CN116364260B - 一种防疫装备智能管理方法及系统 - Google Patents
一种防疫装备智能管理方法及系统 Download PDFInfo
- Publication number
- CN116364260B CN116364260B CN202310351075.3A CN202310351075A CN116364260B CN 116364260 B CN116364260 B CN 116364260B CN 202310351075 A CN202310351075 A CN 202310351075A CN 116364260 B CN116364260 B CN 116364260B
- Authority
- CN
- China
- Prior art keywords
- person
- disinfectant
- disinfection
- taking
- target
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 230000002265 prevention Effects 0.000 title claims abstract description 25
- 239000000645 desinfectant Substances 0.000 claims abstract description 81
- 238000004659 sterilization and disinfection Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 66
- 239000001569 carbon dioxide Substances 0.000 claims description 33
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000001815 facial effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 210000003928 nasal cavity Anatomy 0.000 claims description 9
- 206010011224 Cough Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 61
- 230000003287 optical effect Effects 0.000 description 11
- OSVXSBDYLRYLIG-UHFFFAOYSA-N dioxidochlorine(.) Chemical compound O=Cl=O OSVXSBDYLRYLIG-UHFFFAOYSA-N 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000001331 nose Anatomy 0.000 description 6
- 239000004155 Chlorine dioxide Substances 0.000 description 4
- 235000019398 chlorine dioxide Nutrition 0.000 description 4
- 230000001954 sterilising effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- -1 ammonium ions Chemical class 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 125000001309 chloro group Chemical group Cl* 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- QWPPOHNGKGFGJK-UHFFFAOYSA-N hypochlorous acid Chemical compound ClO QWPPOHNGKGFGJK-UHFFFAOYSA-N 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 150000003242 quaternary ammonium salts Chemical class 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000003206 sterilizing agent Substances 0.000 description 1
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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
Abstract
本发明公开了一种防疫装备智能管理方法及系统，所述方法包括：获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数；根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。在本发明中，可以根据人员活动情况进行适应性调节消毒剂用量，进而可以使消毒空间内的消毒剂用量与真实的消毒需求相匹配，进而避免消毒剂过量使用。
Description
技术领域
本发明涉及设备控制技术领域，更具体涉及一种防疫装备智能管理方法及系统。
背景技术
现有技术中申请号为202210770569.0的发明专利申请公开了一种机器人雾化消毒剂量控制系统和方法，其技术方案要点是包括喷头控制模块，路径规划模块，驱动模块和浓度配置模块，本发明通过第一控制策略和第二控制策略的设置，先后进行两次杀毒，由于不同部位的消毒需求不同，第一次针对环境物品进行消毒，主要包括例如桌椅等设施，这些均为人类活动较为密集的区域，着重进行消杀，而后全面对环境空间进行消毒，由于前一次雾化消毒后残余的消毒剂会弥散到空气中，因此第二次消毒依据实际检测到的浓度值来进行，从而便于控制消毒剂的使用剂量，保证消毒效果的同时减少消毒剂的浪费。
现有技术中是采集人流量数据，基于人流量数据反映两次消毒间隔内出入待消毒空间的人数，浓度配置单元获取人流量数据并对第一浓度进行校正，第一浓度与人流量数据呈正相关。但是，人流量仅能定性的描述消毒需求，并不能准确的衡量消毒空间内真实的消毒需求。在实际应用中为了解决上述问题，一般会使用过量喷洒消毒剂的方式进行消毒处理；另外，执行消毒工序的操作人员大多为临时兼职的行政事务人员，对消毒剂用量并没有很清晰的用量控制意识，进一步加剧了消毒剂过量使用的问题。如果使用的是酒精消毒剂，该类消毒剂副作用小且挥发速度快，是没有问题的。但是，如果是含氯类消毒剂如二氧化氯、次氯酸之类的消毒剂，或者季铵盐类消毒剂超量使用会导致高价氯离子以及铵离子残留时间过长的问题，长年累月会导致工作人员身体健康受到损伤；如果在喷洒消毒剂之后，封闭消毒空间禁止人员进入，为了散发超量消毒剂则需要较长的空置时间，会导致消毒空间的利用率较低。综上，现有技术中存在消毒剂用量与真实的消毒需求不匹配的技术问题。
发明内容
本发明所要解决的技术问题在于提供了一种防疫装备智能管理方法及系统，以使消毒剂用量与真实的消毒需求相匹配。
本发明是通过以下技术方案解决上述技术问题的：
本发明提供了一种防疫装备智能管理方法，所述方法包括：
获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数；
根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。
可选的，所述获取消毒空间内每一人员的停留时长，包括：
针对每一人员，识别出所述人员进入消毒空间的进入时刻，离开消毒空间的离开时刻，根据离开时刻与进入时刻之间的差值计算出所述人员的停留时长。
可选的，所述根据所述停留时长确定出各个人员的消毒指数，包括：
针对每一人员，利用二氧化碳红外热像仪拍摄所述人员的面部图像，利用预先训练的神经网络算法识别出面部图像中的排出气体对应的目标区域；
根据目标区域的尺寸计算出目标区域对应的目标气体量；
根据所述目标气体量与单位体积气体消毒剂消耗量计算出所述人员对应的消毒指数。
可选的，所述预先训练的神经网络算法的训练过程包括：
利用二氧化碳红外热像仪获取若干张人吸气状态的第一画面，将第一画面标记上吸气标签；利用二氧化碳红外热像仪获取若干张人屏气状态的第二画面，将第二画面标记上屏气标签；利用二氧化碳红外热像仪获取若干张人呼气状态的第三画面，并获取对呼气区域的识别结果，根据所述识别结果将第三画面标记上呼气标签；利用二氧化碳红外热像仪获取若干张人咳嗽状态的第四画面，将第四画面标记上咳嗽标签；
将标记后的第一画面以及标记后的第二画面作为负样本，将标记后的第三画面以及标记后的第四画面作为正样本；
从负样本以及正样本中随机抽取若干个样本作为测试集；将负样本以及正样本中除测试集以外的样本作为训练集；
使用训练集训练预先搭建的神经网络模型，直至神经网络模型收敛，得到初始模型；然后使用测试集测试初始模型，在初始模型在测试集上测试出的准确率和召回率均大于设定阈值时，将所述初始模型作为训练后的神经网络模型；在初始模型在测试集上测试出的准确率和召回率之一小于设定阈值时，调节初始模型的模型参数，将调整模型参数后的初始模型作为预先搭建的神经网络模型，并返回执行所述使用训练集训练预先搭建的神经网络模型的步骤，直至得到目标模型。
可选的，所述根据目标区域的尺寸计算出目标区域对应的目标气体量，还包括：
获取若干张面部图像，针对每一张面部图像，将面部图像中包含的器官作为参照物，根据参照物中相对于目标区域像素点数量的比值计算出该面部图像中目标区域对应的目标气体量；
将若干张面部图像中目标区域对应的目标气体量的平均值作为目标气体量。
可选的，所述根据参照物中相对于目标区域像素点数量的比值计算出该面部图像中目标区域对应的目标气体量，包括：
利用公式，Q＝N1/N2*V，计算出目标区域对应的目标气体量，其中，
Q为目标区域对应的目标气体量；N1为目标区域对应的像素点数量；N2为参照物包含的像素点数量；V为参照物的投影面积对应的单位气体量。
可选的，所述根据目标区域的尺寸计算出目标区域对应的目标气体量，包括：
利用图像识别算法监测每一人员是否存在呼气行为，若是，使用红外线激光雷达扫描所述人员鼻腔附近区域，得到呼出气体的三维点云数据；
对所述三维点云数据进行表面拟合处理，得到三维点云数据的包围盒；
将所述包围盒的体积作为目标气体量。
可选的，所述使用红外线激光雷达扫描所述人员鼻腔附近区域，包括：
将人员的鼻腔位置作为当前位置，使用红外线激光雷达扫描当前位置，得到当前点云数据；
判断当前点云数据对应的气体特征是否与二氧化碳的气体特征一致；
若否，以当前点云数据为起点，第一预设距离为步长，向六个三维方向扩展，得到当前位置，并返回执行使用红外线激光雷达扫描当前位置，得到当前点云数据的步骤；
若是，以当前点云数据为中心，第二预设距离为步长，向六个三维方向扩展，得到下一个位置，将下一个位置作为当前位置，返回执行使用红外线激光雷达扫描当前位置的步骤，直至各个当前位置对应的气体特征不与二氧化碳的气体特征一致，且第二预设距离大于第一预设距离。
本发明还提供了一种防疫装备智能管理系统，所述系统包括：
获取模块，用于获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数；
计算模块，用于根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。
本发明相比现有技术具有以下优点：
本发明通过根据停留时长确定出每一个人的消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业，在本发明中，可以根据人员活动情况进行适应性调节消毒剂用量，进而可以使消毒空间内的消毒剂用量与真实的消毒需求相匹配，进而避免消毒剂过量使用。
附图说明
图1为本发明实施例提供的一种防疫装备智能管理方法的流程示意图；
图2为本发明实施例提供的一种防疫装备智能管理方法中目标气体量的计算原理示意图；
图3为本发明实施例提供的一种防疫装备智能管理方法中神经网络算法的训练过程原理示意图；
图4为本发明实施例提供的一种防疫装备智能管理系统的结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明实施例提供了一种防疫装备智能管理方法及系统，下面首先就本发明实施例提供的一种防疫装备智能管理方法进行介绍。
实施例1
图1为本发明实施例提供的一种防疫装备智能管理方法的流程示意图，如图1所示，所述方法包括：
S101：获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数。
具体的，消毒空间，如药品库房内设有监控摄像头，可以利用监控摄像头识别出消毒空间内的每一个人员的特征，比如人员的衣着特征，步态特征，或者面部特征等，利用人员特征标记每一个人员，这样每一个人员都具备了唯一性的特征标签，根据特征标签可以唯一确定每一个人员，进而可以得到每一个人员的进入时间，离开时间。
再将离开时间减去进入时间，即可得到每一个人员在消毒空间内的停留时长。
在实际应用中，为了降低成本，提高运算效率，可以为单位时长设定单位消毒剂用量，例如，每分钟对应1ml的二氧化氯溶液用量。人员A在消毒空间内停留了10分钟，则人员A对应的二氧化氯溶液用量为10ml。将二氧化氯溶液用量为10ml作为人员A的消毒指数。
进一步的，为了更加精细化的控制消毒剂用量，还可以针对每一人员，利用菲力尔FLIR GF343光学气体成像红外热像仪跟踪拍摄所述人员的面部图像。FLIR GF343光学气体成像红外热像仪是通过过滤特定波段的红外线吸收来对气体进行显像的，在4.2微米的波段下，水蒸气吸收的能量要比二氧化碳更少，呼出气体中二氧化碳含量明显高于大气中二氧化碳的含量，因此，FLIR GF343光学气体成像红外热像仪可以识别出呼出气体的气团。
由于光学气体成像红外热像仪拍摄得到的面部图像属于光学图像，而且光学图像中包含了人员的面部区域，以及呼出气体的区域。在光学图像中，二氧化碳对应的像素区域与普通空气对应的像素区域存在明显的差别，因此，还需要利用预先训练的神经网络算法识别出面部图像中的排出气体对应的目标区域。
然后，将面部图像中包含的鼻子作为参照物，获取出鼻子对应的像素点数量N2，同时获取面部图像中包含的呼出气体的目标区域中包含的像素点数量N1；参照物对应的单位
根据人体器官中鼻子在垂直于光学气体成像红外热像仪光轴的平面上的投影面积对应的单位气体量，利用公式，Q＝N1/N2*V，计算出目标区域对应的目标气体量，其中，
Q为目标区域对应的目标气体量；N1为目标区域对应的像素点数量；N2为参照物包含的像素点数量；V为参照物的投影面积对应的单位气体量。
在实际应用中，单位气体量可以为预先标定的，标定过程为：比如在人员进门时，人员到光学气体成像红外热像仪的距离是基本相同的，获取每一个人员每次呼出气体的量，以及鼻子中包含的像素点的数量，将所有人员每次呼出气体的量之和除以所有人员鼻子区域包含的像素点的数量之和，得到每一个鼻子的像素点对应的呼出气体的气体量。
进一步的，还可以多次测量计算出平均值，将计算的平均值作为目标区域对应的目标气体量。
再将目标区域对应的目标气体量与单位体积气体消毒剂消耗量计算出所述人员每一次呼气对应的消毒剂消耗量，然后，根据人类每分钟呼吸频率的平均值乘以停留时长，可以得到每一个人员对应的消毒指数。
更进一步的，对于一些特殊场景，如食品生产行业的手工生产工序，为了严格控制消毒剂残留对食品的不良影响，因此需要更加精确的确定每一个人员在停留时长内对应的消毒指数，可以使用光学气体成像红外热像仪分别追踪每一个人员的每次呼气行为，然后计算出每次呼气行为对应的消毒剂消耗量，然后根据停留时长内所有的呼气行为对应的消毒剂消耗量之和计算出该人员在停留时长内对应的消毒指数。
应用本发明上述实施例，可以更加精确的确定出消毒指数，进一步降低消毒剂过量使用的危害。
S102：根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。
具体的，在消毒空间内存在多个人员时，将多个人员的消毒指数求和，可以得到人员消毒剂用量。
消毒空间内即使没有人员，也会存在一定的消毒剂消耗需求，即空间消毒剂用量，因此，将人员消毒剂用量以及空间消毒剂用量求和之后可以得到消毒剂总量。
然后根据消毒剂总量对消毒空间进行消毒作业。
更进一步的，为了更加相对准确的确定出目标气体量，可以先获取若干张面部图像，针对每一张面部图像，将面部图像中包含的器官作为参照物，根据参照物中相对于目标区域像素点数量的比值计算出该面部图像中目标区域对应的目标气体量；得到v1、v2、...、vn，然后对v1、v2、...、vn求平均值，得到目标气体量。
目标气体量作为人员每一次呼气对应的排出气体量，多次计算得到平均值，可以一定程度规避由于拍摄角度或者拍摄时机导致的单次测量不准确的技术问题，应用本发明上述实施例，相对于追踪每一次呼气行为，可以降低计算量，简化方案流程，提高执行效率，同时降低误差。
实施例2
图2为本发明实施例提供的一种防疫装备智能管理方法中目标气体量的计算原理示意图，如图2所示，基于本发明实施例1，所述根据目标区域的尺寸计算出目标区域对应的目标气体量，还可以包括以下过程：
S201：利用图像识别算法监测每一人员是否存在呼气行为，若是，使用红外线激光雷达扫描所述人员鼻腔附近区域，得到呼出气体的三维点云数据。
具体的，可以使用面部红外热成像摄像头拍摄每一人员的面部图像，然后使用李晨曦，司芳芳发表的论文“基于红外热成像的在体呼吸监测方法”识别出图像中人员的呼吸行为，根据呼吸行为发生的位置确定出人员的鼻腔位置。
例如，鼻腔位置为A1，则将A1作为当前位置，使用红外线激光雷达扫描当前位置，如果当前位置存在较高浓度的二氧化碳，则当前点云数据对应的红外线信号大多都会被吸收，则当前点云数据对应的红外线信号较弱；如果当前位置为普通空气，则当前点云数据对应的红外线信号很少被吸收，则当前点云数据对应的红外线信号较强；
人吸入气体：氮气78％，氧气21％，水蒸气0.5％，二氧化碳0.032％.，呼出气体：氮气74％，氧气16％，水蒸气6％，二氧化碳4％.(平均值)，呼入呼出气体中二氧化碳浓度变化了120倍，因此，4.2微米的波段红外线信号会产生强烈的对比，进而可以预先确定出二氧化碳气体特征，以及普通空气的气体特征。
然后，判断当前点云数据对应的气体特征是否与二氧化碳的气体特征一致；
在二者不一致的情况下，说明当前点云数据为人员呼出气团上的点，以当前点云数据为起点，第一预设距离1cm为步长，向六个三维方向扩展，以找到下一个气体特征一致的点，进而可以分别得到当前位置的上方的位置A2、当前位置的下方的位置A3；当前位置的左侧的位置A4；当前位置的右侧的位置A5；当前位置的前方的位置A6；当前位置的后方的位置A7；然后，将A2-A7的位置作为下一次迭代的当前位置，并返回执行使用红外线激光雷达扫描当前位置，得到当前点云数据的步骤。
在当前点云数据对应的气体特征与二氧化碳的气体特征一致的情况下，以当前点云数据为中心，第二预设距离2cm为步长，向六个三维方向扩展，得到下一个位置，将下一个位置作为当前位置，返回执行使用红外线激光雷达扫描当前位置的步骤，直至各个当前位置对应的气体特征不与二氧化碳的气体特征一致，且第二预设距离大于第一预设距离。
应用本发明上述实施例，可以采用点云的采样方式对人员呼出的气团进行采样，进而得到气团的点云数据。
在实际应用中，普通的16线激光雷达可以每秒输出32万个点云信号，价格在2000-4000元不等，针对每一个人员呼出的气团，只需要1秒钟即可得到大致完整的气团表面的三维点云数据。
更进一步的，可以采用两个或者两个以上的激光雷达协作探测，进而得到更加完整的气团三维点云数据，以提高探测准确性。
S202：对所述三维点云数据进行表面拟合处理，得到三维点云数据的包围盒。
可以利用现有的包围盒算法对三维点云数据进行表面拟合，得到立体的空间构造。
S203：将所述包围盒的体积作为目标气体量。
应用本发明上述实施例，可以在成本允许的情况下，实现更加精确的呼气体积的测量，进而实现消毒剂用量与实际需求的匹配，避免消毒剂过量使用导致的残留。
实施例3
图3为本发明实施例提供的一种防疫装备智能管理方法中神经网络算法的训练过程原理示意图，如图3所示，基于本发明实施例1或实施例2，所述预先训练的神经网络算法的训练过程包括：
S301：利用二氧化碳红外热像仪获取若干张人吸气状态的第一画面，将第一画面标记上吸气标签；利用二氧化碳红外热像仪获取若干张人屏气状态的第二画面，将第二画面标记上屏气标签；利用二氧化碳红外热像仪获取若干张人呼气状态的第三画面，并获取对呼气区域的识别结果，根据所述识别结果将第三画面标记上呼气标签；利用二氧化碳红外热像仪获取若干张人咳嗽状态的第四画面，将第四画面标记上咳嗽标签；
S302：将标记后的第一画面以及标记后的第二画面作为负样本，将标记后的第三画面以及标记后的第四画面作为正样本；
S303：从负样本以及正样本中随机抽取若干个样本作为测试集；将负样本以及正样本中除测试集以外的样本作为训练集。
本发明实施例将样本数据分割成训练集和测试集两部，通常将数据集的80％作为训练集，20％作为测试集。我们可以使用训练集的数据来训练模型，然后用测试集上的误差作为最终模型在应对现实场景中的泛化误差。有了测试集，我们想要验证模型的最终效果，只需将训练好的模型在测试集上计算误差，即可认为此误差即为泛化误差的近似，我们只需让我们训练好的模型在测试集上的误差最小即可。
S304：使用训练集训练预先搭建的神经网络模型，直至神经网络模型收敛，得到初始模型。
在实际应用中，神经网络模型可以使用谷歌公司开源的用于图像识别的TensorFlow模型。
然后使用测试集测试初始模型，初始模型在测试集上测试出的准确率和召回率均大于设定阈值时，将所述初始模型作为训练后的神经网络模型；初始模型在测试集上测试出的准确率和召回率之一小于设定阈值时，调节初始模型的模型参数，将调整模型参数后的初始模型作为预先搭建的神经网络模型，并返回执行所述使用训练集训练预先搭建的神经网络模型的步骤，直至得到目标模型。
由于测试集作为对泛化误差的近似，所以训练好模型，最后在测试集上近似估计模型的泛化能力。此时假设有两个不同的机器学习模型，犹豫不决的时候，可以通过训练两个模型，然后对比他们在测试数据上的泛化误差，选择泛化能力强的目标模型作为训练好的神经网络模型。
实施例4
图4为本发明实施例提供的一种防疫装备智能管理系统的结构示意图，如图4所示，对应于本发明实施例1-3任一实施例，实施例4还提供了种防疫装备智能管理系统，所述系统包括：
获取模块402，用于获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数；
计算模块402，用于根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。
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 (7)
1.一种防疫装备智能管理方法，其特征在于，所述方法包括：
获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数；
其中，根据所述停留时长确定出各个人员的消毒指数，包括：
针对每一人员，利用二氧化碳红外热像仪拍摄所述人员的面部图像，利用预先训练的神经网络算法识别出面部图像中的排出气体对应的目标区域；
根据目标区域的尺寸计算出目标区域对应的目标气体量；
根据所述目标气体量与单位体积气体消毒剂消耗量计算出所述人员对应的消毒指数；
其中，预先训练的神经网络算法的训练过程包括：
利用二氧化碳红外热像仪获取若干张人吸气状态的第一画面，将第一画面标记上吸气标签；利用二氧化碳红外热像仪获取若干张人屏气状态的第二画面，将第二画面标记上屏气标签；利用二氧化碳红外热像仪获取若干张人呼气状态的第三画面，并获取对呼气区域的识别结果，根据所述识别结果将第三画面标记上呼气标签；利用二氧化碳红外热像仪获取若干张人咳嗽状态的第四画面，将第四画面标记上咳嗽标签；
将标记后的第一画面以及标记后的第二画面作为负样本，将标记后的第三画面以及标记后的第四画面作为正样本；
从负样本以及正样本中随机抽取若干个样本作为测试集；将负样本以及正样本中除测试集以外的样本作为训练集；
使用训练集训练预先搭建的神经网络模型，直至神经网络模型收敛，得到初始模型；然后使用测试集测试初始模型，在初始模型在测试集上测试出的准确率和召回率均大于设定阈值时，将所述初始模型作为训练后的神经网络模型；在初始模型在测试集上测试出的准确率和召回率之一小于设定阈值时，调节初始模型的模型参数，将调整模型参数后的初始模型作为预先搭建的神经网络模型，并返回执行所述使用训练集训练预先搭建的神经网络模型的步骤，直至得到目标模型；
根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。
2.根据权利要求1所述的一种防疫装备智能管理方法，其特征在于，所述获取消毒空间内每一人员的停留时长，包括：
针对每一人员，识别出所述人员进入消毒空间的进入时刻，离开消毒空间的离开时刻，根据离开时刻与进入时刻之间的差值计算出所述人员的停留时长。
3.根据权利要求1所述的一种防疫装备智能管理方法，其特征在于，所述根据目标区域的尺寸计算出目标区域对应的目标气体量，还包括：
获取若干张面部图像，针对每一张面部图像，将面部图像中包含的器官作为参照物，根据参照物中相对于目标区域像素点数量的比值计算出该面部图像中目标区域对应的目标气体量；
将若干张面部图像中目标区域对应的目标气体量的平均值作为目标气体量。
4.根据权利要求3所述的一种防疫装备智能管理方法，其特征在于，所述根据参照物中相对于目标区域像素点数量的比值计算出该面部图像中目标区域对应的目标气体量，包括：
利用公式，Q＝N1/N2*V，计算出目标区域对应的目标气体量，其中，
Q为目标区域对应的目标气体量；N1为目标区域对应的像素点数量；N2为参照物包含的像素点数量；V为参照物的投影面积对应的单位气体量。
5.根据权利要求1所述的一种防疫装备智能管理方法，其特征在于，所述根据目标区域的尺寸计算出目标区域对应的目标气体量，包括：
利用图像识别算法监测每一人员是否存在呼气行为，若是，使用红外线激光雷达扫描所述人员鼻腔附近区域，得到呼出气体的三维点云数据；
对所述三维点云数据进行表面拟合处理，得到三维点云数据的包围盒；
将所述包围盒的体积作为目标气体量。
6.根据权利要求5所述的一种防疫装备智能管理方法，其特征在于，所述使用红外线激光雷达扫描所述人员鼻腔附近区域，包括：
将人员的鼻腔位置作为当前位置，使用红外线激光雷达扫描当前位置，得到当前点云数据；
判断当前点云数据对应的气体特征是否与二氧化碳的气体特征一致；
若否，以当前点云数据为起点，第一预设距离为步长，向六个三维方向扩展，得到当前位置，并返回执行使用红外线激光雷达扫描当前位置，得到当前点云数据的步骤；
若是，以当前点云数据为中心，第二预设距离为步长，向六个三维方向扩展，得到下一个位置，将下一个位置作为当前位置，返回执行使用红外线激光雷达扫描当前位置的步骤，直至各个当前位置对应的气体特征不与二氧化碳的气体特征一致，且第二预设距离大于第一预设距离。
7.一种防疫装备智能管理系统，其特征在于，所述系统包括：
获取模块，用于获取消毒空间内每一人员的停留时长，根据所述停留时长确定出各个人员的消毒指数；
其中，根据所述停留时长确定出各个人员的消毒指数，包括：
针对每一人员，利用二氧化碳红外热像仪拍摄所述人员的面部图像，利用预先训练的神经网络算法识别出面部图像中的排出气体对应的目标区域；
根据目标区域的尺寸计算出目标区域对应的目标气体量；
根据所述目标气体量与单位体积气体消毒剂消耗量计算出所述人员对应的消毒指数；
其中，预先训练的神经网络算法的训练过程包括：
利用二氧化碳红外热像仪获取若干张人吸气状态的第一画面，将第一画面标记上吸气标签；利用二氧化碳红外热像仪获取若干张人屏气状态的第二画面，将第二画面标记上屏气标签；利用二氧化碳红外热像仪获取若干张人呼气状态的第三画面，并获取对呼气区域的识别结果，根据所述识别结果将第三画面标记上呼气标签；利用二氧化碳红外热像仪获取若干张人咳嗽状态的第四画面，将第四画面标记上咳嗽标签；
将标记后的第一画面以及标记后的第二画面作为负样本，将标记后的第三画面以及标记后的第四画面作为正样本；
从负样本以及正样本中随机抽取若干个样本作为测试集；将负样本以及正样本中除测试集以外的样本作为训练集；
使用训练集训练预先搭建的神经网络模型，直至神经网络模型收敛，得到初始模型；然后使用测试集测试初始模型，在初始模型在测试集上测试出的准确率和召回率均大于设定阈值时，将所述初始模型作为训练后的神经网络模型；在初始模型在测试集上测试出的准确率和召回率之一小于设定阈值时，调节初始模型的模型参数，将调整模型参数后的初始模型作为预先搭建的神经网络模型，并返回执行所述使用训练集训练预先搭建的神经网络模型的步骤，直至得到目标模型；
计算模块，用于根据所述消毒指数之和计算出人员消毒剂用量，根据人员消毒剂用量以及空间消毒剂用量之和确定出消毒空间内消毒剂总量，根据所述消毒剂总量对消毒空间进行消毒作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351075.3A CN116364260B (zh) | 2023-04-04 | 2023-04-04 | 一种防疫装备智能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351075.3A CN116364260B (zh) | 2023-04-04 | 2023-04-04 | 一种防疫装备智能管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116364260A CN116364260A (zh) | 2023-06-30 |
| CN116364260B true CN116364260B (zh) | 2023-11-14 |
Family
ID=86907141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310351075.3A Active CN116364260B (zh) | 2023-04-04 | 2023-04-04 | 一种防疫装备智能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116364260B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108131732A (zh) * | 2017-12-29 | 2018-06-08 | 浙江中来技术有限公司 | 一种室内场所的空气净化方法及空气净化系统 |
| CN111544634A (zh) * | 2020-05-20 | 2020-08-18 | 李潮云 | 一种基于数据分析的密闭环境消毒杀菌系统 |
| CN112950143A (zh) * | 2021-01-27 | 2021-06-11 | 重庆工程职业技术学院 | 养老公寓防疫管理系统及方法 |
| KR20210152082A (ko) * | 2020-06-05 | 2021-12-15 | 주식회사 큐어텍 | 인공지능 게이트형 살균 장치 시스템 |
| CN114796550A (zh) * | 2022-04-15 | 2022-07-29 | 常州市金坛碳谷新材料科技有限公司 | 一种车辆消毒方法和系统 |
| CN115204682A (zh) * | 2022-07-15 | 2022-10-18 | 阜阳莱陆智能科技有限公司 | 一种基于物联网的智能消毒调度系统及装置 |
| CN115227855A (zh) * | 2022-06-15 | 2022-10-25 | 平安银行股份有限公司 | 电梯消毒方法、装置、计算机设备及计算机可读存储介质 |
| CN115713782A (zh) * | 2022-11-04 | 2023-02-24 | 上海仪电智能电子有限公司 | 一种应用于移动型密闭空间体的智能化防疫方法 |
-
2023
- 2023-04-04 CN CN202310351075.3A patent/CN116364260B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108131732A (zh) * | 2017-12-29 | 2018-06-08 | 浙江中来技术有限公司 | 一种室内场所的空气净化方法及空气净化系统 |
| CN111544634A (zh) * | 2020-05-20 | 2020-08-18 | 李潮云 | 一种基于数据分析的密闭环境消毒杀菌系统 |
| KR20210152082A (ko) * | 2020-06-05 | 2021-12-15 | 주식회사 큐어텍 | 인공지능 게이트형 살균 장치 시스템 |
| CN112950143A (zh) * | 2021-01-27 | 2021-06-11 | 重庆工程职业技术学院 | 养老公寓防疫管理系统及方法 |
| CN114796550A (zh) * | 2022-04-15 | 2022-07-29 | 常州市金坛碳谷新材料科技有限公司 | 一种车辆消毒方法和系统 |
| CN115227855A (zh) * | 2022-06-15 | 2022-10-25 | 平安银行股份有限公司 | 电梯消毒方法、装置、计算机设备及计算机可读存储介质 |
| CN115204682A (zh) * | 2022-07-15 | 2022-10-18 | 阜阳莱陆智能科技有限公司 | 一种基于物联网的智能消毒调度系统及装置 |
| CN115713782A (zh) * | 2022-11-04 | 2023-02-24 | 上海仪电智能电子有限公司 | 一种应用于移动型密闭空间体的智能化防疫方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116364260A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420624B (zh) | 一种非接触式疲劳检测方法及系统 | |
| CN112036299B (zh) | 标准考场环境下的考试作弊行为检测方法及系统 | |
| CN111839489B (zh) | 非接触式生理心理健康检测系统 | |
| US20220180534A1 (en) | Pedestrian tracking method, computing device, pedestrian tracking system and storage medium | |
| US20150255005A1 (en) | Movement evaluation device and program therefor | |
| CN111486798B (zh) | 图像测距方法、图像测距系统及终端设备 | |
| CN108596087A (zh) | 一种基于双网络结果的驾驶疲劳程度检测回归模型 | |
| CN102075736A (zh) | 一种用于高清智能网络摄像机的摄像头标定方法 | |
| CN115089150B (zh) | 一种基于无人机的脉搏波检测方法、装置、电子设备及存储介质 | |
| CN111854964A (zh) | 一种测量体温的方法、装置、测温工具及存储介质 | |
| CN116364260B (zh) | 一种防疫装备智能管理方法及系统 | |
| CN114565976A (zh) | 一种训练智能测试方法以及装置 | |
| CN112363139A (zh) | 基于幅度特征的人体呼吸时长检测方法、装置和存储介质 | |
| CN115509360A (zh) | 基于元宇宙虚拟现实vr交互系统 | |
| CN114916964A (zh) | 一种咽拭子采样有效性检测方法及自助式咽拭子采样方法 | |
| CN104063689B (zh) | 一种基于双目立体视觉的人脸图像识别方法 | |
| CN113221815A (zh) | 一种基于骨骼关键点自动检测技术的步态鉴定方法 | |
| CN109876417B (zh) | 基于计算机视觉检测技术的羽毛球发球助理裁判系统 | |
| CN118279950A (zh) | 脸部辨识系统及生理信息生成方法 | |
| Ishida et al. | Extraction of nostril regions using periodical thermal change for breath monitoring | |
| Sakamoto et al. | A non-contact spirometer with time-of-flight sensor for assessment of pulmonary function | |
| CN113221599A (zh) | 一种眼睑曲线的构建方法及装置 | |
| Zhang | (Retracted) Swimming pool safety detection device based on computer vision | |
| CN114864101A (zh) | 一种基于ar技术的社区疫情防控系统 | |
| CN114926772A (zh) | 一种咽拭子头部的跟踪与轨迹预测方法 |
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 |