TW202004561A

TW202004561A - 智慧深度學習溺水救生系統

Info

Publication number: TW202004561A
Application number: TW107118800A
Authority: TW
Inventors: 王圳木
Original assignee: 國立勤益科技大學
Priority date: 2018-05-31
Filing date: 2018-05-31
Publication date: 2020-01-16
Also published as: TWI657379B

Abstract

本發明係揭露一種智慧深度學習溺水救生系統，其包括影像擷取裝置、資訊處理裝置及救援模組。影像擷取裝置用以擷取水域之水上活動的水域影像。資訊處理裝置包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組，深度學習影像辨識模組具有內建複數可供比對之溺水特徵樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將水域影像擷取處理為溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出有人溺水的辨識結果資訊，並輸出救援訊號。救援模組可受救援訊號的觸發而做出溺水警示、溺水通報以及溺水救援的等運作，俾能從表情與動作分析出是否溺水，因而得以有效增進溺水救援的速度。

Description

智慧深度學習溺水救生系統

本發明係有關一種智慧深度學習溺水救生系統，尤指一種可以從表情與動作分析出是否溺水而得以有效增進溺水救援速度的溺水救生技術。

按，前往一般的水域(如水上樂園、海水浴場或是游泳池等)戲水、游泳或是從事水上活動，除了可以達到避暑解熱的效果之外，並可達到遊戲娛樂以及游泳健身等功效；然而，在戲水、游泳或是從事水上活動的過程中，戲水者或泳者有可能因身體或環境等多種因素而發生溺水的意外事件，若是救生員能在第一時間搶救，或許還能挽救溺水者的寶貴性命；反之，若是救生員因泳池人數眾多、自身疏忽或是其他因素而未能在第一時間進行溺水搶救，以致溺水者的性命較難以挽救，由此可見，保障戲水者或泳者於水域活動的安全性，對於相關業者而言，無疑是一種嚴苛的挑戰，因此，如何開發出一套可以有效提升戲水者或泳者活動安全性的水域影像監控技術實已成為相關技術領域業者所亟欲解決與挑戰的技術課題。

為改善上述缺失，相關技術領域業者已然開發出一種如發明公開第201308264號『水域警示救生系統』所示的專利，該專利雖然可以透過影像辨識技術來提升戲水者或泳者於水域活動的安全性；但是該專利仍具有如下所述的缺失：

1.該專利並非採用基於人工智慧的深度學習影像辨識技術，所以除了必須耗費更多的記憶體資源與辨識運算時間之外，影像辨識成功率亦無法有效提升，以致溺水認定的誤判機率較高。

2.該專利必須讓所有泳客配帶一組定位發送裝置，於此才能有效監控每位泳客的定位訊息；惟，配帶定位發送裝置除了會讓泳客感到配帶不適感之外，還會增加硬體設備的建置成本。

3.該專利並無表情特徵影像的辨識機能建置，所以僅能以溺水動作特徵來作為是否溺水的判定依據，若是泳客只是基於好玩而作出溺水動作，則會做出泳者溺水的誤判，因而造成不必要的救援資源浪費情事產生。

有鑑於此，尚未有一種採用基於人工智慧的深度學習之溺水影像辨識技術的專利或是論文被提出，而且基於相關產業的迫切需求之下，本發明創作人乃經不斷的努力研發之下，終於研發出一套有別於上述習知技術與專利的本發明。

本發明第一目的，在於提供一種智慧深度學習溺水救生系統，主要是採用基於人工智慧的深度學習影像辨識技術，故可從表情與動作分析出是否溺水，因而具有記憶體資源耗費較小、縮短辨識運算時間以及有效提升影像辨識成功率等特點。達成本發明第一目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及救援模組。影像擷取裝置用以擷取水域之水上活動的水域影像。資訊處理裝置包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組，深度學習影像辨識模組具有內建複數種溺水特徵樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將水域影像擷取處理為溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出有人溺水的辨識結果資訊，並輸出救援訊號。救援模組可受救援訊號的觸發而做出溺水警示、溺水通報以及溺水救援的其中一種運作。

本發明第二目的，在於提供一種具備主動水域活動監控以提升水域活動時之安全性的智慧深度學習溺水救生系統，主要是可以避免因從事水域活動過久所致的體力不濟而引發的溺水情事。達成本發明第二目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及救援模組。影像擷取裝置用以擷取水域之水上活動的水域影像。資訊處理裝置包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組，深度學習影像辨識模組具有內建複數種溺水特徵樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將水域影像擷取處理為溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出有人溺水的辨識結果資訊，並輸出救援訊號。救援模組可受救援訊號的觸發而做出溺水警示、溺水通報以及溺水救援的其中一種運作。其中，該深度學習影像辨識模組包含一持續監控模式，執行該持續監控模式時，則將該水域內之每一該溺水求救特徵影像依序設定為代表一位泳者的識別碼，並於一時間軸內持續監及記錄各該泳者停留在該水域累計時間、潛入水底時間以及離開該水域的時間；當該泳者潛入水底的時間超過一第一預設時間且未浮出水面時，該資訊處理裝置則輸出代表有人溺水的該辨識結果資訊，並輸出該救援訊號；當該泳者停留在該水域的累計時間的時間超過一第二預設時間時，該資訊處理裝置則輸出必須離開該水域的驅離訊號；當該泳者離開該水域時，則解除對該泳者的監控。

本發明第三目的，在於提供一種具備溺水定位以加快溺水救援速度的智慧深度學習溺水救生系統。達成本發明第三目的採用之技術手段，係包括影像擷取裝置、資訊處理裝置及救援模組。影像擷取裝置用以擷取水域之水上活動的水域影像。資訊處理裝置包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組，深度學習影像辨識模組具有內建複數種溺水特徵樣本影像的影像特徵資料庫，深度學習影像辨識模組用以將水域影像擷取處理為溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出有人溺水的辨識結果資訊，並輸出救援訊號。救援模組可受救援訊號的觸發而做出溺水警示、溺水通報以及溺水救援的其中一種運作。其中，該深度學習影像辨識模組包含一持續監控模式，執行該持續監控模式時，則將該水域內之每一該溺水求救特徵影像依序設定為代表一位泳者的識別碼，並於一時間軸內持續監及記錄各該泳者停留在該水域累計時間、潛入水底時間以及離開該水域的時間；當該泳者潛入水底的時間超過一第一預設時間且未浮出水面時，該資訊處理裝置則輸出代表有人溺水的該辨識結果資訊，並輸出該救援訊號；當該泳者停留在該水域的累計時間的時間超過一第二預設時間時，該資訊處理裝置則輸出必須離開該水域的驅離訊號；當該泳者離開該水域時，則解除對該泳者的監控。

1‧‧‧水域

10‧‧‧影像擷取裝置

20‧‧‧資訊處理裝置

21‧‧‧深度學習影像辨識模組

210‧‧‧深度學習模型

210a‧‧‧影像特徵資料庫

22‧‧‧區塊參數資料庫

30‧‧‧警示救援裝置

31‧‧‧顯示幕

圖1係本發明具體架構的部分剖視示意圖。

圖2係本發明具體架構的功能方塊示意圖

圖3係本發明深度學習模型的訓練階段的實施示意圖。

圖4係本發明深度學習模型的運行預測階段的實施示意圖。

圖5係本發明數種溺水表情特徵樣本影像的實施示意圖。

圖6係本發明數種溺水動作特徵樣本的實施示意圖。

圖7係本發明執行持續監控模式時發生溺水的實施示意圖。

圖8係本發明執行持續監控模式時發生溺水的實際座標位置示意圖。

為讓貴審查委員能進一步瞭解本發明整體的技術特徵與達成本發明目的之技術手段，玆以具體實施例並配合圖式加以詳細說明：請配合參看圖1~2所示，為達成本發明第一目的之具體實施例，係包括影像擷取裝置10、資訊處理裝置20及警示救援裝置30等技術特徵。影像擷取裝置10用以擷取一水域1(如水上樂園、海水浴場或是游泳池等)之水上活動的至少一水域影像。資訊處理裝置20(如電腦；或是雲端伺服器)包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，此深度學習影像辨識模組21建立至少一內建有複數種溺水特徵樣本影像的影像特徵資料庫210a。深度學習影像辨識模組21用以將水域影像中有人的影像部分擷取處理為涵蓋有臉部異常表情以及頭部及肢體異常狀態的溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫210a中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出代表有人溺水的辨識結果資訊，並輸出一救援訊號。警示救援裝置30(如警報裝置、自動報警系統、智慧型手機；或是遙控式水上救生設備等)可受救援訊號的觸發而啟動，以做出溺水警示、溺水通報；或是溺水救援的其中至少一種運作。具體的，該頭部及肢體異常狀態的判定條件係在該人於圓徑五公尺以內的一水域範圍且於20秒內未脫離該水域範圍的同時，該人有異常揮手動作、異常張嘴動作及/或異常頭部狀態該人有異常揮手動作、異常張嘴動作及/或異常頭部狀態。

此外，必須說明的是，溺水求救特徵影像可以自連續動態的水域影像擷取，擷取速度大約是每秒數張；或是1~3秒擷取1張影像；尤其是，用於擷取頭部及肢體異常狀態的溺水求救特徵影像更是需要較快的影像擷取速度，至於臉部異常表情的溺水求救特徵影像則用較慢的影像擷取速度即可。

承上所述，上述臉部異常表情可以是張嘴呼叫、痛苦、痛苦張嘴呼叫、痛苦無力呻吟、悲傷無助閉嘴或是張嘴哭泣等表情。至於上述頭部及肢體異常狀態的判定條件，是在該人於圓徑至少五公尺以內的水域範圍且於一第一預設時間(20秒)內未脫離該水域範圍的同時，該人有異常揮手動作、異常張嘴動作及/或異常頭部狀態。該異常頭部狀態係選自該的頭部高於水面不超過20公分且頭部相對水面呈上仰且呈現臉部異常表情以及頭部後腦勺朝上且於該水域範圍內的1公尺圓徑範圍內連續停滯超過10秒至少其中一種。該異常張嘴動作係選自該人張嘴的時間持續超過第二預設時間(2秒)或是張閉嘴的頻率為每秒0.5至5次。該異常揮手動作係選自該人的手臂超出水面揮擺的時間持續超過一第三預設時間(3秒)以及手臂於水面上拍打濺起水花的頻率為每秒3至5次的至少一種。該異常頭部狀態更選自該人的頭部相對水面上仰且載浮載沉的頻率超過每分鐘30次以上、頭部相對水面上仰且僅約五分之一以下的小面積臉部露出水面。異常揮手動作係選自雙手伸出水面不斷揮舞或顫抖的頻率超過每分鐘30次以上、雙手高舉相對頭部做左右揮擺的動作、仰單手伸出水面不斷揮手或顫抖的頻率超過每分鐘30次以上以及單手高舉相對頭部做左右或前後的旋擺動作至少其中一種。該臉部異常表情係選自皺眉的痛苦表情以及張大眼的驚恐表情至少其中一種。

於一種具體的實施例中，上述溺水特徵樣本影像係包含溺水表情特徵樣本影像，每一溺水表情特徵樣本影像設定有一對應的臉部異常表情識別資料(如圖3所示之影像辨識參數)；當深度學習影像辨識模組21接收到即時擷取之連續數張的溺水求救特徵影像時，則於影像特徵資料庫210a辨識出與溺水求救特徵影像之特徵符合的臉部異常表情識別資料，並輸出對應的表情識別訊號，再以警示救援裝置30之顯示幕31將表情識別訊號顯示為相應的表情識別資訊。而表情識別資訊可以是張嘴呼叫、痛苦、痛苦張嘴呼叫、痛苦無力呻吟、悲傷無助閉嘴或是張嘴哭泣的其中至少一種資訊。

如圖5~6所示，溺水特徵樣本影像包含溺水動作特徵樣本影像，每一該溺水動作特徵樣本影像設定有一對應的溺水動作識別資料(如圖3所示之影像辨識參數)；當該深度學習影像辨識模組21接收到即時擷取之連續數張的該溺水求救特徵影像時，則於影像特徵資料庫210a辨識出與溺水求救特徵影像之特徵符合的溺水動作識別資料，並輸出對應的溺水動作識別訊號，再以警示救援裝置30之顯示幕31將溺水動作識別訊號顯示為相應的溺水動作識別資訊。

具體的，上述溺水動作識別資訊可以是於圓徑至少五公尺以內的水域範圍且於一第一預設時間(1~2分鐘)內未脫離水域範圍、頭部高於水面不超過20公分且頭部相對水面呈上仰、張嘴的時間持續超過第二預設時間(2秒)；或是手臂超出水面揮擺的時間持續超過一第三預設時間(3秒)或是手臂於水面上拍打的頻率為每秒3至5次的至少一種頭部及肢體異常狀態；頭部相對水面上仰且滯留於圓徑五公尺以內的水域範圍的時間超過1 分鐘；頭部相對水面上仰且載浮載沉的頻率超過每分鐘30次以上；頭部相對水面上仰且僅約五分之一以下的小面積臉部露出水面；頭部相對水面上仰雙手伸出水面不斷揮舞或顫抖的頻率超過每分鐘30次以上；雙手高舉相對頭部做左右揮擺的動作；頭部相對水面上仰單手伸出水面不斷揮手或顫抖的頻率超過每分鐘30次以上；單手高舉相對頭部做左右或前後的旋擺動作；肢體奮力拍打水面濺起水花的時間超過1~3分鐘等動作；頭部遭他人按住沉入；肢體抽筋；危險生物靠近；遭到危險生物傷害；癱軟無力；或是肢體完全不動等動作識別資訊。

請參看圖3~4所示，深度學習影像辨識模組21執行時則包含下列步驟：

(a)訓練階段步驟，係建立有至少一包含該影像特徵資料庫210a的深度學習模型210，並於影像特徵資料庫210a輸入巨量的溺水特徵樣本影像及上述影像辨識參數，並由深度學習模型210測試影像辨識的正確率，再判斷影像辨識正確率是否足夠，當判斷結果為是，則將辨識結果輸出及儲存；當判斷結果為否，則使深度學習模型210自我修正學習。

(b)運行預測階段步驟，係於深度學習模型210輸入即時擷取之該溺水求救特徵影像，並由深度學習模型210進行預測辨識分析出辨識結果資訊。

請配合參看圖1~6、所示，為達成本發明第二目的之具體實施例，係包括影像擷取裝置10、資訊處理裝置20及警示救援裝置30等技術特徵。影像擷取裝置10，其用以擷取水域1之水上活動的至少一水域影像。資訊處理裝置20包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，深度學習影像辨識模組21建立至少一內建有複數種溺水特徵樣本影像的影像特徵資料庫210a，深度學習影像辨識模組21 用以將水域影像中有人的影像部分擷取處理為涵蓋有臉部異常表情以及頭部及肢體異常狀態的溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫210a中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出代表有人溺水的辨識結果資訊，並輸出一救援訊號。警示救援裝置30(如警報裝置、自動報警系統、智慧型手機；或是遙控式水上救生設備等)可受救援訊號的觸發而啟動，以做出溺水警示、溺水通報；或是溺水救援的其中至少一種運作。本實施例的主要部分在於，深度學習影像辨識模組21包含一持續監控模式，執行持續監控模式時，則該水域1內之每一溺水求救特徵影像依序設定為代表一位泳者的識別碼，並於一時間軸內持續監及記錄該泳者停留水域累計時間以及離開水域時間；當泳者停留水域1的累計時間超過2小時以上時，資訊處理裝置20則輸出必須離水域1的驅離訊號，然後當泳者離開水域1時，則解除該名泳者的監控。

請配合參看圖1~2、7及圖8所示，為達成本發明第三目的之具體實施例，係包括影像擷取裝置10、資訊處理裝置20及警示救援裝置30等技術特徵。影像擷取裝置10用以擷取一水域1之水上活動的至少一水域影像。資訊處理裝置20包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組21，深度學習影像辨識模組21建立至少一內建有複數種溺水特徵樣本影像的影像特徵資料庫210a，深度學習影像辨識模組21用以將水域影像中有人的影像部分擷取處理為涵蓋有臉部異常表情以及頭部及肢體異常狀態的溺水求救特徵影像，並將每一溺水求救特徵影像輸入至影像特徵資料庫210a中，以影像辨識出是否有與溺水求救特徵影像之特徵符合的溺水特徵樣本影像，影像辨識結果為是，則輸出代表有人溺水的辨識結果資訊，並輸出一救援訊號。警示救援裝置30(如警報裝置、自動報警系統、智慧型手機；或是遙控式水上救生設備等)可受救援訊號的觸發而啟動，以做出溺水警示、溺水通報；或是溺水救援的其中至少一種運作。本實施例的主要部分在於，深度學習影像辨識模組21更建立有一用以建立複數區塊座標定位參數資料的區塊參數資料庫22，深度學習影像辨識模組21輸入即時擷取之該水域影像時，則進行影像前處理並計算每一溺水求救特徵影像的重心座標，再將各重心座標結合區塊參數資料庫22後代入一影像定位法(如快速FMBI定位法)中，以計算出每一重心座標的實際座標位置，當水域1有人溺水時，資訊處理裝置20則依序輸出包含有溺水者實際座標位置的位置訊號以及上述救援訊號。

具體而言，本發明深度學習影像辨識模組21可以是一種卷積神經網路；但不以此為限，此卷積神經網路從影像擷取裝置10獲得水域影像後，經過影像預處理、特徵擷取、特徵選擇及特徵資料輸入，再到推理以及做出預測性辨識。另一方面，卷積神經網路的深度學習實質，是通過構建具有多個隱層的機器學習模型及海量訓練數據，來達到學習更有用的特徵，從而最終提升分類或預測的準確性。卷積神經網路利用海量訓練數據來學習特徵辨識，於此方能刻畫出數據的豐富內在訊息。由於卷積神經網路為一種權值共享的網路結構，所以除了可以降低網路模型的複雜度之外，並可減少權值的數量。此優點在網路的輸入是多維圖像時表現的更為明顯，使圖像可以直接作為網路的輸入，避免了傳統影像辨識演算法中複雜的特徵擷取與數據重建過程。物件分類方式幾乎都是基於統計特徵，這就意味著在進行分辨前必須提取某些特徵。卷積神經網路可避免顯式的特徵取樣，隱式地從訓練數據中進行學習。這使得卷積神經網路明顯有別於其他基於神經網路的分類器，通過結構重組與減少權值將特徵擷取功能融合進多層感知器。它可以直接處理灰度圖片，能夠直接用於處理基於圖像的分類。卷積網路較一般神經網路在圖像處理方面有如下優點：輸入圖像與網路的拓撲結構能很好的吻合；特徵擷取與模式分類同時進行，並同時在訓練中產生；權重共享可以減少網路的訓練參數，使神經網路結構變得更為簡單，適應性更強。

以上所述，僅為本發明之可行實施例，並非用以限定本發明之專利範圍，凡舉依據下列請求項所述之內容、特徵以及其精神而為之其他變化的等效實施，皆應包含於本發明之專利範圍內。本發明所具體界定於請求項之結構特徵，未見於同類物品，且具實用性與進步性，已符合發明專利要件，爰依法具文提出申請，謹請鈞局依法核予專利，以維護本申請人合法之權益。

1‧‧‧水域

10‧‧‧影像擷取裝置

20‧‧‧資訊處理裝置

30‧‧‧警示救援裝置

Claims

一種智慧深度學習溺水救生系統，其包括：至少一影像擷取裝置，其用以擷取一水域之水上活動的至少一水域影像；至少一資訊處理裝置，其包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組，該深度學習影像辨識模組建立至少一內建有複數種溺水特徵樣本影像的影像特徵資料庫，該深度學習影像辨識模組用以將該水域影像中有人的影像部分擷取處理為包含有頭部及肢體異常狀態的溺水求救特徵影像，並將每一該溺水求救特徵影像輸入至該影像特徵資料庫中，以影像辨識出是否有與該溺水求救特徵影像之特徵符合的該溺水特徵樣本影像，影像辨識結果為是，則輸出代表有人溺水的辨識結果資訊，並輸出一救援訊號；其中，該頭部及肢體異常狀態的判定條件係在該人於圓徑五公尺以內的一水域範圍且於20秒內未脫離該水域範圍的同時，該人有異常揮手動作、異常張嘴動作及/或異常頭部狀態；該異常揮手動作係選自該人的手臂超出水面揮擺的時間持續超過3秒及手臂於水面上拍打的頻率為每秒3至5次的至少其中一種；該異常張嘴動作係選自該人張嘴的時間持續超過2秒及張閉嘴的頻率為每秒0.5至5次的至少其中一種；該異常頭部狀態係選自該人的頭部相對該水域範圍的水面呈上仰且呈現臉部異常表情以及頭部後腦勺朝上且於該水域範圍內的1公尺圓徑範圍內連續停滯超過10秒至少其中一種；該臉部異常表情係選自皺眉的痛苦表情以及張大眼的驚恐表情至少其中一種；及一救援模組，其可受該救援訊號的觸發而啟動，以做出選自溺水警示、溺水通報以及溺水救援的其中至少一種運作。
如請求項1所述之智慧深度學習溺水救生系統，其中，該臉部異常表情更選自張嘴呼叫、痛苦張嘴呼叫、痛苦無力呻吟、悲傷無助閉嘴以及張嘴哭泣的其中至少一種臉部表情。
如請求項1所述之智慧深度學習溺水救生系統，其中，該該異常頭部狀態更選自該人頭部相對水面上仰且於該水域範圍內滯留的時間超過1分鐘、頭部相對水面上仰且載浮載沉的頻率超過每分鐘30次以上、頭部相對水面上仰且僅約五分之一以下的小面積臉部露出水面。
如請求項1所述之智慧深度學習溺水救生系統，其中，該異常揮手動作更選自該人的雙手伸出水面不斷揮舞或顫抖的頻率超過每分鐘30次以上、雙手高舉相對頭部做左右揮擺的動作、單手伸出水面不斷揮手或顫抖的頻率超過每分鐘30次以上以及單手高舉相對頭部做左右或前後的旋擺動作至少其中一種。
如請求項1所述之智慧深度學習溺水救生系統，其中，該深度學習影像辨識模組執行時則包含下列步驟：(a)訓練階段步驟，係建立有至少一包含該影像特徵資料庫的深度學習模型，並於該影像特徵資料庫輸入巨量的該溺水特徵樣本影像及影像辨識參數，並由該深度學習模型測試影像辨識的正確率，再判斷影像辨識正確率是否足夠，當判斷結果為是，則將辨識結果輸出及儲存；當判斷結果為否，則使該深度學習模型自我修正學習；及(b)運行預測階段步驟，係於該深度學習模型輸入即時擷取之該溺水求救特徵影像，並由該深度學習模型進行預測辨識分析出該辨識結果資訊。
如請求項1所述之智慧深度學習溺水救生系統，其中，該深度學習影像辨識模組包含一持續監控模式，執行該持續監控模式時，則將該水域內之每一該溺水求救特徵影像依序設定為代表一位泳者的識別碼，並於一時間軸內持續監及記錄各該泳者停留在該水域累計時間以及離開該水域的時間；當該泳者停留在該水域的累計時間超過二小時以上，該資訊處理裝置則輸出必須離開該水域的驅離訊號；當該泳者離開該水域時，則解除對該泳者的持續監控。
如請求項1所述之智慧深度學習溺水救生系統，其中，該深度學習影像辨識模組更建立有一用以建立複數區塊座標定位參數資料的區塊參數資料庫，該深度學習影像辨識模組輸入即時擷取之該水域影像時，則進行影像前處理並計算每一該溺水求救特徵影像的重心座標，再將各該重心座標結合該區塊參數資料庫後代入一影像定位法中，以計算出每一該重心座標的實際座標位置，當該水域有人溺水時，該資訊處理裝置則輸出包含有溺水者實際座標位置的位置訊號以及該救援訊號。
一種智慧深度學習溺水救生方法，其包括：提供至少一影像擷取裝置、至少一資訊處理裝置及一救援模組，其中，該資訊處理裝置包含一具備深度學習訓練功能以執行影像辨識的深度學習影像辨識模組；以該影像擷取裝置擷取一水域之水上活動的至少一水域影像；於該深度學習影像辨識模組建立至少一內建有複數種溺水特徵樣本影像的影像特徵資料庫，該深度學習影像辨識模組用以將該水域影像中包含有人的影像部分擷取處理為涵蓋有臉部異常表情以及頭部及肢體異常狀態的溺水求救特徵影像，並將每一該溺水求救特徵影像輸入至該深度學習影像辨識模組中，以於該影像特徵資料庫影像辨識分析出是否有與該溺水求救特徵影像之特徵符合的該溺水特徵樣本影像，辨識分析結果為是，則輸出代表有人溺水的辨識結果資訊，並輸出一救援訊號；及一救援模組，其可受該救援訊號的觸發而啟動，以做出係選自警示、通報以及救援的其中一種運作。
如請求項8所述之智慧深度學習溺水救生方法，其中，該溺水特徵樣本影像包含溺水表情特徵樣本影像，每一該溺水表情特徵樣本影像設定有一對應的臉部異常表情識別資料；當該深度學習影像辨識模組接收到即時擷取之連續數張的該溺水求救特徵影像且於該影像特徵資料庫辨識出與該溺水求救特徵影像之特徵符合的該臉部異常表情識別資料時，則輸出對應的表情識別訊號，再以該救援模組之一顯示幕將該表情識別訊號顯示為相應的表情識別資訊。