1<=i<=M),xi=(xi1,xi2,……,xij,……,xiN) ,其中,xij为图像矩阵中第i行第j列的像素灰度值(1<=i<=M ,1<=j<=N);
S32、利用下述公式计算所述目标图像每行的均值:
S33、计算每个行向量与每行的均值的差值向量:
S34、根据差值向量计算目标图像的协方差矩阵:
S35、计算目标图像的协方差矩阵的特征值和特征向量,并选取预设个数t的最大特征值对应的特征向量,按照从大到小排列的顺序构造特征矩阵:
S35、将图像矩阵的行向量的差值di映射到步骤S35构造的特征矩阵中,得到当前图像的图像特征I:
需要说明的是,本发明采用上述特征提取的方法,根据图像行向量的差值计算各行协方差的特征值和特征向量,选取其中最重要的t个特征向量,利用其构造目标图像的特征向量,能够更好的体现目标图像的特征,便于后续的图像识别和分类。
进一步地,本发明的一个较佳实施例中,针对步骤S4、将提取到的特征向量I和检测的温度值T进行融合,得到融合后的向量T’=(I;T),将融合后的向量T’送入预先训练完成的SVM进行识别,具体的处理过程为:
S41、检测目标图像所在区域的多个温度值T1、T2、……Tm(m为检测的次数),通过下述公式计算检测温度的平均值Tmean:
S43、将提取到的特征向量I和检测温度的融合值进行融合,得到融合后的
向量T’=(k1I;),将融合后的向量T’送入预先训练完成的SVM进行识别,其中,k1为
特征向量I的权重,k2为检测温度的融合值的权重,其值通过所述预先训练完成的
SVM确定。
优选的,所述SVM为非线性SVM,其为预先利用已有的训练集完成训练的二分类模型,其可以区分目标图像中是否存在生物体,如人、猫、狗等。
需要说明的是,在将提取到的特征向量I和检测的温度值T进行融合的过程中,由于目标图像的特征向量I和温度值T可能属于不同的数量级范围,在融合过程中可能导致结果的偏差,因此,需要先对其进行处理后,再将处理后的结果融合。本发明通过获取多个温度值,求出平均值,并用所述平均值除以多个温度值的标准差,并在融合时加入权重,该权重代表了不同属性与特定的目标类的相关程度,其值是利用已有的训练集完成训练的SVM确定,以此降低误差,提高图像识别的准确性。
综上所述,在本发明较佳的实施例提供的一种消毒机器人的生物体图像智能识别方法及系统。本发明通过检测消毒区域的温度,若所述温度在预设范围之内,采集在预设范围之内的所述温度所在的区域的目标图像,并对目标图像进行特征向量的提取,得到目标图像的特征向量,将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机进行识别,若识别结果为所述目标图像中有生物体时,消毒机器人停止消毒并发出警报,本发明实现了消毒机器人在作业过程中对生物体的智能识别,降低了检测的复杂度和成本。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种消毒机器人的生物体图像智能识别方法,其特征在于,包括以下步骤:
S1、检测所述消毒机器人所在消毒区域的温度;
S2、判断所述温度是否在预设范围之内,若所述温度在预设范围之内,执行步骤S3;
S3、采集在预设范围之内的所述温度所在的区域的目标图像,并对所述目标图像进行特征向量的提取,得到目标图像的特征向量;
S4、将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机(SVM)进行识别;
S5、若识别结果为所述目标图像中有生物体时,所述消毒机器人停止消毒并发出警报。
2.根据权利要求1 所述的消毒机器人的生物体图像智能识别方法,其特征在于,步骤S3、采集在预设范围之内的所述温度所在的区域的目标图像,并对所述目标图像进行特征向量的提取,得到目标图像的特征向量具体包括:
S31、将所述目标图像执行灰度化,得到大小为M×N像素灰度的图像矩阵,该图像矩阵为X=[x1,x2,……,xi,……,xM]T,其中,xi为图像矩阵的行向量,1<=i<=M,xi=(xi1,xi2,……,xij,……,xiN) ,其中,xij为图像矩阵中第i行第j列的像素灰度值,其中,1<=i<=M ,1<=j<=N;
S32、利用下述公式计算所述目标图像每行的均值:
S33、计算每个行向量与每行的均值的差值向量:
S34、根据差值向量计算目标图像的协方差矩阵:
S35、计算协方差矩阵的特征值和特征向量,并选取最大的t个特征值对应的特征向量,将所述特征向量按照其对应的特征值从大到小排列,构造特征矩阵:
S36、将图像矩阵的行向量的差值di映射到步骤S35构造的所述特征矩阵中,得到当前图像的图像特征向量I:
3.根据权利要求2所述的消毒机器人的生物体图像智能识别方法,其特征在于,步骤S4中将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机(SVM)进行识别,具体包括以下步骤:
S41、检测目标图像所在区域的m个温度值T1、T2、……Tm,通过下述公式计算检测温度的平均值Tmean:
4.根据权利要求1所述的消毒机器人的生物体图像智能识别方法,其特征在于,使用温度传感器或者红外相机检测所述消毒机器人所在消毒区域的温度。
5.根据权利要求1所述的消毒机器人的生物体图像智能识别方法,其特征在于,所述支持向量机为非线性支持向量机,其通过已有的训练集已完成训练,并能够识别生物体。
6.一种消毒机器人的生物体图像智能识别系统,该系统包括存储器以及处理器,所述存储器中包括一种消毒机器人的生物体图像智能识别方法程序,所述消毒机器人的生物体图像智能识别方法程序被所述处理器执行时,实现如下步骤:
S1、检测所述消毒机器人所在消毒区域的温度;
S2、判断所述温度是否在预设范围之内,若所述温度在预设范围之内,执行步骤S3;
S3、采集在预设范围之内的所述温度所在的区域的目标图像,并对所述目标图像进行特征向量的提取,得到目标图像的特征向量;
S4、将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机(SVM)进行识别;
S5、若识别结果为所述目标图像中有生物体时,所述消毒机器人停止消毒并发出警报。
7.根据权利要求6所述的消毒机器人的生物体图像智能识别系统,其特征在于,步骤S3、采集在预设范围之内的所述温度所在的区域的目标图像,并对所述目标图像进行特征向量的提取,得到目标图像的特征向量具体包括:
S31、将所述目标图像执行灰度化,得到大小为M×N像素灰度的图像矩阵,该图像矩阵为X=[x1,x2,……,xi,……,xM]T,其中,xi为图像矩阵的行向量,1<=i<=M,xi=(xi1,xi2,……,xij,……,xiN) ,其中,xij为图像矩阵中第i行第j列的像素灰度值,其中,1<=i<=M ,1<=j<=N;
S32、利用下述公式计算所述目标图像每行的均值:
S33、计算每个行向量与每行的均值的差值向量:
S34、根据差值向量计算目标图像的协方差矩阵:
S35、计算各行协方差的特征值和特征向量,并选取最大的t个特征值对应的特征向量,将所述特征向量按照其对应的特征值从大到小排列,构造特征矩阵:
S36、将图像矩阵的行向量的差值di映射到步骤S35构造的所述特征矩阵中,得到当前图像的图像特征向量I:
8.根据权利要求7所述的消毒机器人的生物体图像智能识别系统,其特征在于,步骤S4中将提取到的所述目标图像的所述特征向量和所述温度进行融合,得到融合后的向量,将融合后的向量送入预先训练完成的支持向量机进行识别,具体包括以下步骤:
S41、检测目标图像所在区域的m个温度值T1、T2、……Tm,通过下述公式计算检测温度的平均值Tmean:
9.根据权利要求6所述的消毒机器人的生物体图像智能识别系统,其特征在于,使用温度传感器或者红外相机检测所述消毒机器人所在消毒区域的温度。
10.根据权利要求6所述的消毒机器人的生物体图像智能识别系统,其特征在于,所述支持向量机为非线性支持向量机,其通过已有的训练集已完成训练,并能够识别生物体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420287.8A CN114550020B (zh) | 2022-04-21 | 2022-04-21 | 一种消毒机器人的生物体图像智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210420287.8A CN114550020B (zh) | 2022-04-21 | 2022-04-21 | 一种消毒机器人的生物体图像智能识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550020A true CN114550020A (zh) | 2022-05-27 |
CN114550020B CN114550020B (zh) | 2022-07-08 |
Family
ID=81667652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210420287.8A Active CN114550020B (zh) | 2022-04-21 | 2022-04-21 | 一种消毒机器人的生物体图像智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550020B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978875A (zh) * | 2019-04-03 | 2019-07-05 | 无锡立赫智能科技有限公司 | 一种电容器外观缺陷识别方法及识别装置 |
CN110487410A (zh) * | 2019-07-31 | 2019-11-22 | 上海电力大学 | 多模态图像特征融合的电力设备构件温度提取方法及装置 |
US20200327308A1 (en) * | 2017-11-22 | 2020-10-15 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for face recognition |
CN113065470A (zh) * | 2021-04-02 | 2021-07-02 | 金陵科技学院 | 基于多特征融合及注意力权重避障的消毒机器人设计方法 |
CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
CN113963199A (zh) * | 2021-10-13 | 2022-01-21 | 电子科技大学 | 一种基于多种传感器特征融合和机器学习的医废识别方法 |
CN114310961A (zh) * | 2022-01-13 | 2022-04-12 | 上海工程技术大学 | 一种基于视觉的多传感器融合的智能防火机器人 |
-
2022
- 2022-04-21 CN CN202210420287.8A patent/CN114550020B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200327308A1 (en) * | 2017-11-22 | 2020-10-15 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for face recognition |
CN109978875A (zh) * | 2019-04-03 | 2019-07-05 | 无锡立赫智能科技有限公司 | 一种电容器外观缺陷识别方法及识别装置 |
CN110487410A (zh) * | 2019-07-31 | 2019-11-22 | 上海电力大学 | 多模态图像特征融合的电力设备构件温度提取方法及装置 |
CN113065470A (zh) * | 2021-04-02 | 2021-07-02 | 金陵科技学院 | 基于多特征融合及注意力权重避障的消毒机器人设计方法 |
CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
CN113963199A (zh) * | 2021-10-13 | 2022-01-21 | 电子科技大学 | 一种基于多种传感器特征融合和机器学习的医废识别方法 |
CN114310961A (zh) * | 2022-01-13 | 2022-04-12 | 上海工程技术大学 | 一种基于视觉的多传感器融合的智能防火机器人 |
Non-Patent Citations (1)
Title |
---|
黄衍标 等: "一种自主巡逻智能预警的机器人系统设计", 《单片机与嵌入式系统应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114550020B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghoshal et al. | Estimating uncertainty and interpretability in deep learning for coronavirus (COVID-19) detection | |
CN108305248B (zh) | 一种骨折识别模型的构建方法及应用 | |
CN106295313B (zh) | 对象身份管理方法、装置和电子设备 | |
CN110838118A (zh) | 用于医疗过程中异常检测的系统和方法 | |
CN113688736B (zh) | 一种对患者健康状况进行分析监测的方法 | |
RU2409855C2 (ru) | Идентификация и классификация вирусных частиц на текстурированных электронных микрофотографиях | |
TW201641071A (zh) | 用於微創手術的多器械影像辨識方法及系統 | |
CN112472148A (zh) | 一种核酸检测装置 | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
CN114782991B (zh) | 一种基于医院内感染风险的院内消杀设备自动控制方法 | |
US20220222817A1 (en) | Transfer learning for medical applications using limited data | |
Musha et al. | A deep learning approach for COVID-19 and pneumonia detection from chest X-ray images. | |
CN114550020B (zh) | 一种消毒机器人的生物体图像智能识别方法及系统 | |
CN117975170B (zh) | 基于大数据的医疗信息处理方法及系统 | |
CN115919373A (zh) | 生物样品定制采集结构自动驱动系统 | |
Singh et al. | Revolutionizing diabetes disease prediction through novel machine learning techniques | |
CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及系统 | |
CN116525133A (zh) | 核酸的自动采集方法、系统、电子设备及介质 | |
Shah et al. | Towards Intelligent Detection and Classification of Rice Plant Diseases Based on Leaf Image Dataset. | |
CN113673343B (zh) | 一种基于加权元度量学习的开放集掌纹识别系统及方法 | |
CN112487980B (zh) | 基于微表情治疗方法、装置、系统与计算机可读存储介质 | |
Winston et al. | Novel optimization based hybrid self-organizing map classifiers for iris image recognition | |
Khaleel et al. | Pneumonia detection using butterfly optimization and hybrid butterfly optimization algorithm | |
Phu et al. | Utilizing DETR model on SPECT image to assess remaining thyroid tissues post-thyroidectomy | |
Wang et al. | Identifying Antibiotic Resistance in Pathogenic Bacteria through SVM and Neural Network Predictive Models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |