System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及婴儿床领域,具体为一种婴儿哭闹的检测方法。
技术介绍
1、孩子长时间的哭泣,会给孩子的身心都造成危害。在身体上方面,如果长时间的哭闹没有得到安抚,孩子可能会出现喉咙的发炎,导致孩子出现声音沙哑或者是咽部的充血、水肿,在哭泣的过程中可能会有过度的气体咽到胃中出现呕吐、吐奶的情况,导致呼吸不畅,甚至导致疝气等比较危险的情况出现。在孩子心理上,长时间的哭泣表达了身体的不适或者心里的不安,如果没有人安抚,会出现一种严重的危机感、不安全感,对小孩的心理常会造成不良影响。
2、近几年来,深度神经网络在人脸识别、图像分类等方面取得了革命性进展。深度神经网络通过提取浅层特征形成更加抽象的高层特征,避免人工提取特征的繁复冗杂。各种基于图像处理的深度学习网络快速发展,在目标检测领域,以卷积神经网络为代表的深度学习算法提高了检测精度和检测速度。现有的目标检测算法主要分为两类:一种为双阶段检测算法,这类算法是先在候选区域生成可能包含检测物体的预选框,再通过卷积神经网络进行物体检测,常见的有rcnn系列,这类算法检测精度高,但是模型较大,难以在嵌入式系统上部署。另一种为单阶段检测算法,这类算法将候选区域划分和物体检测两个阶段合二为一,常见的有yolo系列算法,这类算法的特点是网络结构简单、检测速度快,能够满足实时检测任务的需求,但对小目标检测的鲁棒性及检测准确性还有待提升,为此提供了一种婴儿哭闹的检测方法。
技术实现思路
1、本专利技术的目的是针对现有技术的缺陷,提供一种婴儿哭闹的
2、为实现上述目的,本专利技术提供如下技术方案:一种婴儿哭闹的检测方法,具体步骤如下:
3、s1:数据准备:
4、s11:收集若干个婴儿哭闹和不哭闹的图像数据;
5、s12:使用合适的图像标注工具对这些图像进行标注,标注出婴儿头部的位置,并进行分类标签,用于指示图像是哭闹或不哭闹;
6、s2:模型训练:
7、s21:将数据集划分为训练集和验证集,采用70%的数据作为训练集,30%的数据作为验证集;
8、s22:使用改进的yolov5作为模型框架,结合训练集数据进行模型训练;使用深度学习框架来实现训练过程;
9、s23:在训练过程中,采用训练技巧,来提高模型的准确性和鲁棒性;
10、s24:通过验证集评估模型性能,并根据评估结果进行模型调优;
11、s3:模型评估和测试:
12、s31:使用测试集验证训练好的模型性能,通过计算评估指标来评估模型的性能;
13、s32:如果模型表现不佳,通过增加训练数据、调整模型结构或重新训练来改进模型性能;
14、s33:对模型进行实际场景的测试,通过采集新的婴儿哭闹和不哭闹图像,并使用训练好的模型进行预测和识别,观察模型在实际场景中的表现情况;
15、s4:算法优化和部署:
16、s41:根据实际需求,对已训练的模型进行优化,以提高模型的推理速度和性能;
17、s42:将优化后的模型进行部署,选择将模型部署到移动设备、嵌入式系统或服务器平台,以实现实时的婴儿哭闹识别,识别出哭闹的时候系统进行自动报警。
18、作为本专利技术的一种优选技术方案,所述s11中收集的图像能够代表哭闹和不哭闹两种情况,以及在实际场景中可能出现的各种光照、角度和背景情况。
19、作为本专利技术的一种优选技术方案,所述s22中的深度学习框架为pytorch或tensorflow。
20、作为本专利技术的一种优选技术方案,所述s23中的训练技巧为数据增强、学习率衰减和模型权重的初始化,所述数据增强为随机裁剪、旋转和翻转。
21、作为本专利技术的一种优选技术方案,所述s24对已训练的模型进行优化的方式为模型压缩、量化和加速。
22、作为本专利技术的一种优选技术方案,所述s31的评估指标为准确率、召回率、精确率和f1分数。
23、本专利技术的有益效果是:本专利技术通过数据准备、模型训练、模型评估和测试,以及算法优化和部署,可以实现对婴儿哭闹与不哭闹进行准确识别,利用摄像头结合本专利技术的方法实时检测婴儿是否哭闹,及时预警,速度快,准确率高,误报率极低。
本文档来自技高网...【技术保护点】
1.一种婴儿哭闹的检测方法,其特征在于:具体步骤如下:
2.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述S11中收集的图像能够代表哭闹和不哭闹两种情况,以及在实际场景中可能出现的各种光照、角度和背景情况。
3.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述S22中的深度学习框架为PyTorch或TensorFlow。
4.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述S23中的训练技巧为数据增强、学习率衰减和模型权重的初始化,所述数据增强为随机裁剪、旋转和翻转。
5.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述S24对已训练的模型进行优化的方式为模型压缩、量化和加速。
6.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述S31的评估指标为准确率、召回率、精确率和F1分数。
【技术特征摘要】
1.一种婴儿哭闹的检测方法,其特征在于:具体步骤如下:
2.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述s11中收集的图像能够代表哭闹和不哭闹两种情况,以及在实际场景中可能出现的各种光照、角度和背景情况。
3.根据权利要求1所述的一种婴儿哭闹的检测方法,其特征在于:所述s22中的深度学习框架为pytorch或tensorflow。
4.根据权利要求1所...
【专利技术属性】
技术研发人员:李媛媛,吕秀志,
申请(专利权)人:上海放放智能科技有限公司,
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。