本发明专利技术提供了一种姿态检测方法、神经网络模型的训练方法及其装置，该姿态检测方法包括：检测用户当前状态；获取与所述用户当前状态对应的姿态检测模式；采集用户当前图像；基于所述姿态检测模式，对所述用户当前图像进行分析，以得到所述用户的姿态信息。实现了根据用户不同状态采用不同的姿态检测模式，进而实现了对不同状态下用户姿态的检测。解决了相关技术中无法有效进行跌倒、坠床风险检测的技术问题。问题。问题。
【技术实现步骤摘要】
姿态检测方法、神经网络模型的训练方法及其装置
[0001]本专利技术涉及活体检测
，具体涉及一种姿态检测方法、神经网络模型的训练方法及其装置。
技术介绍
[0002]居家状态中的老、幼、病、残、孕等群体有较高的跌倒、坠床风险，相关检测技术的实现对于这类人群的身体安全具有重大的积极意义。目前，尚没有一种有效进行跌倒、坠床风险检测的方案。
技术实现思路
[0003]本专利技术的目的在于克服上述技术不足，提供一种姿态检测方法、神经网络模型的训练方法及其装置，以解决相关技术中无法有效进行跌倒、坠床风险检测的技术问题。
[0004]为达到上述技术目的，本专利技术采取了以下技术方案：
[0005]根据本专利技术的一个方面，提供了一种姿态检测方法，包括：检测用户当前状态；获取与所述用户当前状态对应的姿态检测模式；采集用户当前图像；基于所述姿态检测模式，对所述用户当前图像进行分析，以得到所述用户的姿态信息。
[0006]可选的，所述姿态检测模式至少包括第一姿态检测模式和第二姿态检测模式；所述第一姿态检测模式对应于第一用户状态，所述第二姿态检测模式对应于第二用户状态；所述第一用户状态为所述用户位于床上的状态，所述第二用户状态为所述用户未位于床上的状态。
[0007]可选的，所述检测用户当前状态包括：通过设置在床上的压力传感器检测用户当前状态；和/或，所述采集用户当前图像包括：通过空调上设置的红外探头采集所述用户当前图像。
[0008]可选的，所述空调具有预置的用于姿态检测的神经网络模型，所述神经网络模型至少包括第一姿态检测模式和第二姿态检测模式。
[0009]可选的，所述方法还包括：在所述用户的姿态信息为异常姿态信息时，生成提示信息，所述提示信息用于提示所述用户的姿态信息为所述异常姿态信息；和/或，在所述用户的姿态信息为异常姿态信息时，将所述异常姿态信息发送至云端。
[0010]根据本专利技术的另一个方面，还提供了一种用于姿态检测的神经网络模型的训练方法，包括：获取样本数据，所述样本数据至少包括第一样本数据集、所述第一样本数据集对应的标注数据、第二样本数据集以及所述第二样本数据集对应的标注数据，所述第一样本数据集包括对应第一用户状态下的不同用户姿态数据，所述第二样本数据集包括对应第二用户状态下的不同用户姿态数据；根据所述样本数据，对初始神经网络模型进行训练，得到用于姿态检测的目标神经网络模型。
[0011]可选的，所述第一用户状态为睡眠状态，所述第二用户状态为非睡眠状态；所述睡眠状态下的用户姿态数据至少包括：正常睡眠状态下的用户姿态数据、易发生坠床状态下
的用户姿态数据、已坠床状态下的用户姿态数据；所述非睡眠状态下的用户姿态数据至少包括：站立状态下的用户姿态数据、下蹲状态下的用户姿态数据、坐姿状态下的用户姿态数据、跌倒状态下的用户姿态数据。
[0012]可选的，根据所述样本数据，对初始神经网络模型进行训练，包括：对所述样本数据采用Mossai c数据增强的方式，进行数据增强；基于数据增强后的样本数据对所述初始神经网络模型进行训练。
[0013]可选的，所述根据所述样本数据，对初始神经网络模型进行训练，包括：对所述第一样本数据集设置第一尺寸初始锚框，对所述第二样本数据集设置第二尺寸初始锚框，所述第一尺寸与所述第二尺寸不同；在模型训练过程中，将输出的预测锚框分别与对应的初始锚框进行比对，根据对比结果更新网络模型参数，以实现模型训练。
[0014]可选的，所述根据所述样本数据，对初始神经网络模型进行训练包括：采用所述初始神经网络模型中的切片处理模块对所述用户姿态数据进行切片处理，并基于切片处理后的数据对所述初始神经网络模型进行训练。
[0015]可选的，所述初始神经网络模型包括：第一分支结构和第二分支结构，所述第一分支结构为主干网络Backbone，所述第二分支结构为用于收集不同阶段中特征图的Neck网络。
[0016]可选的，所述初始神经网络模型还包括：CSPNet模块，用于将梯度变化信息由上至下地集成到特征图中。
[0017]可选的，所述根据所述样本数据，对初始神经网络模型进行训练包括：根据所述样本数据，并基于损失函数，对初始神经网络模型进行训练，所述损失函数至少包括：与置信度相关的第一损失函数、与预测位置范围信息相关的第二损失函数、与类别相关的第三损失函数。
[0018]根据本专利技术的另一个方面，还提供了一种姿态检测装置，包括：用户状态检测单元，用于检测用户当前状态；姿态检测模式获取单元，用于获取与所述用户当前状态对应的姿态检测模式；图像采集单元，用于采集用户当前图像；姿态信息确定单元，用于基于所述姿态检测模式，对所述用户当前图像进行分析，以得到所述用户的姿态信息。
[0019]可选的，所述姿态检测模式至少包括第一姿态检测模式和第二姿态检测模式；所述第一姿态检测模式对应于第一用户状态，所述第二姿态检测模式对应于第二用户状态；所述第一用户状态为所述用户位于床上的状态，所述第二用户状态为所述用户未位于床上的状态。
[0020]可选的，所述用户状态检测单元还用于：通过设置在床上的压力传感器检测用户当前状态；和/或，所述图像采集单元还用于：通过空调上设置的红外探头采集所述用户当前图像。
[0021]可选的，所述空调具有预置的用于姿态检测的神经网络模型，所述神经网络模型至少包括第一姿态检测模式和第二姿态检测模式。
[0022]可选的，所述装置还用于：在所述用户的姿态信息为异常姿态信息时，生成提示信息，所述提示信息用于提示所述用户的姿态信息为所述异常姿态信息；和/或，在所述用户的姿态信息为异常姿态信息时，将所述异常姿态信息发送至云端。
[0023]根据本专利技术的另一个方面，还提供了一种用于姿态检测的神经网络模型的训练装
置，包括：样本数据获取单元，用于获取样本数据，所述样本数据至少包括第一样本数据集、所述第一样本数据集对应的标注数据、第二样本数据集以及所述第二样本数据集对应的标注数据，所述第一样本数据集包括对应第一用户状态下的不同用户姿态数据，所述第二样本数据集包括对应第二用户状态下的不同用户姿态数据；模型训练单元，用于根据所述样本数据，对初始神经网络模型进行训练，得到用于姿态检测的目标神经网络模型。
[0024]可选的，所述第一用户状态为睡眠状态，所述第二用户状态为非睡眠状态；所述睡眠状态下的用户姿态数据至少包括：正常睡眠状态下的用户姿态数据、易发生坠床状态下的用户姿态数据、已坠床状态下的用户姿态数据；所述非睡眠状态下的用户姿态数据至少包括：站立状态下的用户姿态数据、下蹲状态下的用户姿态数据、坐姿状态下的用户姿态数据、跌倒状态下的用户姿态数据。
[0025]可选的，模型训练单元还用于：对所述样本数据采用Mossai c数据增强的方式，进行数据增强；基于数据增强后的样本数据对所述初始神经网络模型进行训练。
[0026]可选的，所述模型训练单元还用于：对所述第一样本数据集设置第一尺寸初本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种姿态检测方法，其特征在于，包括：检测用户当前状态；获取与所述用户当前状态对应的姿态检测模式；采集用户当前图像；基于所述姿态检测模式，对所述用户当前图像进行分析，以得到所述用户的姿态信息。2.根据权利要求1所述的方法，其特征在于，所述姿态检测模式至少包括第一姿态检测模式和第二姿态检测模式；所述第一姿态检测模式对应于第一用户状态，所述第二姿态检测模式对应于第二用户状态；所述第一用户状态为所述用户位于床上的状态，所述第二用户状态为所述用户未位于床上的状态。3.根据权利要求1或2所述的方法，其特征在于，所述检测用户当前状态包括：通过设置在床上的压力传感器检测用户当前状态；和/或，所述采集用户当前图像包括：通过空调上设置的红外探头采集所述用户当前图像。4.根据权利要求3所述的方法，其特征在于，所述空调具有预置的用于姿态检测的神经网络模型，所述神经网络模型至少包括第一姿态检测模式和第二姿态检测模式。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述用户的姿态信息为异常姿态信息时，生成提示信息，所述提示信息用于提示所述用户的姿态信息为所述异常姿态信息；和/或，在所述用户的姿态信息为异常姿态信息时，将所述异常姿态信息发送至云端。6.一种用于姿态检测的神经网络模型的训练方法，其特征在于，包括：获取样本数据，所述样本数据至少包括第一样本数据集、所述第一样本数据集对应的标注数据、第二样本数据集以及所述第二样本数据集对应的标注数据，所述第一样本数据集包括对应第一用户状态下的不同用户姿态数据，所述第二样本数据集包括对应第二用户状态下的不同用户姿态数据；根据所述样本数据，对初始神经网络模型进行训练，得到用于姿态检测的目标神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述第一用户状态为睡眠状态，所述第二用户状态为非睡眠状态；所述睡眠状态下的用户姿态数据至少包括：正常睡眠状态下的用户姿态数据、易发生坠床状态下的用户姿态数据、已坠床状态下的用户姿态数据；所述非睡眠状态下的用户姿态数据至少包括：站立状态下的用户姿态数据、下蹲状态下的用户姿态数据、坐姿状态下...
【专利技术属性】
技术研发人员：张裕松，毛跃辉，魏贤，李保水，梁博，王现林，
申请(专利权)人：珠海格力电器股份有限公司，
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。