CN116313164A - 抗干扰的睡眠监控方法、装置、设备及存储介质 - Google Patents
抗干扰的睡眠监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116313164A CN116313164A CN202310574570.0A CN202310574570A CN116313164A CN 116313164 A CN116313164 A CN 116313164A CN 202310574570 A CN202310574570 A CN 202310574570A CN 116313164 A CN116313164 A CN 116313164A
- Authority
- CN
- China
- Prior art keywords
- heat source
- infrared
- human body
- monitoring
- sleep
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007405 data analysis Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 11
- 241001465754 Metazoa Species 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012797 qualification Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 230000036760 body temperature Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明涉及人工智能技术,揭露了一种抗干扰的睡眠监控方法、装置、设备及存储介质。所述方法包括:获取红外监控图像;当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框,利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。本发明可以通过增强抗干扰性能的方法,提高睡眠监测准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种抗干扰的睡眠监控方法、装置、设备及计算机可读存储介质。
背景技术
随着人们生活水平的提高,智慧生活方面的技术得到快速发展,例如出现很多关于运动情况、睡眠质量、身体状况的监测产品。
如今监测产品已广泛应用,但最大的问题仍然是监测不准确的问题,例如监测对象在床上休息期间,身边有小宠物活动,或者被被子等物品遮蔽,容易造成准确率下降,甚至错误报警的情况。
发明内容
本发明提供一种抗干扰的睡眠监控方法、装置、设备及存储介质,其主要目的在于通过增强抗干扰性能的方法,提高睡眠监测准确率。
为实现上述目的,本发明提供的一种抗干扰的睡眠监控方法,包括:
获取红外监控图像;
当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框;
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
可选的,所述利用预训练的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列之前,还包括:
根据预设比例对预构建的红外样本集合进行分组,得到测试集及训练集,所述红外样本集合中包括人物类型、动物类型、设备类型及遮盖物类型;
获取包含对象识别网络与回归框选网络的人体定位模型,并对所述对象识别网络进行辅助损失配置;
依次从所述训练集提取一个训练样本,并利用所述人体定位模型对所述训练样本进行热源识别,得到热源识别结果,并根据所述热源识别结果,剔除关于所述动物类型及设备类型的热源,得到目标热源集合,对所述目标热源集合进行基于所述遮盖物类型的抗干扰聚类框选操作,得到完整人体识别框;
利用交叉熵损失算法,计算所述训练样本的真实标记框与所述完整人体识别框的位置大小关系,得到框选损失值,并根据梯度下降方法及所述框选损失值,对所述人体定位模型进行网络逆向更新,得到更新人体定位模型;
判断所述训练集中的训练样本是否全部参与训练;
当所述训练集中的训练样本未全部参与训练时,返回上述依次从所述训练集提取一个训练样本的操作步骤,对所述更新人体定位模型进行迭代更新;
当所述训练集中的训练样本全部参与训练时,停止迭代过程,得到待检测人体定位模型;
利用所述测试集对所述待检测人体定位模型进行测试,得到准确率分数;
判断所述准确率分数是否大于预设的合格阈值;
当所述准确率分数小于所述合格阈值时,返回上述根据预设比例对预构建的红外样本集合进行分组的操作,获取更新的测试集及训练集对所述人体定位模型进行重新训练;
当所述准确率分数大于或等于所述合格阈值时,判定所述待检测人体定位模型合格,得到训练完成的人体定位模型。
可选的,所述对所述目标热源集合进行基于所述遮盖物类型的抗干扰聚类框选操作,得到完整人体识别框,包括:
对所述目标热源集合中的各个热源进行对象组合聚类操作,得到多个目标对象;
对各个所述目标对象进行高斯滤波处理,得到降噪图像,并对所述降噪图像进行灰度计算,得到灰度图像;
利用阈值分割算法,将所述灰度图像中的遮盖物类型与人物类型的热源进行分割,并根据分割结果,提取得到人物热源;
利用图像修复算法,对所述人物热源进行轮廓补全操作,得到完整人物热源,并对所述完整人物热源进行边界框选操作,得到完整人体识别框。
可选的,所述对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合,包括:
根据所述红外特征序列,对各个热源进行基于形态及温度高低的识别分类操作,将各个热源分组标记为动物类型、人物类型及设备类型;
对各个分组后的热源进行基于发散范围及结构缺失的遮盖物类型识别操作,并将存在遮盖物的热源标记上预设的遮盖物类型的标签,得到识别结果集合。
可选的,所述利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态,包括:
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行特征提取,得到图像特征集合,并对所述图像特征集合进行特征分类识别,得到体征数据集合;
利用所述睡眠数据分析模型中的数据分析网络,对所述体征数据集合进行睡眠数据分析,得到实时睡眠状态。
可选的,所述获取红外监控图像,包括:
根据预设的时间频率定时开启预构建的红外设备,得到红外监控图像,或;
根据用户的开启指令开启预构建的红外设备,得到红外监控图像。
可选的,所述温度阈值为低于正常人体温度。
为了解决上述问题,本发明还提供一种抗干扰的睡眠监控装置,所述装置包括:
动态监测模块,用于获取红外监控图像;
热源特征识别模块,用于当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
热源类型分类模块,用于对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
人物抗干扰监控模块,用于根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框,及利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的抗干扰的睡眠监控方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的抗干扰的睡眠监控方法。
本发明实施例利用训练完成的人体定位模型对红外监控图像中的人物进行监控,其中,所述人体定位模型中包括对象识别网络与回归框选网络,所述对象识别网络可以通过监测热源形态、大小、温度等方面对热源类别进行识别,去除宠物、设备造成的干扰,而所述回归框选网络可以对热源进行聚类、补全等功能,排除遮盖物的干扰,使得定位模型的抗干扰能力大大提高,得到完整人体特征监控框,进而通过睡眠数据分析模型进行睡眠分析。因此,本发明实施例提供的一种抗干扰的睡眠监控方法、装置、设备及存储介质,能够在于通过增强抗干扰性能的方法,提高睡眠监测准确率。
附图说明
图1为本发明一实施例提供的抗干扰的睡眠监控方法的流程示意图;
图2为本发明一实施例提供的抗干扰的睡眠监控方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的抗干扰的睡眠监控方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的抗干扰的睡眠监控方法中一个步骤的详细流程示意图;
图5为本发明一实施例提供的抗干扰的睡眠监控装置的功能模块图;
图6为本发明一实施例提供的实现所述抗干扰的睡眠监控方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种抗干扰的睡眠监控方法。本申请实施例中,所述抗干扰的睡眠监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述抗干扰的睡眠监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的抗干扰的睡眠监控方法的流程示意图。在本实施例中,所述抗干扰的睡眠监控方法包括:
S1、获取红外监控图像。
本发明实施例中,所述红外监控图像可以由预构建的红外设备得到,比如睡眠监控设备中的红外热像仪。
详细的,本发明实施例中,所述获取红外监控图像,包括:
根据预设的时间频率定时开启预构建的红外设备,得到红外监控图像,或;
根据用户的开启指令开启预构建的红外设备,得到红外监控图像。
本发明实施例中,可以通过定时开启以及手动开启的方式,开启所述红外设备获取红外监控图像。
本发明实施例中,所述红外设备可以安装在卧室的墙上,床头等地方。
S2、判断所述红外监控图像中是否有温度大于预设的温度阈值的热源。
本发明实施例中,鉴于睡眠监测的使用场景,所述温度阈值可以调整到人体正常温度之下,例如30℃,保证用户在睡眠时自动进行监控。
当未出现温度大于所述温度阈值的热源时,返回S1的步骤,持续对所述红外监控图像进行监督。
当出现温度大于所述温度阈值的热源时,S3、利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列。
本发明实施例中,所述人体定位模型为一种可以对红外图像进行识别分类,并将其中的目标类型,如人物类型,的热源对象进行框选的卷积神经网络模型。其中,所述人体定位模型包括特征提取网络、对象识别网络与回归框选网络。所述特征提取网络为所述人体定位模型中的基础结构,用于提取红外监控图像中的图像特征。本发明实施例中,通过所述人体定位模型中的特征提取网络,对所述红外监控图像进行卷积、池化、扁平化操作,得到红外特征序列。
其中,所述卷积操作是指通过卷积核矩阵对所述红外监控图像进行点积,得到红外监控图像的特征的操作,而每个所述卷积核矩阵对应一个特征,最终得到卷积矩阵集合。而池化层及扁平化层具有降维的功能,用于将卷积矩阵集合转化为红外特征序列。
所述对象识别网络用于根据图像特征进行分类,例如人、猫、电热毯、手机及被子等,所述回归框选模块,用于将各个热源聚类到几个人物类型的对象中,并将每个人物类型对象进行补全、框选,得到对象的边界框。例如,人物身体被玩具或被子物品遮蔽,只在热源中检测到头和脚,则可以将头和脚聚类到一起,将从头到脚之间的部分聚类为人物类型的一个对象。
详细的,参考图2所示,本发明实施例中,所述获取预训练的人体定位模型,包括:
S301、根据预设比例对预构建的红外样本集合进行分组,得到测试集及训练集,所述红外样本集合中包括人物类型、动物类型、设备类型及遮盖物类型;
S302、获取包含对象识别网络与回归框选网络的人体定位模型,并对所述对象识别网络进行辅助损失配置;
S303、依次从所述训练集提取一个训练样本,并利用所述人体定位模型对所述训练样本进行热源识别,得到热源识别结果,并根据所述热源识别结果,剔除关于所述动物类型及设备类型的热源,得到目标热源集合,对所述目标热源集合进行基于所述遮盖物类型的抗干扰聚类框选操作,得到完整人体识别框;
S304、利用交叉熵损失算法,计算所述训练样本的真实标记框与所述完整人体识别框的位置大小关系,得到框选损失值,并根据梯度下降方法及所述框选损失值,对所述人体定位模型进行网络逆向更新,得到更新人体定位模型;
S305、判断所述训练集中的训练样本是否全部参与训练;
当所述训练集中的训练样本未全部参与训练时,返回上述S303的操作步骤,继续从所述训练集提取一个训练样本的操作步骤,对所述更新人体定位模型进行迭代更新;
当所述训练集中的训练样本全部参与训练时,S306、停止迭代过程,得到待检测人体定位模型;
S307、利用所述测试集对所述待检测人体定位模型进行测试,得到准确率分数;
S308、判断所述准确率分数是否大于预设的合格阈值;
当所述准确率分数小于所述合格阈值时,返回上述S301的步骤,重新根据预设比例对预构建的红外样本集合进行分组的操作,获取更新的测试集及训练集对所述人体定位模型进行重新训练;
当所述准确率分数大于或等于所述合格阈值时,S309、判定所述待检测人体定位模型合格,得到训练完成的人体定位模型。
本发明实施例的红外样本集合中包含人物类型、动物类型、设备类型及遮盖物类型的样本,使得所述人体定位模型能够将这四种家庭睡眠监控场景下的常见红外图像类型进行识别。其中,每个红外样本都有人工标注的真实标记框。然后根据预设比例[训练集:测试集=7:3]进行样本随机分组。
本发明实施例中,通过所述回归框选网络,对所述对象识别网络的热源识别结果进行进一步预测,例如聚类、阈值分割以及图像修复,使得所述人体定位模型能够得到准确、完整的人体识别框。
其中,本发明实施例通过辅助损失(auxiliary loss)方法,将所述人体定位模型的对象识别网络设置为辅助任务,将所述对象识别网络的输出结果,如所述热源识别结果作为中间环节,独立的计算损失。因此所述对象识别网络只在计算机训练过程中进行,不在训练进度展示过程中出现,训练进度展示中只显示所述回归框选网络的最终层的输出结果。其中,本发明实施例在训练过程中增加的辅助loss可以加快收敛速度,提升模型训练效率、增强监督,增强梯度的反向传播,使所述人体定位模型能够更高效地进行机器学习。
最后,本发明实施例通过测试集对阶段性训练得到人体定位模型进行监测,通过把控所述人体定位模型的准确率,来确定模型的训练进度,最终得到训练完成的人体定位模型。
进一步的,参考图3所示,本发明实施例中,所述对所述目标热源集合进行基于所述遮盖物类型的抗干扰聚类框选操作,得到完整人体识别框,包括:
S3031、对所述目标热源集合中的各个热源进行对象组合聚类操作,得到多个目标对象;
S3032、对各个所述目标对象进行高斯滤波处理,得到降噪图像,并对所述降噪图像进行灰度计算,得到灰度图像;
S3033、利用阈值分割算法,将所述灰度图像中的遮盖物类型与人物类型的热源进行分割,并根据分割结果,提取得到人物热源;
S1034、利用图像修复算法,对所述人物热源进行轮廓补全操作,得到完整人物热源,并对所述完整人物热源进行边界框选操作,得到完整人体识别框。
本发明实施例中,针对睡眠监测场景中遮盖物散热高与散热低材料特性不同的场景。例如,有时候可以检测到,盖在人身上的被子是一团高亮度图像,且与人体未被遮蔽部分差不多,形成“肥胖人”的红外图像;而有时,被子部分的亮度较低,与人体未被遮蔽部分色差巨大,形成“半截人”的红外图像。
本发明实施例先通过聚类方法将各个热源进行组合,保证各个热源被分组到一个整体的人物类别的对象目标中,然后通过灰度处理将红外图像转变为灰度图像,并根据阈值分割算法,将“肥胖人”的真实躯干图像,从被子的红外图像中分割、扣选出来,得到人物热源。此外,还通过图像修复算法,对于“半截人”的被遮蔽部分进行模拟补全,得到完整人物热源,最后进行边界框选,得到完整人体识别框。其中,所述阈值分割算法是应用广泛的分割技术,适用于人物热成像和被子热成像占据不同灰度级范围时的图像切割过程;本发明实施例可以通过线性插值的图像修复算法进行轮廓补全操作。
S4、对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合。
详细的,参考图4所示,本发明实施例中,所述对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合,包括:
S41、根据所述红外特征序列,对各个热源进行基于形态及温度高低的识别分类操作,将各个热源分组标记为动物类型、人物类型及设备类型;
S42、对各个分组后的热源进行基于发散范围及结构缺失的遮盖物类型识别操作,并将存在遮盖物的热源标记上预设的遮盖物类型的标签,得到识别结果集合。
本发明实施例中,当体温与人差距较大时,可以通过温度判断进行区分,例如鸟类;而猫狗等与人体温差不多时,可以通过体型大小进行区分;当体型大小与成人或小孩相当时,可以通过形态进行区分;当体积极小或极大、形态规则,则可以判断为设备类型,如充电器、电热毯等;当上述各种类型的对象被“截断”或者“发散”时,可以检测到遮盖物类型,并最终将各种类型识别结果进行标签,得到识别结果集合。
S5、根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框。
本发明实施例中,如上述步骤S1031~S1034所述的,所述人体定位模型可以根据阈值分割算法及图像修复算法,对所述识别结果集合进行抗干扰处理,得到完整人体特征监控框。
S6、利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
本发明实施例中,所述利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态,包括:
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行特征提取,得到图像特征集合,并对所述图像特征集合进行特征分类识别,得到体征数据集合;
利用所述睡眠数据分析模型中的数据分析网络,对所述体征数据集合进行睡眠数据分析,得到实时睡眠状态。
其中,所述睡眠数据分析模型是一种用于分析各项数据是否符合健康指标的多分类任务模型,本发明实施例中,所述睡眠数据分析模型可以识别人体的温度变化、记录人物体位移动、监测呼吸力度呼吸频率等数据,甚至还可以配合其他睡眠监控设备,获取人物的心率、血氧饱和度等信息进行综合性评估,得到更加准确的实时睡眠状态。此外可以将各个时间段的实时睡眠状态进行记录,以获得更丰富的睡眠数据,来更加准确的监控人体睡眠质量。
进一步的,本发明实施例中,还可以利用所述睡眠数据分析模型以外的其他任务模型进行睡眠监控,比如,观测人体睡着后降温的维持时间,进行微小动作记录来推测睡眠质量;或者通过温度监控进行远程报警,避免发烧无人照看等情况。本发明实施例能够准确的对人体目标进行抗干扰的监控,增加了下游分析任务的准确性,更好的分析人体的睡眠状态。
本发明实施例利用训练完成的人体定位模型对红外监控图像中的人物进行监控,其中,所述人体定位模型中包括对象识别网络与回归框选网络,所述对象识别网络可以通过监测热源形态、大小、温度等方面对热源类别进行识别,去除宠物、设备造成的干扰,而所述回归框选网络可以对热源进行聚类、补全等功能,排除遮盖物的干扰,使得定位模型的抗干扰能力大大提高,得到完整人体特征监控框,进而通过睡眠数据分析模型进行睡眠分析。因此,本发明实施例提供的一种抗干扰的睡眠监控方法,能够在于通过增强抗干扰性能的方法,提高睡眠监测准确率。
如图5所示,是本发明一实施例提供的抗干扰的睡眠监控装置的功能模块图。
本发明所述抗干扰的睡眠监控装置100可以安装于电子设备中。根据实现的功能,所述抗干扰的睡眠监控装置100可以包括动态监测模块101、热源特征识别模块102、热源类型分类模块103及人物抗干扰监控模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述动态监测模块101,用于获取红外监控图像;
所述热源特征识别模块102,用于当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
所述热源类型分类模块103,用于对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
所述人物抗干扰监控模块104,用于根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框,及利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
详细地,本申请实施例中所述抗干扰的睡眠监控装置100中所述的各模块在使用时采用与上述图1至图4中所述的抗干扰的睡眠监控方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图6所示,是本发明一实施例提供的实现抗干扰的睡眠监控方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如抗干扰的睡眠监控程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行抗干扰的睡眠监控程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如抗干扰的睡眠监控程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图6仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图6示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的抗干扰的睡眠监控程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取红外监控图像;
当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框;
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取红外监控图像;
当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框;
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种抗干扰的睡眠监控方法,其特征在于,所述方法包括:
获取红外监控图像;
当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框;
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
2.如权利要求1所述的抗干扰的睡眠监控方法,其特征在于,所述利用预训练的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列之前,还包括:
根据预设比例对预构建的红外样本集合进行分组,得到测试集及训练集,所述红外样本集合中包括人物类型、动物类型、设备类型及遮盖物类型;
获取包含对象识别网络与回归框选网络的人体定位模型,并对所述对象识别网络进行辅助损失配置;
依次从所述训练集提取一个训练样本,并利用所述人体定位模型对所述训练样本进行热源识别,得到热源识别结果,并根据所述热源识别结果,剔除关于所述动物类型及设备类型的热源,得到目标热源集合,对所述目标热源集合进行基于所述遮盖物类型的抗干扰聚类框选操作,得到完整人体识别框;
利用交叉熵损失算法,计算所述训练样本的真实标记框与所述完整人体识别框的位置大小关系,得到框选损失值,并根据梯度下降方法及所述框选损失值,对所述人体定位模型进行网络逆向更新,得到更新人体定位模型;
判断所述训练集中的训练样本是否全部参与训练;
当所述训练集中的训练样本未全部参与训练时,返回上述依次从所述训练集提取一个训练样本的操作步骤,对所述更新人体定位模型进行迭代更新;
当所述训练集中的训练样本全部参与训练时,停止迭代过程,得到待检测人体定位模型;
利用所述测试集对所述待检测人体定位模型进行测试,得到准确率分数;
判断所述准确率分数是否大于预设的合格阈值;
当所述准确率分数小于所述合格阈值时,返回上述根据预设比例对预构建的红外样本集合进行分组的操作,获取更新的测试集及训练集对所述人体定位模型进行重新训练;
当所述准确率分数大于或等于所述合格阈值时,判定所述待检测人体定位模型合格,得到训练完成的人体定位模型。
3.如权利要求2所述的抗干扰的睡眠监控方法,其特征在于,所述对所述目标热源集合进行基于所述遮盖物类型的抗干扰聚类框选操作,得到完整人体识别框,包括:
对所述目标热源集合中的各个热源进行对象组合聚类操作,得到多个目标对象;
对各个所述目标对象进行高斯滤波处理,得到降噪图像,并对所述降噪图像进行灰度计算,得到灰度图像;
利用阈值分割算法,将所述灰度图像中的遮盖物类型与人物类型的热源进行分割,并根据分割结果,提取得到人物热源;
利用图像修复算法,对所述人物热源进行轮廓补全操作,得到完整人物热源,并对所述完整人物热源进行边界框选操作,得到完整人体识别框。
4.如权利要求1所述的抗干扰的睡眠监控方法,其特征在于,所述对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合,包括:
根据所述红外特征序列,对各个热源进行基于形态及温度高低的识别分类操作,将各个热源分组标记为动物类型、人物类型及设备类型;
对各个分组后的热源进行基于发散范围及结构缺失的遮盖物类型识别操作,并将存在遮盖物的热源标记上预设的遮盖物类型的标签,得到识别结果集合。
5.如权利要求1所述的抗干扰的睡眠监控方法,其特征在于,所述利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态,包括:
利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行特征提取,得到图像特征集合,并对所述图像特征集合进行特征分类识别,得到体征数据集合;
利用所述睡眠数据分析模型中的数据分析网络,对所述体征数据集合进行睡眠数据分析,得到实时睡眠状态。
6.如权利要求1所述的抗干扰的睡眠监控方法,其特征在于,所述获取红外监控图像,包括:
根据预设的时间频率定时开启预构建的红外设备,得到红外监控图像,或;
根据用户的开启指令开启预构建的红外设备,得到红外监控图像。
7.如权利要求1所述的抗干扰的睡眠监控方法,其特征在于,所述温度阈值为低于正常人体温度。
8.一种抗干扰的睡眠监控装置,其特征在于,所述装置包括:
动态监测模块,用于获取红外监控图像;
热源特征识别模块,用于当所述红外监控图像中有温度大于预设温度阈值的热源时,利用预先训练完成的人体定位模型对所述红外监控图像进行特征识别,得到红外特征序列;
热源类型分类模块,用于对所述红外特征序列进行基于热源形态的热源类型分类判断,得到各个热源的识别结果集合;
人物抗干扰监控模块,用于根据所述识别结果集合,对所述识别结果集中的关于人物特征的热源进行抗干扰聚类组合操作,并将组合结果进行边界框选,得到完整人体特征监控框,及利用预构建的睡眠数据分析模型对所述完整人体特征监控框进行体征数据分析,得到实时睡眠状态。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的抗干扰的睡眠监控方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的抗干扰的睡眠监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310574570.0A CN116313164B (zh) | 2023-05-22 | 2023-05-22 | 抗干扰的睡眠监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310574570.0A CN116313164B (zh) | 2023-05-22 | 2023-05-22 | 抗干扰的睡眠监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116313164A true CN116313164A (zh) | 2023-06-23 |
CN116313164B CN116313164B (zh) | 2023-08-22 |
Family
ID=86801785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310574570.0A Active CN116313164B (zh) | 2023-05-22 | 2023-05-22 | 抗干扰的睡眠监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116313164B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091408A (zh) * | 2014-05-09 | 2014-10-08 | 郑州轻工业学院 | 一种基于热红外成像的婴幼儿睡姿智能识别方法及装置 |
JP2015052824A (ja) * | 2013-09-05 | 2015-03-19 | ホーチキ株式会社 | 火災検知装置及び火災検知方法 |
KR20160059734A (ko) * | 2014-11-19 | 2016-05-27 | 한림대학교 산학협력단 | 수면 패턴 모니터링 시스템 및 방법 |
CN105930778A (zh) * | 2016-04-14 | 2016-09-07 | 厦门理工学院 | 一种基于红外图像的夜间人体睡姿监测方法及系统 |
CN106361293A (zh) * | 2016-11-08 | 2017-02-01 | 广东顺德鲁棒智能技术有限公司 | 一种基于红外测温的小孩睡眠状态监测装置和方法 |
CN109512402A (zh) * | 2018-11-09 | 2019-03-26 | 吉林大学 | 近距离多维度的精准医用人体红外热成像的方法 |
CN109840493A (zh) * | 2019-01-27 | 2019-06-04 | 武汉星巡智能科技有限公司 | 婴幼儿睡眠状态检测方法、装置及计算机可读存储介质 |
CN109886997A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
CN109886137A (zh) * | 2019-01-27 | 2019-06-14 | 武汉星巡智能科技有限公司 | 婴幼儿睡姿检测方法、装置及计算机可读存储介质 |
CN110348500A (zh) * | 2019-06-30 | 2019-10-18 | 浙江大学 | 基于深度学习和红外热像的睡眠障碍辅助诊断方法 |
CN114937242A (zh) * | 2022-06-01 | 2022-08-23 | 中国电信股份有限公司 | 睡眠检测预警方法及装置 |
-
2023
- 2023-05-22 CN CN202310574570.0A patent/CN116313164B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015052824A (ja) * | 2013-09-05 | 2015-03-19 | ホーチキ株式会社 | 火災検知装置及び火災検知方法 |
CN104091408A (zh) * | 2014-05-09 | 2014-10-08 | 郑州轻工业学院 | 一种基于热红外成像的婴幼儿睡姿智能识别方法及装置 |
KR20160059734A (ko) * | 2014-11-19 | 2016-05-27 | 한림대학교 산학협력단 | 수면 패턴 모니터링 시스템 및 방법 |
CN105930778A (zh) * | 2016-04-14 | 2016-09-07 | 厦门理工学院 | 一种基于红外图像的夜间人体睡姿监测方法及系统 |
CN106361293A (zh) * | 2016-11-08 | 2017-02-01 | 广东顺德鲁棒智能技术有限公司 | 一种基于红外测温的小孩睡眠状态监测装置和方法 |
CN109512402A (zh) * | 2018-11-09 | 2019-03-26 | 吉林大学 | 近距离多维度的精准医用人体红外热成像的方法 |
CN109886997A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 基于目标检测的识别框确定方法、装置及终端设备 |
CN109840493A (zh) * | 2019-01-27 | 2019-06-04 | 武汉星巡智能科技有限公司 | 婴幼儿睡眠状态检测方法、装置及计算机可读存储介质 |
CN109886137A (zh) * | 2019-01-27 | 2019-06-14 | 武汉星巡智能科技有限公司 | 婴幼儿睡姿检测方法、装置及计算机可读存储介质 |
CN110348500A (zh) * | 2019-06-30 | 2019-10-18 | 浙江大学 | 基于深度学习和红外热像的睡眠障碍辅助诊断方法 |
CN114937242A (zh) * | 2022-06-01 | 2022-08-23 | 中国电信股份有限公司 | 睡眠检测预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
FEI DENG 等: "Design and Implementation of a Noncontact Sleep Monitoring System Using Infrared Cameras and Motion Sensor", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 67, no. 7, pages 1555 - 1563 * |
曾进等: "基于红外摄像头的睡眠姿势嵌入式监测系统设计", 《电子技术与软件工程》, no. 15, pages 168 - 170 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116313164B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
CN111770317B (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
CN116313164B (zh) | 抗干扰的睡眠监控方法、装置、设备及存储介质 | |
CN110163204A (zh) | 基于图像识别的商家监管方法、装置及存储介质 | |
CN112580684B (zh) | 基于半监督学习的目标检测方法、装置及存储介质 | |
CN111274937B (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
CN115374189B (zh) | 基于区块链的食品安全溯源方法、装置及设备 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN112016617B (zh) | 细粒度分类方法、装置及计算机可读存储介质 | |
Li et al. | Infant monitoring system for real-time and remote discomfort detection | |
CN115661531A (zh) | 基于图文的早期口腔癌识别方法、装置、设备及存储介质 | |
CN114241270A (zh) | 一种家庭护理智能监督方法、系统及装置 | |
CN116687394B (zh) | 基于毫米波雷达的摔倒检测方法、装置、设备及存储介质 | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
CN116109977A (zh) | 基于生产环境的食品卫生检测方法、装置、设备及介质 | |
CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
CN113239814B (zh) | 基于光流重构的面部表情识别方法、装置、设备及介质 | |
CN115205758A (zh) | 基于视频与文本的智能转换方法、装置、电子设备及介质 | |
WO2020241208A1 (ja) | 検索装置、制御方法、及びプログラム | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN116631172B (zh) | 一种基于门锁和电子门铃联动的预警方法及装置 | |
CN111539315B (zh) | 基于黑盒模型的模型训练方法、装置、电子设备及介质 | |
CN117373060A (zh) | 基于牛的健康监测方法、装置、设备及存储介质 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 |
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 |