一种护理动作考核方法及系统技术方案

本申请公开了一种护理动作考核方法，包括采集护理员的动作图像，将动作图像输入到考核模型中，考核模型进行相应的分析，得到考核结果；其中，考核模型为利用历史动作图像，对卷积神经网络进行训练得到的。可见，本申请利用由卷积神经网络训练而成的考核模型，对护理员的动作图像进行分析，从而得到诊断结果，无需再由人工对护理员的动作进行考核，避免了人为因素的干扰，提供了一种快速且精准的考核方法。另外，本申请还相应公开了一种护理动作考核系统。

【技术实现步骤摘要】
一种护理动作考核方法及系统
本专利技术涉及人工神经网络领域，特别涉及一种护理动作考核方法及系统。
技术介绍
随着社会的发展，伴随着我国独生子女政策的实施，我国人口结构发生变化，更多的老年人需要养老护理，而社会却难以满足需求，为此，市场中出现大量的养老护理机构，一时间养老护理员的岗位需求大大增加。现有的养老培训机构最终的考核都是单纯依赖于人为上的考核方式，由人工的评委在护理员考核过程中对考生的各种动作进行评价、比对、分析，难以达到准确无误的分析并且给出公平的打分，例如，在最基本的给老人穿脱衣动作中，因为此套动作的复杂性，单纯人为的进行监视难免会有对护理员某些动作没做到位而疏忽掉，难以达到合格的监控以及给出正确无误的评价。所以，为了提高培养出一名合格的护理员的质量，提供一种快速且精准的考核方法，成为了可研究方向。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种护理动作考核方法及系统，提供一种快速且精准的考核方法。其具体方案如下：一种护理动作考核方法，包括：采集护理员的动作图像，将所述动作图像输入到考核模型中，所述考核模型进行相应的分析，得到考核结果；其中，所述考核模型为利用历史动作图像，对卷积神经网络进行训练得到的。优选的，所述采集护理员的动作图像的过程，包括：采集护理员的原始动作图像，对所述原始动作图像进行格式转换，得到所述动作图像。优选的，所述考核模型得到过程，包括：预先搭建卷积神经网络；利用所述历史动作图像和与所述历史动作图像相应的标签，对所述卷积神经网络进行训练，得到所述考核模型；其中，所述标签标记所述历史动作图像的类别。优选的，所述卷积神经网络包括：依次连接的第一卷积层、第一最大池化层、第一响应归一化、第二卷积层、第二响应归一化、第二最大池化层、第一全连接层、第二全连接层和多项式逻辑回归层。优选的，所述将所述动作图像输入到考核模型中，所述考核模型进行相应的计算，得到考核结果的过程，包括：将所述动作图像输入到用户终端的考核模型中进行分析，得到初步考核结果；将所述初步考核结果发送至云服务器的考核模型中进行分析，得出考核结果。本专利技术还公开了一种护理动作考核系统，包括：采集模块，用于采集护理员的动作图像；考核模块，用于将所述动作图像输入到考核模型中，所述考核模型进行相应的分析，得到考核结果；其中，所述考核模型为利用历史动作图像，对卷积神经网络进行训练得到的。优选的，所述采集模块，包括：采集单元，用于采集护理员的原始动作图像；转换单元，用于对所述原始动作图像进行格式转换，得到所述动作图像。优选的，所述考核模块，包括：搭建单元，用于预先搭建卷积神经网络；训练单元，用于利用所述历史动作图像和与所述历史动作图像相应的标签，对所述卷积神经网络进行训练，得到所述考核模型；其中，所述标签标记所述历史动作图像的类别。优选的，所述考核模块，包括：第一分析单元，用于将所述动作图像输入到用户终端的考核模型中进行分析，得到初步考核结果；第二分析单元，用于将所述初步考核结果发送至云服务器的考核模型中进行分析，得出考核结果。本专利技术中，护理动作考核方法，包括采集护理员的动作图像，将动作图像输入到考核模型中，考核模型进行相应的分析，得到考核结果；其中，考核模型为利用历史动作图像，对卷积神经网络进行训练得到的。可见，本专利技术利用由卷积神经网络训练而成的考核模型，对护理员的动作图像进行分析，从而得到诊断结果，无需再由人工对护理员的动作进行考核，避免了人为因素的干扰，提供了一种快速且精准的考核方法。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种护理动作考核方法流程示意图；图2为本专利技术实施例提供的另一种护理动作考核方法流程示意图；图3为本专利技术实施例提供的一种护理动作考核系统结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术实施例公开了一种护理动作考核方法，参见图1所示，该方法包括：步骤S11：采集护理员的动作图像。具体的，采集护理员做出护理动作时的动作图像，可以由考核员在护理员做出护理动作时发出采集指令，以采集到护理员做出护理动作时的动作图像，也可以采用用定时采集的方式进行采集，可以通过设定间隔时间和采集时间实现，其中，间隔时间，用于每隔一段时间开始进行动作图像的采集，在此期间护理员可以为接下来的动作做准备，采集时间，用于在此时间内对对护理员的动作进行图像采集，得到动作图像，例如，设定间隔时间为5分钟，采集时间为10分钟，每隔5分钟采集护理员一共10分钟的动作，当然，采集时间可以根据护理员执行不同动作而采用不同时间。步骤S12：将动作图像输入到考核模型中，考核模型对动作图像进行相应的分析，得到考核结果。具体的，将采集到的动作图像输入到考核模型中，考核模型利用卷积神经网络算法，对动作图像进行相应的分析，判别出动作图像是否符合标准，从而得到考核结果。其中，考核模型为预先利用历史动作图像，对卷积神经网络进行训练得到的，首先预先搭建卷积神经网络，搭建的卷积神经网络可以包括依次相连的卷积层、最大池化层、局部响应归一化、全连接层和多项式逻辑回归层，再利用大量的历史动作图像和与历史动作图像相应的标签，对卷积神经网络进行训练，使卷积神经网络习得每一种动作的判断标准，从而得到考核模型，可以理解的是，考核模型为可以复用，在样本库或判断标准不发生改变时，不用再对考核模型进行重新训练；其中，标签用于标记历史动作图像的类别，例如，标记该历史动作图像为脱衣动作的标准动作。可见，本专利技术实施例利用由卷积神经网络训练而成的考核模型，对护理员的动作图像进行分析，从而得到诊断结果，无需再由人工对护理员的动作进行考核，避免了人为因素的干扰，提供了一种快速且精准的考核方法。本专利技术实施例公开了一种具体的护理动作考核方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。参见图2所示，具体的：步骤S21：采集护理员的原始动作图像，对原始动作图像进行格式转换，得到动作图像。由于，考核模型对于分析的图像有着一定的格式要求，直接采集到的动作图像可能与考核模型不兼容，因此需要将动作图像格式进行转换，变为考核模型兼容的格式。具体的，采集未经处理的护理员的原始动作图像，对原始动作图像进行格式转换，使转换后的图像满足考核模型的格式要求，得到动作图像。步骤S22：将动作图像输入到用户终端的考核模型中进行分析，得到初步考核结果。具体的，采集护理员的动作图像时，可能会采集到大量的无用图片和非关键图片，可能占到总图片数量的三分之二，其中，无用图片为考核模型无法进行识别的图像，例如，分辨率过低的图像，非关键图片为护理员在进行护理动作时的非关键性动作，即，考核模型不对此类图像进行判断，为此，将采集到的动作图像先发送至用户终本文档来自技高网...

【技术保护点】
一种护理动作考核方法，其特征在于，包括：采集护理员的动作图像，将所述动作图像输入到考核模型中，所述考核模型进行相应的分析，得到考核结果；其中，所述考核模型为利用历史动作图像，对卷积神经网络进行训练得到的。

【技术特征摘要】
1.一种护理动作考核方法，其特征在于，包括：采集护理员的动作图像，将所述动作图像输入到考核模型中，所述考核模型进行相应的分析，得到考核结果；其中，所述考核模型为利用历史动作图像，对卷积神经网络进行训练得到的。2.根据权利要求1所述的护理动作考核方法，其特征在于，所述采集护理员的动作图像的过程，包括：采集护理员的原始动作图像，对所述原始动作图像进行格式转换，得到所述动作图像。3.根据权利要求1所述的护理动作考核方法，其特征在于，所述考核模型得到过程，包括：预先搭建卷积神经网络；利用所述历史动作图像和与所述历史动作图像相应的标签，对所述卷积神经网络进行训练，得到所述考核模型；其中，所述标签标记所述历史动作图像的类别。4.根据权利要求1所述的护理动作考核方法，其特征在于，所述卷积神经网络包括：依次连接的第一卷积层、第一最大池化层、第一响应归一化、第二卷积层、第二响应归一化、第二最大池化层、第一全连接层、第二全连接层和多项式逻辑回归层。5.根据权利要求1至4任一项所述的护理动作考核方法，其特征在于，所述将所述动作图像输入到考核模型中，所述考核模型进行相应的计算，得到考核结果的过程，包括：将所述动作图像输入到用户终端的考核模型...

【专利技术属性】
技术研发人员：黄伟杰，黄英，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44