【技术实现步骤摘要】
行为预警方法、装置、电子设备及存储介质
[0001]本申请涉及深度学习
，尤其涉及一种行为预警方法、装置、电子设备及存储介质。
技术介绍
[0002]目前，实验室在高校和某些领域的企业单位中普遍存在，其潜在的危险性有目共睹。当实验者操作不规范比如液体药品倾倒不规范、固体药品取用不规范、头部与药品的距离太近等，或者实验者佩戴不规范比如未佩戴护目镜、口罩、手套等，都会给实验者带来安全隐患，因此，对实验者的行为进行预警成为一个不容忽视的问题。
[0003]现有的实验者的行为预警方式，通常是通过摄像头采集的人体图像来识别人体姿态，再通过人体姿态判断实验者的行为是否规范。然而，通过这种方式识别到的人体姿态容易受光线、遮挡物等因素的影响，导致人体姿态的准确度较低。并且，现有技术只是单纯的对人体姿态进行识别，并不未对实验者的佩戴进行判断，因而现有的实验者的行为预警方式准确度较低，存在较大的安全隐患。
技术实现思路
[0004]本申请提供了一种行为预警方法、装置、电子设备及存储介质，以解决现有的实验者的行为预警...
【技术保护点】
【技术特征摘要】
1.一种行为预警方法，其特征在于，所述方法包括：获取目标区域内目标对象的光学特征图和热力特征图；将所述光学特征图和所述热力特征图输入至预先训练的第一网络模型，得到所述目标对象的姿态，并将所述光学特征图输入至预先训练的第二网络模型，得到所述目标对象的佩戴对象的佩戴情况；分别判断所述目标对象的姿态和所述目标对象的佩戴对象的佩戴情况是否与预设规范相匹配；在所述目标对象的姿态与所述预设规范不匹配，或者所述目标对象的佩戴对象的佩戴情况与所述预设规范不匹配的情况下，对所述目标对象的行为进行预警。2.根据权利要求1所述的方法，其特征在于，所述第一网络模型包括第一网络层、第一卷积层、第一池化层、反卷积层和全连接层；所述将所述光学特征图和所述热力特征图输入至预先训练的第一网络模型，得到所述目标对象的姿态，包括：将所述光学特征图输入至所述第一网络层进行姿态识别，得到所述目标对象的姿态关键点的置信图，其中，所述光学特征图和所述热力特征图均携带有时间戳；将融合后的特征图输入至所述第一卷积层进行卷积计算，得到第一中间特征图，所述融合后的特征图是根据所述时间戳，将具有相同时间戳的所述热力特征图和所述光学特征图所对应的所述置信图进行融合后得到；将所述第一中间特征图输入至所述第一池化层进行池化，得到第二中间特征图；将所述第二中间特征图输入至所述反卷积层进行反卷积计算，得到第三中间特征图；将所述第三中间特征图输入至所述全连接层进行数据向量化，并根据得到的向量进行分类，得到所述目标对象的姿态。3.根据权利要求1所述的方法，其特征在于，所述第二网络模型包括编码层和解码层；所述将所述光学特征图输入至预先训练的第二网络模型，得到所述目标对象的佩戴对象的佩戴情况，包括：将所述光学特征图输入至所述编码层进行编码，得到融合有多个感受野的第四中间特征图；将所述第四中间特征图输入至所述解码层进行解码，得到所述目标对象的佩戴对象的佩戴情况。4.根据权利要求3所述的方法，其特征在于，所述编码层包括第一融合层和具有不同权重系数的多个第二卷积层，不同所述第二卷积层对应的卷积核的大小不同，且所述第二卷积层对应的卷积核的大小和第二卷积层对应的权重系数成反比；所述将所述光学特征图输入至所述编码层进行编码，得到融合有多个感受野的第四中间特征图，包括：将所述光学特征图分别输入至多个所述第二卷积层进行卷积计算，得到多个感受野对应的特征图；将所述多个感受野对应的特征图输入至所述第一融合层进行特征融合，得到所述第四中间特征图。5.根据权利要求3所述的方法，其特征在于，所述解码层包括第二融合层、分类器层、多
个串联连接的第一子解码层和多个串联连接的第二子解码层，多个所述第二子解码层串联在多个所述第一子解码层之后；其中，每个所述第一子解码层包括第二池化层和第三卷积层，每个所述第二子解码层包括上采样层和第四卷积层；所述将所述第四中间特征图输入至所述解码层进行解码，得到所述目标对象的佩戴对象的佩戴情况，包括：将所述第四中间特征图依次输入至多个所述第一子解码层和多个所述第二子解码层进行解码，得到每个所述第一子解码层和每个所述第二子解码层对应的第五中间特征图；将所述第五中间特征图输入至所...
【专利技术属性】
技术研发人员：陈彪，熊海飞，
申请(专利权)人：深圳市信润富联数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。