一种疫情防控方法、设备及介质技术

本申请公开了一种疫情防控方法、设备及介质，包括：将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层；若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。在本申请实施例中，疫情防疫系统可以通过疫情检测模型，判断出入人员是否佩戴疫情相关的防护设备，进而保证出入人员的防疫安全，可以提高检测速度；此外，本申请实施例通过疫情防疫系统检测出入人员是否佩戴疫情相关的防护设备，避免检测人员与出入人员接触，可以更好的保护检测人员不被疫情感染。

【技术实现步骤摘要】
一种疫情防控方法、设备及介质
本申请涉及计算机
，尤其涉及一种疫情防控方法、设备及介质。
技术介绍
在疫情发生期间，为了更好的进行疫情防控，进出小区、商场等人员密集的地方需要佩戴疫情相关的防护设备。现有技术中，大都采用人工检查的方式，在小区、商场等人员密集的地方检查出入人员是否佩戴疫情相关的防护设备，但这种方式效率较低，而且检查人员也有感染的风险。因此，需要一种更加安全、快速的方法，在小区、商场等人员密集的地方检查出入人员是否佩戴疫情相关的防护设备。
技术实现思路
有鉴于此，本申请实施例提供了一种疫情防控方法、设备及介质，用于解决
技术介绍
中存在的问题。本申请实施例采用下述技术方案：本申请实施例提供一种疫情防控方法，所述方法包括：将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层；若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。进一步的，所述将出入人员的图像输入至预先训练的疫情检测模型之前，所述方法还包括：获取样本集，其中，所述样本集包括多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像；根据样本集中的图像是否佩戴疫情相关防护设备进行标注；建立初始的疫情检测模型；根据标注后的样本集训练初始的疫情检测模型，得出符合预设条件的疫情检测模型。进一步的，所述获取样本集之后，所述方法还包括：将多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像进行降噪、二值化、字符切分以及归一化处理，并将处理后的多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像输入图像处理器，以便于得出预设尺寸的多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像。进一步的，所述根据标注后的样本集训练初始的疫情检测模型，得出符合预设条件的疫情检测模型，具体包括：将标注后的样本集按照预先设定的比例划分为训练测试集与验证集；根据十折交叉验证法队训练测试集进行验证和划分，将第一预设比例的所述训练测试集划分为测试集，并将第二预设比例的所述训练测试集划分为训练集根据所述训练集与所述测试集训练初始的疫情检测模型；根据投票法筛选通过所述训练集与所述测试集训练出的第一疫情检测模型，将所述验证集输入至第一疫情检测模型，并根据代价函数确定出第一疫情检测模型的代价值；若所述代价值处于预设阈值，所述第一疫情检测模型为符合条件的疫情检测模型。进一步的，所述根据所述训练集与所述测试集训练初始的疫情检测模型，具体包括：将所述训练集与所述测试集中的图像输入至初始的疫情检测模型，经过多次卷积操作、多次池化操作及全连接操作，并通过预先建立的代价函数输出多个预测结果。进一步的，所述将所述训练集与所述测试集中的图像输入至初始的疫情检测模型，经过多次卷积操作、多次池化操作及全连接操作，并通过预先建立的代价函数输出多个预测结果，具体包括：将所述训练集与所述测试集中的图像输入至初始的疫情检测模型后，第一，经过64个尺寸为3x3的卷积核作两次卷积操作；第二，经过尺寸为2x2的池化操作；第三，经过128个尺寸为3x3的卷积核作两次卷积操作；第四，经过尺寸为2x2的池化操作；第五，经过256个尺寸为3x3的卷积核作三次卷积操作；第六，经过尺寸为2x2的池化操作；第七，经过512个尺寸为3x3的卷积核作三次卷积操作；第八，经过尺寸为2x2的池化操作；第九，经过512个尺寸为3x3的卷积核作三次卷积操作；第十，经过尺寸为2x2的池化操作；第十一，与两层1x1x4096，一层1x1x1000和一层1x1x2进行全连接操作；第十二，通过所述代价函数输出多个预测结果。进一步的，所述代价函数为归一化指数函数。进一步的，所述建立初始的疫情检测模型之后，所述方法还包括：根据batch-normal、prelu激活函数或dropout对初始的疫情检测模型进行优化。本申请实施例还提供一种疫情防控设备，所述设备包括：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指令，所述指令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：将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层；若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。本申请实施例还提供一种疫情防控介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层；若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：在本申请实施例中，疫情防疫系统可以通过疫情检测模型，判断出入人员是否佩戴疫情相关的防护设备，进而保证出入人员的防疫安全，可以提高检测速度；此外，本申请实施例通过疫情防疫系统检测出入人员是否佩戴疫情相关的防护设备，避免检测人员与出入人员接触，可以更好的保护检测人员不被疫情感染。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本说明书实施例一提供的一种疫情防控方法的流程示意图；图2为本说明书实施例二提供的一种疫情防控方法的流程示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。以下结合附图，详细说明本申请各实施例提供的技术方案。图1为本说明书实施例一提供的一种疫情防控方法的流程示意图，本说明书实施例可以由疫情防疫系统执行下述步骤，具体包括：步骤S101，疫情防疫系统将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层。步骤S102，疫情防疫系统若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。在本申请实施例中，疫情防疫系统可以通过疫情检测模型，判断出入人员是否佩戴疫情相关的防护设备，进而保证本文档来自技高网...

【技术保护点】
1.一种疫情防控方法，其特征在于，所述方法包括：/n将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层；/n若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。/n

【技术特征摘要】
1.一种疫情防控方法，其特征在于，所述方法包括：
将出入人员的图像输入至预先训练的疫情检测模型，以便判断所述出入人员是否佩戴疫情相关的防护设备，其中，所述疫情检测模型包括卷积层、池化层以及全连接层；
若确定出所述出入人员未佩戴疫情相关的防护设备，提示所述出入人员佩戴疫情相关的防护设备。


2.根据权利要求1所述的疫情防控方法，其特征在于，所述将出入人员的图像输入至预先训练的疫情检测模型之前，所述方法还包括：
获取样本集，其中，所述样本集包括多个佩戴疫情相关防护设备的图像与多个未佩戴疫情相关防护设备的图像；
根据样本集中的图像是否佩戴疫情相关防护设备进行标注；
建立初始的疫情检测模型；
根据标注后的样本集训练初始的疫情检测模型，得出符合预设条件的疫情检测模型。


3.根据权利要求2所述的疫情防控方法，其特征在于，所述根据标注后的样本集训练初始的疫情检测模型，得出符合预设条件的疫情检测模型，具体包括：
将标注后的样本集按照预先设定的比例划分为训练测试集与验证集；
根据十折交叉验证法队训练测试集进行验证和划分，将第一预设比例的所述训练测试集划分为测试集，并将第二预设比例的所述训练测试集划分为训练集
根据所述训练集与所述测试集训练初始的疫情检测模型；
根据投票法筛选通过所述训练集与所述测试集训练出的第一疫情检测模型，将所述验证集输入至第一疫情检测模型，并根据代价函数确定出第一疫情检测模型的代价值；
若所述代价值处于预设阈值，所述第一疫情检测模型为符合条件的疫情检测模型。


4.根据权利要求3所述的疫情防控方法，其特征在于，所述根据所述训练集与所述测试集训练初始的疫情检测模型，具体包括：
将所述训练集与所述测试集中的图像输入至初始的疫情检测模型，经过多次卷积操作、多次池化操作及全连接操作，并通过预先建立的代价函数输出多个预测结果。


5.根据权利要求4所述的疫情防控方法，其特征在于，所述将所述训...

【专利技术属性】
技术研发人员：戴鸿君，金长新，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东;37