基于机器视觉的医疗结构智能安监制造技术

本发明专利技术涉及智能安监技术领域，具体地说，涉及基于机器视觉的医疗结构智能安监。其包括信息获取单元、目标检测单元、边界框提取单元、姿态估计单元和数据增强单元；信息获取单元用于获取人体姿态的信息；目标检测单元用于将所述信息获取单元获取的信息进行目标检测，得到人体检测边界框；边界框提取单元用于将所述目标检测单元的人体检测边界框进行信息提取；姿态估计单元用于去除所述边界框提取单元中姿态估计的姿态提议，得到唯一确定的人体检测边界框；数据增强单元用于训练集标注的姿态来进行密集的采样，本发明专利技术以提高了智能安监的准确性与速度，使用数据增强的方法处理数据，对老人的运动姿态进行检测，提高安全性能。

【技术实现步骤摘要】
基于机器视觉的医疗结构智能安监
本专利技术涉及智能安监
，具体地说，涉及基于机器视觉的医疗结构智能安监。
技术介绍
我国自1990年以来已经慢慢进入了老龄时代，随着老龄人口的迅速增多，这将会导致老龄化人口在全国人口的占比大幅增加，经过近年来中国社会学家的研究表明，我国即将步入“老龄社会”，但由于我国各省份地区之间的差异，很多地区省份已经正式进入“老龄社会”.这种老龄化情况将会持续给我国的医疗，社会，政商等多方面造成极其大的挑战，由于老年人的身体原因，65周岁及其以上的老年人较为容易因意外发生跌倒等情况，而老年人因行动不便，特别是居家独处的老龄人员是无法及时获得帮助的，有可能会导致长时间跌倒，对老龄人员来说，长时间摔倒会对老人身体健康造成不可磨灭的伤害，另外对于老龄化问题的趋于严重化，我国的医疗等资源必然会出现供不应求等现象，鉴于此，我们提出基于机器视觉的医疗结构智能安监。
技术实现思路
本专利技术的目的在于提供基于机器视觉的医疗结构智能安监，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供基于机器视觉的医疗结构智能安监，包括信息获取单元、目标检测单元、边界框提取单元、姿态估计单元和数据增强单元；信息获取单元用于获取人体姿态的信息，可以通过信息源的图像和摄像头对人体姿态的信息进行采集；目标检测单元用于将信息获取单元获取的信息进行目标检测，得到人体检测边界框；边界框提取单元用于将目标检测单元的人体检测边界框进行信息提取；姿态估计单元用于去除边界框提取单元中姿态估计的姿态提议，得到唯一确定的人体检测边界框，通过选取概率最大的姿态作为参考，并且根据消除法则来进行姿态消除，多次重复直到每个人体检测边界框都是唯一确定出现的即可，达到上述要求，此时即已经完成此模块的全部操作，则不会再存在多余现象，以提高智能安监的准确性与速度；数据增强单元用于训练集标注的姿态来进行密集的采样，得到巨大样本，用于训练，得到数据增强后生成姿态提议，使用数据增强的方法处理数据，再进行训练，以使得模型准确性增加，有利于对老人的运动姿态进行检测，提高安全性能。本实施例中的，信息获取单元包括图像采集模块、数据传输模块和数据显示模块；图像采集模块用于记录图像和视频；数据传输模块用于将图像采集模块记录的图像和视频通过图像信号通道进行数据传输；数据显示模块用于接收数据传输模块的数据，显示图像采集模块记录的图像和视频。作为本技术方案的进一步改进，目标检测单元采用SSD目标检测算法，SSD目标检测算法包括以下步骤：①、采用scale来进行像素级采样；②、使用卷积网络算法提取其特征，进而进行分类；可以进行各种尺度的特征图采取，其中较大的用于检测小的物体范围，较小的用于检测大的物体范围，因此其对不同大小的目标检测均支持良好，采用了不同尺度比例的先验框，可以在一定程度上相对的减少训练的难度，其检测的精确度与速度要高于其他的优异算法。作为本技术方案的进一步改进，卷积网络算法包括以下姿态：姿态一、卷积核个数：当卷积层中有n个特征提取卷积核时，一张输入图片会生成n张特征图；姿态二、卷积方法：一般卷积神经网络中使用补卷积或者有效卷积；补卷积会在当卷积核移动到图像边界时，对边界外进行补操作；有效卷积则卷积核只在图片内部滑动；姿态三、步长：卷积核每次移动的间隔称为步长，当使用有效卷积且步长为时，特征图的尺度大小为：其中，M为特征图的维度，N为大小和输入图片的尺度，m为卷积核的尺度，n为个数s为滑动步长。作为本技术方案的进一步改进，边界框提取单元包括对称空间变换模块、并行单人姿态估计模块和空间反变换模块；对称空间变换模块用于自动选取人体检测边界框；并行单人姿态估计模块用于减小对称空间变换模块的比按揭狂的误差；空间反变换模块用于实现对边界框的调整，人体姿态估计结果整合到信息源中，以达到使人体检测边界框变精准的目的；对称空间变换模块能够自行选择目标可能存在的所有位置，且表现优秀，使用对称空间变换模块来自动选取一个较好的人体检测边界框，但是当经过并行单人姿态估计模块之后，即需要将人体姿态估计结果整合到信息源中去，因此会需要一个空间反变换模块得到参数用于反变换来实现这部分功能，通过目标检测得到的不精确的人体检测边界框可以实现对边界框的调整，以达到使人体检测边界框变精准的目的，另外为进一步的帮助对称空间变换模块减小比按揭狂的误差，会根据数据集来指定出标签的中心，其权重是固定的，即通过将并行单人姿态估计模块的输出直接的与真实值做对比，将其得到的误差反向传播到对称空间变换模块中，如果对称空间变换模块得到的不是一个中心位置的人体检测边界框，则会有比较大的误差产生，通过降低这个误差，研究可以更好的帮助对称空间变换模块得到较好的人体检测边界框，当然，这部分的内容仅仅只会在训练阶段使用，在测试阶段并不会被使用，简而言之，这一部分的内容可以被看作是训练阶段的一个正则化过程，以减少局部最优，提高模型的性能，是采用了变换的方法来将尽量消除由于目标检测输出的人类检测边界框不准确而造成的严重后果。作为本技术方案的进一步改进，姿态估计单元包括以下姿态：姿态一、单人姿态估计，采用堆叠沙漏网络结构，可以在第一行从左到右把两个单个沙漏模型命名H1和H2，当研究通过第一个沙漏网络H1后，提取出了一个与原信息源同大小的模块，其将会拆分为两个分支，其一为通过再来一次的对称空间变换模块网格来输入到下一个沙漏网络，其二为先经过蓝色模块得到热图，再经过一次的卷积来与上一部分合并来输入到下一个沙漏网络H2，其中蓝色部分的热图由于其深度与输入的源数据流相同，而其他的模块均具有较高的深度，所以蓝色部分的热图较为窄一些，将于经过每个沙漏网络都产生一个热图作为预测输出，因此，只要研究将每个沙漏网络产生的的蓝色模块，即热图，参与到损失计算中去，就可以使得中间监督产生效果，采用这样的中间监督方法时，其预测的准确度远远优于仅仅使用最后一个模块的，不使用中间监督方法的情况；姿态二、多人姿态估计，采用的AlphaPose方法，人体姿态估计领域有几种很重要的方法被用于解决问题，其一为top-down方法，其二为bottom-up方法.在这里仔细解释一下两种思路方法的具体流程和优缺点，top-down是先进行多人到单人的图像分割，然后再独立的检测每一个单人的人体姿态，从而进行人体姿态估计，最后再将其估计结果放回原图中去，bottom-up是首先检测出图像中的各个关键点，然后再通过拼接以得到多个人的姿态估计.对于第一种方法，其受限于人体检测框的质量，当研究获得的人体姿态框误差较大时，可能会对多人姿态估计整体的性能造成巨大影响，对于第二种方法，当研究的信息源的多个人之中的有距离较近的人时，此种方法将会容易出现拼接错误的情况，另外这种方法是通过部件之间的关系来进行拼接完成的，很明显的是，由于是局部的拼接完成，其难以获得全局信息，失去了对于全局信息的把握，本文档来自技高网...

【技术保护点】
1.基于机器视觉的医疗结构智能安监，其特征在于：包括信息获取单元(100)、目标检测单元(200)、边界框提取单元(300)、姿态估计单元(400)和数据增强单元(500)；/n所述信息获取单元(100)用于获取人体姿态的信息；/n所述目标检测单元(200)用于将所述信息获取单元(100)获取的信息进行目标检测，得到人体检测边界框；/n所述边界框提取单元(300)用于将所述目标检测单元(200)的人体检测边界框进行信息提取；/n所述姿态估计单元(400)用于去除所述边界框提取单元(300)中姿态估计的姿态提议，得到唯一确定的人体检测边界框；/n所述数据增强单元(500)用于训练集标注的姿态来进行密集的采样。/n

【技术特征摘要】
1.基于机器视觉的医疗结构智能安监，其特征在于：包括信息获取单元(100)、目标检测单元(200)、边界框提取单元(300)、姿态估计单元(400)和数据增强单元(500)；
所述信息获取单元(100)用于获取人体姿态的信息；
所述目标检测单元(200)用于将所述信息获取单元(100)获取的信息进行目标检测，得到人体检测边界框；
所述边界框提取单元(300)用于将所述目标检测单元(200)的人体检测边界框进行信息提取；
所述姿态估计单元(400)用于去除所述边界框提取单元(300)中姿态估计的姿态提议，得到唯一确定的人体检测边界框；
所述数据增强单元(500)用于训练集标注的姿态来进行密集的采样。


2.根据权利要求1所述的基于机器视觉的医疗结构智能安监，其特征在于：所述信息获取单元(100)包括图像采集模块(110)、数据传输模块(120)和数据显示模块(130)；
所述图像采集模块(110)用于记录图像和视频；
所述数据传输模块(120)用于将图像采集模块(110)记录的图像和视频通过图像信号通道进行数据传输；
所述数据显示模块(130)用于接收数据传输模块(120)的数据，显示所述图像采集模块(110)记录的图像和视频。


3.根据权利要求1所述的基于机器视觉的医疗结构智能安监，其特征在于：所述目标检测单元(200)采用SSD目标检测算法，所述SSD目标检测算法包括以下步骤：
①、采用scale来进行像素级采样；
②、使用卷积网络算法提取其特征，进而进行分类。


4.根据权利要求3所述的基于机器视觉的医疗结构智能安监，其特征在于：所述卷积网络算法包括以下姿态：
姿态一、卷积核个数：当卷积层中有n个特征提取卷积核时，一张输入图片会生成n张特征图；
姿态二、卷积方法：一般卷积神经网络中使用补0卷积或者有效卷积；补0卷积会在当卷积核移动到图像边界时，对边界外进行补0操作，有效卷积则卷积核只在图片内部滑动；
姿态三、步长：卷积核每次移动的间隔称为步长，当使用有效卷积且步长为1时，特征图的尺度大小为：



其中，M为特征图的维度，N为大小和输入图片的尺...

【专利技术属性】
技术研发人员：成程，李智豪，郑年年，
申请(专利权)人：无锡洛希极限科技有限公司，
类型：发明
国别省市：江苏;32