CN117830800A - 一种基于yolo算法的衣物检测回收方法、系统、介质和设备 - Google Patents

一种基于yolo算法的衣物检测回收方法、系统、介质和设备 Download PDF

Info

Publication number
CN117830800A
CN117830800A CN202410241070.XA CN202410241070A CN117830800A CN 117830800 A CN117830800 A CN 117830800A CN 202410241070 A CN202410241070 A CN 202410241070A CN 117830800 A CN117830800 A CN 117830800A
Authority
CN
China
Prior art keywords
yolo algorithm
detection
clothing
detection model
clothes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410241070.XA
Other languages
English (en)
Inventor
李勇
莫素林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Eme Medical Furniture Technology Co ltd
Original Assignee
Guangzhou Eme Medical Furniture Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Eme Medical Furniture Technology Co ltd filed Critical Guangzhou Eme Medical Furniture Technology Co ltd
Priority to CN202410241070.XA priority Critical patent/CN117830800A/zh
Publication of CN117830800A publication Critical patent/CN117830800A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，所要解决的技术问题是提供一种基于YOLO算法的衣物检测回收方法、系统、介质和设备，方法包括以下步骤：采集衣物和人员素材，得到样本图像；通过样本图像建立采用YOLO算法训练的检测模型；将训练好的检测模型部署到终端；使用终端进行衣物的检测和回收。通过采用YOLO算法进行训练，建立检测模型，使得部署有检测模型的终端可以在复杂电磁环境下进行衣物和鞋子的有效回收，避免植入芯片导致资源浪费的情况。

Description

一种基于YOLO算法的衣物检测回收方法、系统、介质和设备
技术领域
本发明涉及人工智能技术领域，更具体地，涉及一种基于YOLO算法的衣物检测回收方法、系统、介质和设备。
背景技术
在医疗领域，人们通常使用射频识别RFID技术来完成手术衣鞋的回收和管理。通过在每件手术衣鞋中植入识别芯片，我们可以实现衣鞋的全流程追溯和回收管理。
射频识别RFID技术虽然可用于管理手术衣鞋的发放回收，但在实际应用中，该方法未充分考虑手术电磁环境的复杂性，因此未能有效解决识别芯片寿命短、识别成功率低的问题，导致衣鞋的全流程追溯和回收管理的效果欠佳。
发明内容
本发明旨在提供一种基于YOLO算法的衣物检测回收方法、系统、介质和设备，以解决上述技术问题，通过采用YOLO算法进行训练，建立检测模型，使得部署有检测模型的终端可以在复杂电磁环境下进行衣物和鞋子的有效回收，避免植入芯片导致资源浪费的情况。
本发明解决其技术问题所采用的技术方案是：一种基于YOLO算法的衣物检测回收方法，包括以下步骤：
采集衣物和人员素材，得到样本图像；
通过样本图像建立采用YOLO算法训练的检测模型；
将训练好的检测模型部署到终端；
使用终端进行衣物的检测和回收。
优选的，采集若干环境下的衣物和人员素材，对素材进行垂直和水平翻转，获得不同环境下的样本图像。
优选的，所述建立采用YOLO算法训练的检测模型具体为：
将不同环境下的样本图像作为初始数据集，将不同环境下的样本图像分为训练集和测试集；
搭建卷积网络，将训练集的样本图像输入卷积网络，采用YOLO算法进行训练，直到神经网络收敛，得到检测模型；
将测试集的不同环境下的样本图像输入检测模型进行测试。
优选的，所述采用YOLO算法进行训练具体为：
在检测模型中输入样本图像，将样本图像划分为互不重合的网格；
针对每个网格预测若干个边框以及边框的置信度；
通过边框的置信度预测目标窗口；
去除目标窗口中可能性低的目标窗口和冗余窗口。
优选的，所述置信度具体为边框含有目标的可能性以及边框的准确度的乘积。
优选的，边框含有目标的可能性的表征方法为：边框含有目标的置信度记为1，边框不含有目标的置信度记为0；边框的准确度采用预测框和实际框的交并比来表征。
优选的，将重复性高的边框的置信度记为0，采用非极大值抑制算法对置信度记为0的目标窗口进行剔除，得到去除可能性低的目标窗口和冗余窗口的目标窗口。
一种基于YOLO算法的衣物检测回收系统，包括依次电性连接的素材采集模块、模型训练模块、模型部署模块和衣物检测模块；
素材采集模块，用于采集衣物和人员素材，得到样本图像；
模型训练模块，用于通过样本图像建立采用YOLO算法训练的检测模型；
模型部署模块，用于将训练好的检测模型部署到终端；
衣物检测模块，用于使用终端进行衣物的检测和回收。
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如所述的一种基于YOLO算法的衣物检测回收方法。
一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如所述的一种基于YOLO算法的衣物检测回收方法。
本发明的有益效果是：
本发明旨在提供一种基于YOLO算法的衣物检测回收方法、系统、介质和设备，通过采用YOLO算法进行训练，建立检测模型，使得部署有检测模型的终端可以在复杂电磁环境下进行衣物和鞋子的有效回收，避免植入芯片导致资源浪费的情况。
附图说明
图1是本发明一个实施例的方法流程示意图；
图2是本发明一个实施例的系统模块示意图；
图3是本发明一个实施例的手术衣鞋回收示意图。
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
具体实施方式
下面结合附图和具体实施例，对本发明做进一步详细说明。
如图1所示，本发明的一种基于YOLO算法的衣物检测回收方法，包括以下步骤：
S1：采集衣物和人员素材，得到样本图像；
S2：通过样本图像建立采用YOLO算法训练的检测模型；
S3：将训练好的检测模型部署到终端；
S4：使用终端进行衣物的检测和回收。
上述方案中，通过采用YOLO算法进行训练，建立检测模型，使得部署有检测模型的终端可以在复杂电磁环境下进行衣物和鞋子的有效回收，避免植入芯片导致资源浪费的情况。
优选的，在步骤S1中，采集若干环境下的衣物和人员素材，对素材进行垂直和水平翻转，获得不同环境下的样本图像。
上述方案中，尤其采集在手术室中的复杂电磁环境下的衣物素材，更具有代表性，素材进行垂直和水平翻转，获得不同环境下的样本图像。
优选的，在步骤S2中，所述建立采用YOLO算法训练的检测模型具体为：
将不同环境下的样本图像作为初始数据集，将不同环境下的样本图像分为训练集和测试集；
搭建卷积网络，将训练集的样本图像输入卷积网络，采用YOLO算法进行训练，直到神经网络收敛，得到检测模型；
将测试集的不同环境下的样本图像输入检测模型进行测试。
优选的，所述采用YOLO算法进行训练具体为：
在检测模型中输入样本图像，将样本图像划分为互不重合的网格；
针对每个网格预测若干个边框以及边框的置信度；
通过边框的置信度预测目标窗口；
去除目标窗口中可能性低的目标窗口和冗余窗口。
优选的，所述置信度具体为边框含有目标的可能性以及边框的准确度的乘积。
优选的，边框含有目标的可能性的表征方法为：边框含有目标的置信度记为1，边框不含有目标的置信度记为0；边框的准确度采用预测框和实际框的交并比来表征。
优选的，将重复性高的边框的置信度记为0，采用非极大值抑制算法对置信度记为0的目标窗口进行剔除，得到去除可能性低的目标窗口和冗余窗口的目标窗口。
如图2所示，一种基于YOLO算法的衣物检测回收系统，包括依次电性连接的素材采集模块、模型训练模块、模型部署模块和衣物检测模块；
素材采集模块，用于采集衣物和人员素材，得到样本图像；
模型训练模块，用于通过样本图像建立采用YOLO算法训练的检测模型；
模型部署模块，用于将训练好的检测模型部署到终端；
衣物检测模块，用于使用终端进行衣物的检测和回收。
如图3所示，医护人员到回收终端对手术衣鞋进行回收；终端摄像头对人和物品进行拍照识别，终端的检测模型判断回收物品是否正确；如果正确则正常回收物品，并记录；如果不正常物品则提醒人员检查物品；并给出选项是否强制回收；如果强制回收则，拍照回收物品，并记录异常回收。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的一种基于YOLO算法的衣物检测回收方法。
本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的一种基于YOLO算法的衣物检测回收方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序、计算机程序），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（SmartMedia Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。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。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，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于YOLO算法的衣物检测回收方法，其特征在于，包括以下步骤：
采集衣物和人员素材，得到样本图像；
通过样本图像建立采用YOLO算法训练的检测模型；
将训练好的检测模型部署到终端；
使用终端进行衣物的检测和回收。
2.根据权利要求1所述的一种基于YOLO算法的衣物检测回收方法，其特征在于，采集若干环境下的衣物和人员素材，对素材进行垂直和水平翻转，获得不同环境下的样本图像。
3.根据权利要求2所述的一种基于YOLO算法的衣物检测回收方法，其特征在于，所述建立采用YOLO算法训练的检测模型具体为：
将不同环境下的样本图像作为初始数据集，将不同环境下的样本图像分为训练集和测试集；
搭建卷积网络，将训练集的样本图像输入卷积网络，采用YOLO算法进行训练，直到神经网络收敛，得到检测模型；
将测试集的不同环境下的样本图像输入检测模型进行测试。
4.根据权利要求3所述的一种基于YOLO算法的衣物检测回收方法，其特征在于，所述采用YOLO算法进行训练具体为：
在检测模型中输入样本图像，将样本图像划分为互不重合的网格；
针对每个网格预测若干个边框以及边框的置信度；
通过边框的置信度预测目标窗口；
去除目标窗口中可能性低的目标窗口和冗余窗口。
5.根据权利要求4所述的一种基于YOLO算法的衣物检测回收方法，其特征在于，所述置信度具体为边框含有目标的可能性以及边框的准确度的乘积。
6.根据权利要求5所述的一种基于YOLO算法的衣物检测回收方法，其特征在于，边框含有目标的可能性的表征方法为：边框含有目标的置信度记为1，边框不含有目标的置信度记为0；边框的准确度采用预测框和实际框的交并比来表征。
7.根据权利要求6所述的一种基于YOLO算法的衣物检测回收方法，其特征在于，将重复性高的边框的置信度记为0，采用非极大值抑制算法对置信度记为0的目标窗口进行剔除，得到去除可能性低的目标窗口和冗余窗口的目标窗口。
8.一种基于YOLO算法的衣物检测回收系统，其特征在于，包括依次电性连接的素材采集模块、模型训练模块、模型部署模块和衣物检测模块；
素材采集模块，用于采集衣物和人员素材，得到样本图像；
模型训练模块，用于通过样本图像建立采用YOLO算法训练的检测模型；
模型部署模块，用于将训练好的检测模型部署到终端；
衣物检测模块，用于使用终端进行衣物的检测和回收。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的一种基于YOLO算法的衣物检测回收方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的一种基于YOLO算法的衣物检测回收方法。
CN202410241070.XA 2024-03-04 2024-03-04 一种基于yolo算法的衣物检测回收方法、系统、介质和设备 Pending CN117830800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410241070.XA CN117830800A (zh) 2024-03-04 2024-03-04 一种基于yolo算法的衣物检测回收方法、系统、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410241070.XA CN117830800A (zh) 2024-03-04 2024-03-04 一种基于yolo算法的衣物检测回收方法、系统、介质和设备

Publications (1)

Publication Number Publication Date
CN117830800A true CN117830800A (zh) 2024-04-05

Family

ID=90517596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410241070.XA Pending CN117830800A (zh) 2024-03-04 2024-03-04 一种基于yolo算法的衣物检测回收方法、系统、介质和设备

Country Status (1)

Country Link
CN (1) CN117830800A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270347A (zh) * 2020-10-20 2021-01-26 西安工程大学 一种基于改进ssd的医疗废弃物分类检测方法
CN114022736A (zh) * 2021-11-11 2022-02-08 中电云数智科技有限公司 一种垃圾检测方法以及装置
CN114082661A (zh) * 2021-09-28 2022-02-25 中国天楹股份有限公司 一种基于深度学习的可回收物分选系统及方法
WO2023060746A1 (zh) * 2021-10-14 2023-04-20 中国科学院深圳先进技术研究院 一种基于超分辨率的小图像多目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270347A (zh) * 2020-10-20 2021-01-26 西安工程大学 一种基于改进ssd的医疗废弃物分类检测方法
CN114082661A (zh) * 2021-09-28 2022-02-25 中国天楹股份有限公司 一种基于深度学习的可回收物分选系统及方法
WO2023060746A1 (zh) * 2021-10-14 2023-04-20 中国科学院深圳先进技术研究院 一种基于超分辨率的小图像多目标检测方法
CN114022736A (zh) * 2021-11-11 2022-02-08 中电云数智科技有限公司 一种垃圾检测方法以及装置

Similar Documents

Publication Publication Date Title
US20190362503A1 (en) Target tracking method and apparatus, electronic device, and storage medium
US6999600B2 (en) Video scene background maintenance using change detection and classification
EP2919153A1 (en) Event detection apparatus and event detection method
CN111753643B (zh) 人物姿态识别方法、装置、计算机设备和存储介质
CN103366370A (zh) 视频监控中的目标跟踪方法和装置
CN110414376B (zh) 更新人脸识别模型的方法、人脸识别相机及服务器
US11468296B2 (en) Relative position encoding based networks for action recognition
CN108734092A (zh) 人物认证装置
CN108241853A (zh) 一种视频监控方法、系统及终端设备
CN110826372B (zh) 人脸特征点检测方法及装置
CN108564579A (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
CN112949417A (zh) 一种摔倒行为识别方法、设备及系统
CN114666473A (zh) 耕地保护用视频监控方法、系统、终端及存储介质
CN111626163A (zh) 一种人脸活体检测方法、装置及计算机设备
CN113971829A (zh) 安全帽佩戴情况的智能检测方法、装置、设备及存储介质
CN110852237A (zh) 对象姿态的确定方法及装置、存储介质、电子装置
KR102201382B1 (ko) Rfid를 이용한 세탁물 관리 방법 및 서버
CN111178212A (zh) 图像识别方法、装置、计算机设备和存储介质
CN113569736A (zh) 刀闸状态识别方法、装置、计算机设备和存储介质
CN114187561A (zh) 异常行为的识别方法、装置、终端设备及存储介质
CN112053382A (zh) 出入口监测方法、设备及计算机可读存储介质
CN117830800A (zh) 一种基于yolo算法的衣物检测回收方法、系统、介质和设备
CN112883783B (zh) 一种视频浓缩方法、装置、终端设备及存储介质
Mohandas et al. On the use of deep learning enabled face mask detection for access/egress control using TensorFlow Lite based edge deployment on a Raspberry Pi
Doulamis et al. Self Adaptive background modeling for identifying persons' falls

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