CN114782991A - 一种基于医院内感染风险的院内消杀设备自动控制方法 - Google Patents
一种基于医院内感染风险的院内消杀设备自动控制方法 Download PDFInfo
- Publication number
- CN114782991A CN114782991A CN202210423668.1A CN202210423668A CN114782991A CN 114782991 A CN114782991 A CN 114782991A CN 202210423668 A CN202210423668 A CN 202210423668A CN 114782991 A CN114782991 A CN 114782991A
- Authority
- CN
- China
- Prior art keywords
- portrait
- image data
- target object
- area
- hospital
- 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
- 230000002147 killing effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 26
- 206010011409 Cross infection Diseases 0.000 title claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 45
- 208000015181 infectious disease Diseases 0.000 claims abstract description 23
- 208000035473 Communicable disease Diseases 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims description 82
- 230000007613 environmental effect Effects 0.000 claims description 22
- 239000000645 desinfectant Substances 0.000 claims description 20
- 244000052616 bacterial pathogen Species 0.000 claims description 9
- 238000005507 spraying Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 206010029803 Nosocomial infection Diseases 0.000 abstract description 7
- 230000001954 sterilising effect Effects 0.000 abstract description 5
- 238000012954 risk control Methods 0.000 abstract description 4
- 244000052769 pathogen Species 0.000 description 13
- 230000001717 pathogenic effect Effects 0.000 description 11
- 238000004659 sterilization and disinfection Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 4
- 238000001931 thermography Methods 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008029 eradication Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本发明提供一种基于医院内感染风险的院内消杀设备自动控制方法,属于传染病风险控制技术领域。该方法包括:获取目标对象的目标人像特征和医院内的历史影像资料,历史影像资料包括目标对象被隔离或被转送至其他医疗机构前预设时间段内的影像资料;目标对象为传染病确诊病例或疑似病例;基于目标人像特征在历史影像资料中识别目标对象的人像;根据在历史影像资料中识别到的目标对象的人像,确定目标对象在医院内的历史活动区域,将活动区域作为风险区域;控制智能消杀设备对确定出的风险区域进行消杀。本发明中医院可以及时地对传染病传染风险区域进行消杀,降低院内感染的风险,而且由于仅对风险区域进行消杀,对医院运行的影响小。
Description
技术领域
本发明涉及传染病风险控制技术领域,具体涉及一种基于医院内感染风险的院内消杀设备自动控制方法。
背景技术
医院感染管理是现代医院管理的重要课题,与医疗质量和医疗安全紧密相关,如何有效地预防和控制医院感染是突出的公共卫生问题,亦是医学科学研究的热点,医院感染的发生,严重影响病人的康复,对医务人员的职业安全构成巨大的威胁,同时,造成卫生资源浪费,给医院形象带来负面影响,因此,在医疗实践中有效地进行医院感染管理成为现代医院管理的重点和难点。
在新冠肺炎或SARS流行期间,医院一旦发现疑似病例或确诊病例会直接停诊并全面消杀,可以将院内感染的风险降到最低,但是所造成的影响也是巨大的,消杀时和消杀后很长一段时间医院都是不能正常运行的。因此,这种方式不适合于常态化的院内感染风险控制,例如对于流感之类的传染病,如果发现疑似病例或确诊病例是不适合全面停诊并消杀的,但是如果不及时处理,又会导致院内感染风险升高。
发明内容
因此,本发明实施例要解决的技术问题在于克服现有技术中的院内感染风险控制方法成本高、影响大的时缺陷,从而提供一种基于医院内感染风险的院内消杀设备自动控制方法。
为此,本发明提供一种基于医院内感染风险的院内消杀设备自动控制方法,包括以下步骤:
获取目标对象的目标人像特征和医院内的历史影像资料,所述历史影像资料包括所述目标对象被隔离或被转送至其他医疗机构前预设时间段内的影像资料;所述目标对象为传染病确诊病例或疑似病例;
基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像;
根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域,将所述活动区域作为风险区域;
控制智能消杀设备对确定出的所述风险区域进行消杀。
可选的,所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像,包括:
基于所述目标人像特征在所述历史影像资料中的第一历史影像资料中识别所述目标对象的人像,所述第一历史影像资料为安装于所述医院的第一区域处的成像设备采集到的影像资料;
在所述第一历史影像资料中识别到所述目标对象的人像之后,确定第一成像设备,所述第一成像设备为采集识别到所述目标对象的人像的第一历史影像资料的成像设备;
根据所述医院的环境布局情况和所述第一成像设备,确定第二成像设备,所述第二成像设备为人员位于所述第一成像设备所在的第一区域时可以行走的每一条路径上安装的第一个成像设备;
基于所述目标人像特征在所述历史影像资料中的第二历史影像资料中识别所述目标对象的人像,所述第二历史影像资料为所述第二成像设备在所述第一成像设备采集到能够与所述目标人像特征进行匹配的所述目标对象的人像之后,采集到的影像资料。
可选的,所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像,包括:
从所述历史影像资料中提取出待识别人像;
按照与目标人像特征同样的提取方式,从所述待识别人像中提取出待匹配人像特征;
将所述目标人像特征与所述待匹配人像特征进行匹配,得到匹配特征;
计算所述匹配特征中每两个所述匹配特征在所述待识别人像上对应的位置之间的第一距离,并计算所述第一距离与第二距离的比值,所述第二距离为两个所述匹配特征在提取所述目标人像特征的图像上对应的位置之间的距离;
若所述匹配特征中的第一匹配特征与其他的所述匹配特征之间的所述第一距离和所述第二距离的比值的差值的方差大于预设值,确定所述第一匹配特征为错误的匹配特征;
根据删除所述第一匹配特征后剩下的匹配特征数,确定所述待识别人像是否是所述目标对象的人像。
可选的,所述从所述历史影像资料中提取出待识别人像,包括:
从所述历史影像资料中的第一图像帧中去除背景图像部分,得到前景图像,所述背景图像是预先获取的第一图像以及所述历史影像资料中的第二图像帧和第三图像帧的交集部分,所述第一图像、所述第一图像帧、所述第二图像帧和所述第三图像帧为同一成像设备在同一位置、同一角度、不同时刻采集得到,且所述第一图像、所述第一图像帧、所述第二图像帧和所述第三图像帧中任意两者的采集时刻之间间隔均大于预设时长;
从所述前景图像中提取所述待识别人像。
可选的,所述从所述前景图像中提取所述待识别人像,包括:
将所述前景图像转换为灰度图;
使用高斯滤波对所述灰度图进行降噪处理,得到高斯滤波图;
使用sobel算子检测所述高斯滤波图中的图像边缘,得到边缘图像;
根据所述边缘图像获取掩膜图;
将所述掩膜图与所述前景图像进行交运算之后输入至人像识别模型进行人像识别。
可选的,所述根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域,包括:
获取在所述历史影像资料中识别到的所述目标对象的人像所在的区域作为第一活动区域;
根据在所述历史影像资料中识别到的所述目标对象在所述第一活动区域出现的时间顺序,以及所述医院的环境布局情况,推测所述目标对象出现时间相邻的两个所述第一活动区域之间的第二活动区域;
将所述第一活动区域和所述第二活动区域均作为所述目标对象在所述医院内的活动区域。
可选的,所述根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域之后,还包括:
根据所述医院内的环境布局情况,确定所述活动区域的关联区域,所述活动区域的所述关联区域为所述活动区域的病菌易传播的相邻区域,将所述关联区域作为所述风险区域;
所述控制智能消杀设备对确定出的所述风险区域进行消杀,包括:
根据所述医院内的环境布局情况规划对所述风险区域进行消杀的路径;
控制所述智能消杀设备根据规划出的所述路径对所述风险区域进行消杀。
可选的,所述控制智能消杀设备对确定出的所述风险区域进行消杀之后,还包括:
获取所述风险区域内安装的传感器检测到的消毒剂浓度数据;
若所述消毒剂浓度数据不满足预设条件,则将对应的所述传感器确定为第一传感器;
控制所述智能消杀设备对所述第一传感器周边预设范围内的区域进行消杀。
可选的,所述控制智能消杀设备对确定出的所述风险区域进行消杀,包括:
根据预先获取的所述风险区域的环境布局情况,控制所述智能消杀设备在所述风险区域内的移动速度和消毒剂的喷洒,所述环境布局情况至少包括环境布局地图和布置的物品的信息。
可选的,所述根据预先获取的所述风险区域的环境布局情况,控制所述智能消杀设备在所述风险区域内的移动速度和消毒剂的喷洒之前,还包括:
获取预先存储的所述风险区域的所述环境布局情况,以及在确定为风险区域时成像设备采集的影像资料;
利用确定为风险区域时成像设备采集的影像资料对预先存储的所述风险区域的所述环境布局情况进行校正。
本发明实施例的技术方案,具有如下优点:
本发明实施例中,医院在发现传染病疑似病例或确诊病例之后可以及时地对该疑似病例的活动区域之类的风险区域进行消杀,降低院内感染的风险,而且由于仅对风险区域进行消杀,与对医院进行全面消杀相比,对医院运行的影响小,适用于常态化的传染病风险控制。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,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1中基于医院内感染风险的院内消杀设备自动控制方法的一个具体示例的流程图;
图2为本发明实施例1中基于医院内感染风险的院内消杀设备自动控制方法的另一个具体示例的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通;可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于医院内感染风险的院内消杀设备自动控制方法,如图1所示,包括以下步骤:
S1:获取目标对象的目标人像特征和医院内的历史影像资料,所述历史影像资料包括所述目标对象被隔离或被转送至其他医疗机构前预设时间段内的影像资料;所述目标对象为传染病确诊病例或疑似病例;
S2:基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像;
S3:根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域,将所述活动区域作为风险区域;
S4:控制智能消杀设备对确定出的所述风险区域进行消杀。
目标对象的目标人像特征可以由医院工作人员安排采集目标对象的人像,然后系统在接收到采集的人像后进行特征提取得到。目标对象的目标人像特征至少包括目标对象的人脸特征,所述历史影像资料可以仅包括近几天的影像资料,具体的时间段可根据传染病的潜伏期长度和/或通过问询得知的目标对象近期在医院内的活动时间和/或传染病菌在环境中的存活时长确定。
本发明实施例中,医院在发现传染病疑似病例或确诊病例之后可以及时地对该疑似病例的活动区域之类的风险区域进行消杀,降低院内感染的风险,而且由于仅对风险区域进行消杀,与对医院进行全面消杀相比,对医院运行的影响小,适用于常态化的传染病风险控制。
可选的,上述步骤S2,即所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像,包括:
基于所述目标人像特征在所述历史影像资料中的第一历史影像资料中识别所述目标对象的人像,所述第一历史影像资料为安装于所述医院的第一区域处的成像设备采集到的影像资料;
在所述第一历史影像资料中识别到所述目标对象的人像之后,确定第一成像设备,所述第一成像设备为采集识别到所述目标对象的人像的第一历史影像资料的成像设备;
根据所述医院的环境布局情况和所述第一成像设备,确定第二成像设备,所述第二成像设备为人员位于所述第一成像设备所在的第一区域时可以行走的每一条路径上安装的第一个成像设备;
基于所述目标人像特征在所述历史影像资料中的第二历史影像资料中识别所述目标对象的人像,所述第二历史影像资料为所述第二成像设备在所述第一成像设备采集到能够与所述目标人像特征进行匹配的所述目标对象的人像之后,采集到的影像资料。
其中,第一区域例如可以是医院的出入口,第一区域可以有多个。如果未从所述第一历史影像资料中识别到所述目标对象的人像,则从所述第二历史影像资料中识别所述目标对象的人像。成像设备所在的区域可以是该成像设备视野范围内的区域,例如第一成像设备所在的第一区域可以是第一成像设备视野范围内的区域。
如果从所述第一历史影像资料中识别到所述目标对象的人像,但未从第二历史影像资料中识别到所述目标对象的人像,则从第三历史影像资料中识别所述目标对象的人像,所述第三历史影像资料是人员位于所述第一成像设备所在的第一区域时可以行走的每一条路径上安装的第二个成像设备在所述第一成像设备采集到所述目标对象的人像之后采集到的影像资料,也可以是人员位于第二成像设备所在的第二区域时可以行走的每一条路径上安装的第一个成像设备在所述第一成像设备采集到所述目标对象的人像之后采集到的影像资料。
举例来说,在发现传染病的疑似病例或确诊病例后,需要及时对其进行隔离,然后由医院的工作人员使用成像设备采集疑似病例或确诊病例的人像并传输至系统,由系统进行特征提取得到目标人像特征,然后使用提取到的目标人像特征与医院出入口处(可以有多个)的成像设备采集到的第一历史影像资料(时间跨度可以是从疑似病例或确诊病例开始隔离之前的预设时长,该预设时长可以是根据传染病的潜伏期长度和/或通过问询得知的目标对象近期在医院内的活动时间和/或病菌在环境中的存活时长确定)中的人像进行匹配,如果从医院出入口处的某一个成像设备(例如第一成像设备)采集到的影像资料中匹配到目标对象(即疑似病例或确诊病例),那么使用上述的目标人像特征与第二历史影像资料中的人像进行匹配,该第二历史影像资料为第二成像设备在所述第一成像设备采集到能够与所述目标人像特征进行匹配的所述目标对象的人像之后,采集到的影像资料,具体来说,在按照时间顺序使用所述目标人像特征与第一历史影像资料中的人像进行匹配时,第一次匹配成功后,记录第一成像设备采集到该匹配成功的人像的时刻为第一时刻,第二历史影像资料为所述第二成像设备在第一时刻之后采集到的影像资料,第二成像设备为人员位于所述第一成像设备所在的第一区域时可以行走的每一条路径上安装的第一个成像设备。如果未从所有的第一历史影像资料中匹配到目标对象的人像,那么直接从所有的第二成像设备采集到的影像资料中(时间跨度可以是从疑似病例或确诊病例开始隔离之前的预设时长,该预设时长可以是根据传染病的潜伏期长度和/或通过问询得知的目标对象近期在医院内的活动时间和/或病菌在环境中的存活时长确定)进行人像匹配。在第二成像设备采集到的历史影像资料中匹配到目标对象的人像之后,则从第四历史影像资料中匹配目标对象的人像,第四历史影像资料是第四成像设备在第二成像设备采集到能够与所述目标人像特征进行匹配的所述目标对象的人像之后采集到的影像资料,所述第四成像设备为人员位于采集到与所述目标人像特征匹配的目标对象的人像的第二成像设备所在的区域时可以行走的每一条路径上安装的第一个成像设备。如果未从第二成像设备采集到的历史影像资料中匹配到目标对象的人像,则从第三历史影像资料中匹配所述目标对象的人像,所述第三历史影像资料是人员位于所述第一成像设备所在的医院出入口处时可以行走的每一条路径上安装的第二个成像设备在所述第一成像设备采集到所述目标对象的人像之后采集到的影像资料,也可以是人员位于第二成像设备所在的区域时可以行走的每一条路径上安装的第一个成像设备在所述第一成像设备采集到所述目标对象的人像之后采集到的影像资料。依次类推,直至时间到了开始隔离的时刻。
本实施例中,可以降低识别的工作量和所需花费的时间。
可选的,上述步骤S2,即所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像,包括:
从所述历史影像资料中提取出待识别人像;
按照与目标人像特征同样的提取方式,从所述待识别人像中提取出待匹配人像特征;
将所述目标人像特征与所述待匹配人像特征进行匹配,得到匹配特征;
计算所述匹配特征中每两个所述匹配特征在所述待识别人像上对应的位置之间的第一距离,并计算所述第一距离与第二距离的比值,所述第二距离为两个所述匹配特征在提取所述目标人像特征的图像上对应的位置之间的距离;
若所述匹配特征中的第一匹配特征与其他的所述匹配特征之间的所述第一距离和所述第二距离的比值的差值的方差大于预设值,确定所述第一匹配特征为错误的匹配特征;
根据删除所述第一匹配特征后剩下的匹配特征数,确定所述待识别人像是否是所述目标对象的人像。
具体来说,由于图像采集时的距离关系,不同距离采集到的图像中的人像尺寸差别很大,但是应该基本是等比例变化的,因此如果特征匹配正确的话,那么一个匹配特征与其他的匹配特征对应的比值应该差异比较小,即离散度小,反之,如果离散度大,则说明特征匹配错误。以三个匹配特征为例,如果a特征与b特征之间的第一距离(a特征和b特征在待识别人像上的对应位置之间的距离)和第二距离(a特征和b特征在提取所述目标人像特征的图像上的对应位置之间的距离)的第一比值、a特征与c特征之间的第一距离和第二距离的第二比值、b特征与c特征之间的第一距离和第二距离的第三比值基本相等则说明这三个特征匹配正确,否则至少有一个特征匹配错误。
其中,所述目标人像特征可以是多组,每一组目标人像特征是从不同拍摄角度的目标对象的人像中提取得到。在基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像时,分别将每一组的目标人像特征与所述待匹配人像特征进行最近邻匹配,且只要根据其中一组目标人像特征确定所述待识别人像是所述目标对象的人像,则确定所述待识别人像是所述目标对象的人像。
本发明实施例中,在历史影像资料中识别目标对象的人像的方式简单,计算量小,速度快。
可选的,所述从所述历史影像资料中提取出待识别人像,包括:
从所述历史影像资料中的第一图像帧中去除背景图像部分,得到前景图像,所述背景图像是预先获取的第一图像以及所述历史影像资料中的第二图像帧和第三图像帧的交集部分,所述第一图像、所述第一图像帧、所述第二图像帧和所述第三图像帧为同一成像设备在同一位置、同一角度、不同时刻采集得到,且所述第一图像、所述第一图像帧、所述第二图像帧和所述第三图像帧中任意两者的采集时刻之间间隔均大于预设时长;
从所述前景图像中提取所述待识别人像。
其中,所述第一图像可以周期性更新,例如每天晚上零点采集一张新的图像作为所述第一图像。
本实施例中,通过从历史影像资料的图像帧中去除背景部分,从而降低提取待识别人像的处理量。
可选的,所述从所述前景图像中提取所述待识别人像,包括:
将所述前景图像转换为灰度图;
使用高斯滤波对所述灰度图进行降噪处理,得到高斯滤波图;
使用sobel算子检测所述高斯滤波图中的图像边缘,得到边缘图像;
根据所述边缘图像获取掩膜图;
将所述掩膜图与所述前景图像进行交运算之后输入至人像识别模型进行人像识别。
其中,上述的人像识别模型是预先训练得到的神经网络模型。
另一种可选的具体实施方式中,所述历史影像资料包括利用红外热成像装置形成的第一图像,该红外热成像装置与可见光成像装置集成在一个成像设备内,它们的拍摄角度是一致的,它们在同一时刻所形成的图像中所拍摄得到的对象的位置一致。所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像之前,还包括:从所述红外热成像装置形成的第一图像识别出人体在图像中所占的区域;根据从所述第一图像中识别出的人体图像区域,在所述可见光成像装置形成的第二图像中标出人体图像区域,然后通过比对所述目标人像特征与所述第二图像中的人体图像区域识别出所述目标对象的人像。
本实施例中,先利用红外热成像标出可见光成像中的人体图像区域,然后从标出的人体图像区域中识别出目标对象的图像,降低了目标对象的人像识别的处理量。
进一步可选的,按照与目标人像特征同样的提取方式,从所述待识别人像中提取出待匹配人像特征,将所述目标人像特征与所述待匹配人像特征进行匹配,得到匹配特征,具体包括:
通过使用不同尺度的高斯滤波器与所述待识别人像进行卷积运算生成多尺度空间图像,通过对多尺度空间图像中相邻尺度的图像进行相减运算,形成高斯差分空间图像序列,通过检测高斯差分空间图像的局部极值点确定特征点;利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数;计算特征点的描述子,首先计算特征点周围图像块的梯度方向直方图,然后利用该特征点的主方向将梯度方向直方图进行方向归一化并进行降维处理,就得到了该特征点的描述子;具体的降维处理方式为降维的目标维度数对利用特征点的主方向将梯度方向直方图进行方向归一化得到的初始描述子进行分组并确定每个分组的质心,根据所有分组的质心确定整体质心,计算每一初始描述子与所述整体质心之间的距离,得到降维后的描述子;
通过基于密度的聚类算法分别对所述待匹配人像特征和所述目标人像特征进行聚类,并根据聚类后的疏密程度,确定特征匹配所需的阈值,根据所述阈值进行尺度不变特征变换(SIFT)匹配。
可选的,上述步骤S3,即所述根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域,包括:
获取在所述历史影像资料中识别到的所述目标对象的人像所在的区域作为第一活动区域;
根据在所述历史影像资料中识别到的所述目标对象在所述第一活动区域出现的时间顺序,以及所述医院的环境布局情况,推测所述目标对象出现时间相邻的两个所述第一活动区域之间的第二活动区域;
将所述第一活动区域和所述第二活动区域均作为所述目标对象在所述医院内的活动区域。
由于角度、光线和图像采集装置(例如摄像头)的布置等问题,可能无法识别到目标对象在医院内的全部活动区域,因此本实施例中还根据医院的环境布局情况推测目标对象在未从历史影像资料中识别到的活动区域,例如基于历史影像资料识别到目标对象上一时刻出现在A区域、下一时刻出现在B区域,但是根据医院的环境布局情况可以知道A区域和B区域并不连通,中间需要经过一个走廊,那么推测目标对象是经过这个走廊从A区域移动至B区域的,这个走廊就作为第二活动区域。
本实施例中,根据医院的环境布局情况,以及在所述历史影像资料中识别到的所述目标对象的人像所在的区域,推断目标对象在医院的全部活动区域,可以使得消杀更加全面,感染的风险控制到尽可能的小。
可选的,如图2所示,所述根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域之后,即步骤S3之后,还包括:
S3a:根据所述医院内的环境布局情况,确定所述活动区域的关联区域,所述活动区域的所述关联区域为所述活动区域的病菌易传播的相邻区域,将所述关联区域作为所述风险区域;
所述控制智能消杀设备对确定出的所述风险区域进行消杀,即步骤S4,包括:
S41:根据所述医院内的环境布局情况规划对所述风险区域进行消杀的路径;
S42:控制所述智能消杀设备根据规划出的所述路径对所述风险区域进行消杀。
具体的,可以医院内的环境布局情况确定空气的流动方向和/或人员流动方向等,进而确定所述关联区域。
本实施例中,除了针对目标对象的活动区域进行消杀外,还针对活动区域内的病菌容易流向的区域(即关联区域)进行消杀。
另外,所述智能消杀设备也可以包括一个控制器和安装于医院内各个区域内多个位置的消杀终端(例如消毒剂喷头或紫外线灯),在对所述风险区域进行消杀时,可以通过该控制器控制相应区域内的消杀终端工作。
可选的,步骤S4,即所述控制智能消杀设备对确定出的所述风险区域进行消杀之后,还包括:
获取所述风险区域内安装的传感器检测到的消毒剂浓度数据;
若所述消毒剂浓度数据不满足预设条件,则将对应的所述传感器确定为第一传感器;
控制所述智能消杀设备对所述第一传感器周边预设范围内的区域进行消杀。
其中,消毒剂浓度数据不满足预设条件,例如可以是检测到的最大消毒剂浓度小于预设阈值。
另一种可选的具体实施方式中,所述控制智能消杀设备对确定出的所述风险区域进行消杀之后,还包括:
获取所述风险区域内安装的检测器在消杀之前检测到的第一病菌浓度值和消杀之后检测到的第二病菌浓度值;
根据所述第一病菌浓度值和所述第二病菌浓度值,确定所述检测器是否为第一检测器;
例如,可以计算所述第一病菌浓度值与所述第二病菌浓度值之间的差值与所述第一病菌浓度值之间的比值,若该比值大于预设值,则确定所述检测器为第一检测器。
控制所述智能消杀设备对所述第一检测器周边预设范围内的区域进行消杀。
其中,病菌是指引起人类疾病的细菌和病毒。上述的病菌浓度值(包括第一病菌浓度值和第二病菌浓度值)可以是通过一种检测器检测到也可以是通过多种针对不同病菌的检测器检测得到。上述的病菌浓度值(包括第一病菌浓度值和第二病菌浓度值)可以是某一种病菌的浓度值也可以是多种病菌的浓度值。
本实施例中,通过传感器检测风险区域内的病菌浓度来反应消杀效果,如果未达到相应的预期,则针对性地重新消杀,不仅可以保证消杀效果且能够避免过度消杀。
可选的,上述步骤S4,即所述控制智能消杀设备对确定出的所述风险区域进行消杀,包括:
根据预先获取的所述风险区域的环境布局情况,控制所述智能消杀设备在所述风险区域内的移动速度和消毒剂的喷洒,所述环境布局情况至少包括环境布局地图和布置的物品的信息。
具体的,可以预先获取各个区域的环境布局地图和物品信息,当智能消杀设备移动至风险区域内进行消杀时,对于一些物品需要避免直接喷洒消毒剂或避免喷洒过多的消毒剂以免造成损害,例如对于一些医疗检测器械,直接喷洒消毒剂可能会导致电路损坏。而对于一些物品需要重点喷洒消毒剂,例如洗手池,因此在对洗手池所在的小区域进行消杀时可以降低移动速度或增大消毒剂的喷洒速度。如果风险区域内的物品布置较多、物品较贵重,为防止撞坏物品、智能消杀设备,则降低移动速度,为避免消毒剂过量,可以适应性地降低消毒剂的喷洒速度,反之,可以提高移动速度和喷洒速度,以提升消杀效率。
进一步可选的,所述根据预先获取的所述风险区域的环境布局情况,控制所述智能消杀设备在所述风险区域内的移动速度和消毒剂的喷洒之前,即上述步骤S4之前,还包括:
获取预先存储的所述风险区域的所述环境布局情况,以及在确定为风险区域时成像设备采集的影像资料;
利用确定为风险区域时成像设备采集的影像资料对预先存储的所述风险区域的所述环境布局情况进行校正。
本实施例中,根据预先校正准确的环境布局情况进行消杀相关参数的控制,不仅可以避免根据不精确的环境布局情况进行消杀导致的消杀效果差、过度消杀损坏医院内的器械、碰撞损坏器械和智能消杀设备本身等问题,还可以避免边消杀边采集环境布局信息、再根据实时采集的环境布局信息调整消杀相关参数导致的消杀效率低的问题。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于医院内感染风险的院内消杀设备自动控制方法,其特征在于,包括以下步骤:
获取目标对象的目标人像特征和医院内的历史影像资料,所述历史影像资料包括所述目标对象被隔离或被转送至其他医疗机构前预设时间段内的影像资料;所述目标对象为传染病确诊病例或疑似病例;
基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像;
根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域,将所述活动区域作为风险区域;
控制智能消杀设备对确定出的所述风险区域进行消杀。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像,包括:
基于所述目标人像特征在所述历史影像资料中的第一历史影像资料中识别所述目标对象的人像,所述第一历史影像资料为安装于所述医院的第一区域处的成像设备采集到的影像资料;
在所述第一历史影像资料中识别到所述目标对象的人像之后,确定第一成像设备,所述第一成像设备为采集识别到所述目标对象的人像的第一历史影像资料的成像设备;
根据所述医院的环境布局情况和所述第一成像设备,确定第二成像设备,所述第二成像设备为人员位于所述第一成像设备所在的第一区域时可以行走的每一条路径上安装的第一个成像设备;
基于所述目标人像特征在所述历史影像资料中的第二历史影像资料中识别所述目标对象的人像,所述第二历史影像资料为所述第二成像设备在所述第一成像设备采集到能够与所述目标人像特征进行匹配的所述目标对象的人像之后,采集到的影像资料。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标人像特征在所述历史影像资料中识别所述目标对象的人像,包括:
从所述历史影像资料中提取出待识别人像;
按照与目标人像特征同样的提取方式,从所述待识别人像中提取出待匹配人像特征;
将所述目标人像特征与所述待匹配人像特征进行匹配,得到匹配特征;
计算所述匹配特征中每两个所述匹配特征在所述待识别人像上对应的位置之间的第一距离,并计算所述第一距离与第二距离的比值,所述第二距离为两个所述匹配特征在提取所述目标人像特征的图像上对应的位置之间的距离;
若所述匹配特征中的第一匹配特征与其他的所述匹配特征之间的所述第一距离和所述第二距离的比值的差值的方差大于预设值,确定所述第一匹配特征为错误的匹配特征;
根据删除所述第一匹配特征后剩下的匹配特征数,确定所述待识别人像是否是所述目标对象的人像。
4.根据权利要求3所述的方法,其特征在于,所述从所述历史影像资料中提取出待识别人像,包括:
从所述历史影像资料中的第一图像帧中去除背景图像部分,得到前景图像,所述背景图像是预先获取的第一图像以及所述历史影像资料中的第二图像帧和第三图像帧的交集部分,所述第一图像、所述第一图像帧、所述第二图像帧和所述第三图像帧为同一成像设备在同一位置、同一角度、不同时刻采集得到,且所述第一图像、所述第一图像帧、所述第二图像帧和所述第三图像帧中任意两者的采集时刻之间间隔均大于预设时长;
从所述前景图像中提取所述待识别人像。
5.根据权利要求4所述的方法,其特征在于,所述从所述前景图像中提取所述待识别人像,包括:
将所述前景图像转换为灰度图;
使用高斯滤波对所述灰度图进行降噪处理,得到高斯滤波图;
使用sobel算子检测所述高斯滤波图中的图像边缘,得到边缘图像;
根据所述边缘图像获取掩膜图;
将所述掩膜图与所述前景图像进行交运算之后输入至人像识别模型进行人像识别。
6.根据权利要求1所述的方法,其特征在于,所述根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域,包括:
获取在所述历史影像资料中识别到的所述目标对象的人像所在的区域作为第一活动区域;
根据在所述历史影像资料中识别到的所述目标对象在所述第一活动区域出现的时间顺序,以及所述医院的环境布局情况,推测所述目标对象出现时间相邻的两个所述第一活动区域之间的第二活动区域;
将所述第一活动区域和所述第二活动区域均作为所述目标对象在所述医院内的活动区域。
7.根据权利要求1所述的方法,其特征在于,所述根据在所述历史影像资料中识别到的所述目标对象的人像,确定所述目标对象被隔离或被转送至其他医疗机构前在所述医院内的活动区域之后,还包括:
根据所述医院内的环境布局情况,确定所述活动区域的关联区域,所述活动区域的所述关联区域为所述活动区域的病菌易传播的相邻区域,将所述关联区域作为所述风险区域;
所述控制智能消杀设备对确定出的所述风险区域进行消杀,包括:
根据所述医院内的环境布局情况规划对所述风险区域进行消杀的路径;
控制所述智能消杀设备根据规划出的所述路径对所述风险区域进行消杀。
8.根据权利要求1所述的方法,其特征在于,所述控制智能消杀设备对确定出的所述风险区域进行消杀之后,还包括:
获取所述风险区域内安装的传感器检测到的消毒剂浓度数据;
若所述消毒剂浓度数据不满足预设条件,则将对应的所述传感器确定为第一传感器;
控制所述智能消杀设备对所述第一传感器周边预设范围内的区域进行消杀。
9.根据权利要求1所述的方法,其特征在于,所述控制智能消杀设备对确定出的所述风险区域进行消杀,包括:
根据预先获取的所述风险区域的环境布局情况,控制所述智能消杀设备在所述风险区域内的移动速度和消毒剂的喷洒,所述环境布局情况至少包括环境布局地图和布置的物品的信息。
10.根据权利要求9所述的方法,其特征在于,所述根据预先获取的所述风险区域的环境布局情况,控制所述智能消杀设备在所述风险区域内的移动速度和消毒剂的喷洒之前,还包括:
获取预先存储的所述风险区域的所述环境布局情况,以及在确定为风险区域时成像设备采集的影像资料;
利用确定为风险区域时成像设备采集的影像资料对预先存储的所述风险区域的所述环境布局情况进行校正。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021116293801 | 2021-12-29 | ||
CN202111629380 | 2021-12-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782991A true CN114782991A (zh) | 2022-07-22 |
Family
ID=82430896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210423668.1A Pending CN114782991A (zh) | 2021-12-29 | 2022-04-22 | 一种基于医院内感染风险的院内消杀设备自动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782991A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115245584A (zh) * | 2022-08-23 | 2022-10-28 | 中科朗劢技术有限公司 | 智能消杀机器人 |
CN117292806A (zh) * | 2023-11-22 | 2023-12-26 | 山东科源检测技术有限公司 | 基于智慧医院的设备数据风险识别预警系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324041A (zh) * | 2011-09-09 | 2012-01-18 | 深圳泰山在线科技有限公司 | 像素归类方法、关节体姿态识别方法及鼠标指令生成方法 |
CN112635075A (zh) * | 2020-12-23 | 2021-04-09 | 中科朗劢技术有限公司 | 一种医院感染控制的管理系统及方法 |
-
2022
- 2022-04-22 CN CN202210423668.1A patent/CN114782991A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324041A (zh) * | 2011-09-09 | 2012-01-18 | 深圳泰山在线科技有限公司 | 像素归类方法、关节体姿态识别方法及鼠标指令生成方法 |
CN112635075A (zh) * | 2020-12-23 | 2021-04-09 | 中科朗劢技术有限公司 | 一种医院感染控制的管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
朱荣: ""基于计算机视觉的物体分类关键技术研究"", 《博士电子期刊》, vol. 2013, no. 4, pages 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115245584A (zh) * | 2022-08-23 | 2022-10-28 | 中科朗劢技术有限公司 | 智能消杀机器人 |
CN117292806A (zh) * | 2023-11-22 | 2023-12-26 | 山东科源检测技术有限公司 | 基于智慧医院的设备数据风险识别预警系统 |
CN117292806B (zh) * | 2023-11-22 | 2024-02-13 | 山东科源检测技术有限公司 | 基于智慧医院的设备数据风险识别预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114782991A (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 | |
US20200393159A1 (en) | Information processing method, recording medium, and information processing system | |
US11935301B2 (en) | Information processing method, recording medium, and information processing system | |
CN104936439B (zh) | 用于预测对象状态的结果的系统和方法 | |
KR101845373B1 (ko) | 방역 관리 시스템 및 그 방법 | |
JP2020067939A (ja) | 感染リスク特定システム、情報端末、及び、感染リスク特定方法 | |
KR101271074B1 (ko) | 온실 작물 모니터링 방법 및 영상 감지형 온실 작물 모니터링 시스템 | |
CN111524608A (zh) | 智能检测与防疫系统和方法 | |
CN112720517B (zh) | 一种用于室内疫情消杀机器人的控制系统 | |
TW202144945A (zh) | 移動式防疫消毒機器人及其工作方法 | |
JP2017003203A (ja) | 推定装置、推定方法、及び推定プログラム | |
CN211087277U (zh) | 一种智能生物安全防护通道 | |
CN112466444B (zh) | 一种防护用品综合管理系统 | |
CN113221725A (zh) | 一种风险处理方法和系统 | |
CN111880593A (zh) | 基于病人患病种类和位置信息的病房环境调节系统及方法 | |
JP2010250775A (ja) | 犯罪防止装置およびプログラム | |
CN116453696A (zh) | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 | |
CN116518544A (zh) | 一种层流罩及净化系统 | |
CN111191499A (zh) | 一种基于最小中心线的跌倒检测方法及装置 | |
KR101313128B1 (ko) | 폐쇄회로카메라와 차량번호 인식을 이용한 디지털 차량 살균 관제시스템 | |
Priyadharsini et al. | A novel system for surgical gloves removing and reusing-IoT approach | |
Reulke et al. | Analysis of motion patterns for pain estimation of horses | |
WO2021084564A1 (en) | Method for detecting articles of clothing in an operating room, and related detection apparatus | |
CN114241427B (zh) | 三鸟档卫生状态的检测方法、电子设备和存储介质 | |
CN114550020B (zh) | 一种消毒机器人的生物体图像智能识别方法及系统 |
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 |