一种孩子接近危险物品的检测装置和检测方法与流程

1.本发明涉及一种孩子接近危险物品的检测装置和检测方法。


背景技术：

2.在有小孩的家庭生活中，成人因为家务工作，往往会让小孩肚子处于某个房间中，小孩天性好动，如果不及时对小孩进行监控，往往小孩因为接触危险物品而造成孩子身体的伤害甚至伤及生命。给家庭带来巨大的伤害。
3.但是，目前的监控方式的监控预警误报率都很高，很容易造成“狼来了”的效果，尤其不能很好地区分目标对象是大人还是要监控的小孩，从而丧失监控预警应有的效果。
4.申请号为202010648087.9的发明公开了一种基于姿态的幼儿监控方法及装置。该方法包括：通过摄像头对目标幼儿进行追踪，并获取目标幼儿的图像；对目标幼儿的图像进行识别，确定目标幼儿的姿态、目标幼儿的位置以及危险物品的位置；基于目标幼儿的姿态以及危险物品的位置，确定目标幼儿的相对朝向，并基于相对朝向在预先确定的多个阈值中，选择目标阈值，其中，每个阈值对应一个朝向范围；如果危险物品的位置和目标幼儿的位置的距离小于或等于目标阈值，则执行预警操作。
5.该发明通过识别人体的关键点来确定幼儿的位置，当人体被大面积遮挡时就无法识别人体关键点也就无法确定幼儿位置，而且该发明无法区分识别到的人是大人还是要被监控的小孩。


技术实现要素：

6.本发明要解决的技术问题是提供一种即使当人体被大面积遮挡时也能定位到人的位置，而且只识别监控的小孩的位置的孩子接近危险物品的检测装置，用以解决现有技术中预警进度低的问题。
7.本发明采用的技术方案是，一种孩子接近危险物品的检测装置，包括影像采集模块和图像分析模块，图像分析模块接收影像采集模块的视频或图像，识别视频或图像中是否存在预设的图案和存在危险物品，如果检测到预设的图案且图案与危险物品距离小于阈值，则判定孩子接近危险物品。
8.以上所述的孩子接近危险物品的检测装置，包括无线通信模块，图像分析模块检测到预设的图案和危险物品距离小于阈值时，通过无线通信模块向外发送孩子接近危险物品的信息。
9.以上所述的孩子接近危险物品的检测装置，图像分析模块部署在边缘计算盒子中，图像分析模块使用所述的边缘计算盒子进行运算。
10.以上所述的孩子接近危险物品的检测装置，包括孩子所穿的服装，包括至少一种所述预设的图案。
11.以上所述的孩子接近危险物品的检测装置，预设的图案与服装分体设置，图案与服装通过镶嵌或缝合或粘连或卡口固定链接。
12.一种孩子接近危险物品的检测方法，包括上述的孩子接近危险物品的检测装置，检测过程包括以下步骤：601）孩子所穿服装上包括至少一种预设的图案；602）检测装置的影像采集模块采集孩子所在位置的视频或图像；603）检测装置的图像分析模块接收影像采集模块的视频或图像，识别视频或图像中是否存在预设的图案；604）检测装置的图像分析模块接收影像采集模块的视频或图像，识别视频或图像中是否存在危险物品;605）如果图像分析模块检测到预设的图案位置和危险物品距离小于阈值，则判定孩子处于危险中。
13.以上所述的孩子接近危险物品的检测方法，检测装置包括无线通信模块，在步骤605中，如果判定孩子处于危险中，则图像分析模块通过无线通信模块向家长的手机和/或手环发送孩子危险的信息，手机和/或手环收到孩子危险的信息后报警。
14.以上所述的孩子接近危险物品的检测方法，在步骤601中，孩子所穿的服装上包括多种预设的图案；图像分析模块的识别算法采用目标检测神经网络和/或分类神经网络；对目标检测神经网络和/或分类神经网络进行训练，使神经网络能够识别多种预设的图案；在步骤605中，如果判定孩子处于危险中，则图像分析模块通过无线通信模块向家长的手机和/或手环发送孩子危险的信息，手机和/或手环收到孩子危险的信息后报警。
15.以上所述的孩子接近危险物品的检测方法，影像采集模块为网络摄像头，图像分析模块布置在云端服务器，摄像头将捕获的视频或图像传送到云端服务器；云端服务器的图像分析模块通过grps无线通信网络向家长的手机和/或手环发送孩子危险的信息。
16.本发明的检测方法在人员被大面积遮挡时，也可通过摄像头画面检测到被监控人员的位置。并且通过预设的图案明确要监控的对象，而不会将大人也列入被监控对象，减少了误报。
附图说明
17.下面结合附图和具体实施方式对本发明作进一步详细的说明。
18.图1是本发明接近危险物品检测装置的原理框图。
19.图2是本发明实施例孩子接近危险物品检测方法的流程图。
20.图3是本发明实施例1和2孩子接近危险物品检测装置的原理框图。
21.图4是本发明实施例1深度神经网络的示意图。
22.图5是本发明实施例1和2孩子接近危险物品检测方法的流程图。
23.图6是本发明实施例2深度神经网络的示意图。
24.图7是本发明实施例2特定图案的示意图。
25.图8是本发明实施例3和4孩子接近危险物品检测装置的原理框图。
26.图9是本发明实施例3和4孩子接近危险物品检测方法的流程图。
27.图10是本发明实施例5和6孩子接近危险物品的检测装置的原理框图。
28.图11是本发明实施例5和6孩子接近危险物品检测方法的流程图。
29.图12是本发明实施例孩子接近危险物品检测方法服装的示意图。
具体实施方式
30.本发明孩子接近危险物品的检测装置和检测方法如图1和图2所示，检测装置包括影像采集模块和图像分析模块，图像分析模块接收影像采集模块的视频或图像，识别视频或图像中是否存在预设的图案，如果检测到预设的图案且检测到有危险物体且两者距离小于阈值，则判定孩子接近危险物品，如果没有检测到危险物品或者检测到预设的图案和危险物品距离大于阈值，则判定孩子处于正常活动状态。
31.预设的图案，既可以直接印刷在孩子的衣服上，也可以与衣服分体设置，两者通过镶嵌或缝合或粘结或卡口或拉链固定链接。
32.本发明图像分析模块使用的算法可以是基于深度神经网络技术的r-cnn、fastr-cnn、fasterr-cnn、fpn、yolo、ssd、retinanet、densebox、rrcdetection、deformablecnn、cnn、rnn、inception、xception、mobilenet、resnext、densenet、squeezenet、shufflenet、sknet和senet中的一种，也可以是基于cascade、hog/dpm和haar/svm目标检测算法中的一种。
33.实施例1：如图3所示，影像采集模块硬件采用摄像头，该摄像头内部使用海思hi3516cv500或hi3516dv300芯片，图像分析模块使用该芯片进行运算。
34.图像分析模块的识别算法采用如图4所示的mobilenetv3图片分类神经网络。对该网络进行训练，使得该网络能够识别出指定的一种或多种图案。为了能够在夜视环境中也能识别，该网络既能识别该图案的彩色图也能识别该图案的灰色图。该网络是一个分类网络，只要图片中出现了该图案就认为识别到小孩。同时在图片中出现危险物品切距离图案小于阈值。则认为小孩接近了危险物品。
35.将上述摄像头放置在适当的位置，以便采集孩子活动所在位置的视频或图像。
36.小孩穿着图12所示的印有指定的图案之一的衣服或者能够粘贴在服装上的指定图案之一的标贴活动。
37.如图5所示，当摄像头捕获的影像中有指定的图案且有危险物品且两者距离小于阈值，就认为小孩接近了危险物品。图像分析模块通过无线通信模块向家长的手机和/或手环发送孩子接近危险物品的信息，该信息通过wifi网络或者蓝牙信号传送到家长的手机和/或手环中，手机和/或手环振动，从而提醒家长去给小孩接近危险物品。
38.实施例2：如图3所示，影像采集模块硬件采用摄像头，该摄像头内部使用海思hi3516cv500或hi3516dv300芯片，图像分析模块使用该芯片进行运算。
39.图像分析模块的识别算法采用图6所示的yolov4tiny目标检测神经网络。对该网络进行训练，使得该网络能够识别出指定的一种或多种图案，并且能够明确识别出该图案所在图片上的位置（左上角坐标和右下角坐标）。为了能够在夜视环境中也能识别，该网络既能识别该图案的彩色图也能识别该图案的灰色图。当图像中出现了该图案就认为识别到小孩。同时在图像中出现危险物品切距离图案小于阈值。则认为小孩接近了危险物品。
40.将上述摄像头放置在适当的位置，以便采集孩子所在位置的视频或图像。
41.小孩穿着印有指定的图案之一的服装或者能够粘贴在服装的指定图案之一的标贴活动。
42.如图5所示，对摄像头捕获的视频或图像进行分析，当图像分析模块认为小孩接近了危险物品，图像分析模块通过无线通信模块向家长的手机和/或手环发送孩子接近危险物品的信息，该信息通过wifi网络或者蓝牙信号传送到家长的手机和/或手环中，手机和/或手环振动。
43.本实施例采取的是目标检测算法，算法输出的检测到的图案及其所在图片的位置。如图7所示，该图片包括5个图案，这5个图案共有4种不同的图案，这三种图案在算法模型中预定义为 1、2、3，4,其中1，2，3为孩子衣服图案4为危险物品图案。(x1,y1)(x2,y2)分别是第一排第一列图案在图片中的左上角与右下角坐标；(x3,y3)(x4,y4)分别是第一排第二列图案在图片中的左上角与右下角坐标；(x5,y5)(x6,y6)分别是第二排第一列图案在图片中的左上角与右下角坐标；(x7,y7)(x8,y8)分别是第二排第二列图案在图片中的左上角与右下角坐标。（x9,y9)(x10,y10)分别是右边刀具在图片中左上角和右小角的坐标，那么该算法模型识别该图片的输出为(1, x1,y1,x2,y2) (2, x3,y3,x4,y4) (3, x5,y5,x6,y6) (1, x7,y7,x8,y8)（4，x9,y9,x10,y10)。
44.如果在摄像头的输出中有指定的一个或多个1,2,3图案结果且与4图案结果的坐标距离小于阈值，可认为孩子接近了危险物品。
45.实施例3：如图8所示，影像采集模块硬件采用摄像头；图像分析模块所在硬件为边缘计算盒子（如 firefly ec-a3399c），图像分析模块使用该边缘计算盒子进行运算。
46.图像分析模块的识别算法采用如图4所示的mobilenetv3图片分类神经网络。对该网络进行训练，使得该网络能够识别出指定的一种或多种图案。为了能够在夜视环境中也能识别，该网络既能识别该图案的彩色图也能识别该图案的灰色图。该网络是一个分类网络，也就是说当图像中出现了该图案就认为识别到小孩。同时在图像中出现危险物品切距离图案小于阈值。则认为小孩接近了危险物品。
47.将上述摄像头放置在适当的位置，以便采集孩子活动所在位置的视频或图像。
48.小孩穿着印有指定的图案之一的服装或者能够粘贴在服装上的指定图案之一的标贴活动。
49.如图9所示，摄像头将捕获的视频传送到边缘计算盒子，图像分析模块利用边缘计算盒子的算力对视频进行分析，当图像分析模块认为小孩接近了危险物品，图像分析模块通过无线通信模块向家长的手机和/或手环发送孩子接近危险物品的信息，该信息通过wifi网络或者蓝牙信号传送到家长的手机和/或手环中，手机和/或手环振动。
50.实施例4：如图8所示，影像采集模块硬件采用摄像头；图像分析模块所在硬件为边缘计算盒子（如 firefly ec-a3399c），图像分析模块使用该边缘计算盒子进行运算。
51.图像分析模块的识别算法采用如图6所示的yolov4tiny目标检测神经网络。对该网络进行训练，使得该网络能够识别出指定的一种或多种图案，并且能够明确识别出该图案所在图片上的位置。为了能够在夜视环境中也能识别，该网络既能识别该图案的彩色图也能识别该图案的灰色图。当图像中出现指定图案和危险物品图案且两者距离小于阈值就认为小孩接近了危险物品；将上述摄像头放置在适当的位置，以便采集孩子活动所在位置的视频或图像。
52.小孩穿着印有指定的图案之一的服装或者能够粘贴在服装上的指定图案之一的标贴活动。
53.如图9所示，摄像头将捕获的视频传送到边缘计算盒子，图像分析模块利用边缘计算盒子的算力对视频进行分析，当图像分析模块认为小孩接近了危险物品图像分析模块通过无线通信模块向家长的手机和/或手环发送孩子接近危险物品的信息，该信息通过wifi网络或者蓝牙信号传送到家长的手机和/或手环中，手机和/或手环振动。
54.本实施例采取的是图6所示的目标检测算法，算法输出的检测到的图案种类编号及其该图案所在图片的位置。如图7所示，该图片包括5个图案，这5个图案共有4种不同的图案，这三种图案在算法模型中预定义为 1、2、3，4,其中1，2，3为孩子衣服图案4为危险物品图案。(x1,y1)(x2,y2)分别是第一排第一列图案在图片中的左上角与右下角坐标；(x3,y3)(x4,y4)分别是第一排第二列图案在图片中的左上角与右下角坐标；(x5,y5)(x6,y6)分别是第二排第一列图案在图片中的左上角与右下角坐标；(x7,y7)(x8,y8)分别是第二排第二列图案在图片中的左上角与右下角坐标。（x9,y9)(x10,y10)分别是右边刀具在图片中左上角和右小角的坐标，那么该算法模型识别该图片的输出为(1, x1,y1,x2,y2) (2, x3,y3,x4,y4) (3, x5,y5,x6,y6) (1, x7,y7,x8,y8)（4，x9,y9,x10,y10)。
55.如果在摄像头的输出中有指定的一个或多个1,2,3图案结果且与4图案结果的坐标距离小于阈值，可认为孩子接近了危险物品。
56.实施例5：如图10所示，影像采集模块硬件采用网络摄像头；图像分析模块布置在云端服务器，摄像头将捕获的视频或图像传送到云端服务器。
57.图像分析模块的识别算法采用如图4所示的mobilenetv3图片分类神经网络。对该网络进行训练，使得该网络能够识别出指定的一种或多种图案。为了能够在夜视环境中也能识别，该网络既能识别该图案的彩色图也能识别该图案的灰色图。该网络是一个分类网络，只要图片中出现了该图案就认为识别到小孩。同时在图片中出现危险物品切距离图案小于阈值。则认为小孩接近了危险物品。
58.将上述摄像头放置在适当的位置，以便采集孩子活动所在位置的视频或图像。
59.小孩穿着印有指定的图案之一的服装或者能够粘贴在服装上的指定图案之一的标贴活动。
60.如图11所示，摄像头将捕获的视频传送到云端服务器，图像分析模块在云端对视频进行分析，当图像分析模块认为小孩接近了危险物品，信息通过grps无线通信网络传送到家长的手机和/或手环，手机和/或手环振动。
61.实施例6：如图9所示，影像采集模块硬件采用网络摄像头；图像分析模块布置在云端服务器，摄像头将捕获的视频或图像传送到云端服务器。
62.图像分析模块的识别算法采用如图6所示的yolov4tiny目标检测神经网络。对该网络进行训练，使得该网络能够识别出指定的一种或多种图案，并且能够明确识别出该图案所在图片上的位置（左上角坐标和右下角坐标）。为了能够在夜视环境中也能识别，该网络既能识别该图案的彩色图也能识别该图案的灰色图。只要图片中出现了该图案就认为识别到小孩。同时在图片中出现危险物品且距离图案小于阈值。则认为小孩接近了危险物品。
63.将上述摄像头放置在适当的位置，以便采集孩子活动所在位置的视频或图像。
64.小孩穿着印有指定的图案之一的服装或者能够粘贴在服装上的指定图案之一的标贴活动。
65.如图10所示，摄像头将捕获的视频传送到云端，图像分析模块在云端对视频进行分析，当图像分析模块认为小孩接近了危险物品，信息通过grps无线通信网络传送到家长的手机和/或手环，手机和/或手环振动。
66.本实施例采取的是图6所示的目标检测算法，算法输出的检测到的图案种类编号及其该图案所在图片的位置。如图7所示，该图片包括5个图案，这5个图案共有4种不同的图案，这三种图案在算法模型中预定义为 1、2、3，4,其中1，2，3为孩子衣服图案4为危险物品图案。(x1,y1)(x2,y2)分别是第一排第一列图案在图片中的左上角与右下角坐标；(x3,y3)(x4,y4)分别是第一排第二列图案在图片中的左上角与右下角坐标；(x5,y5)(x6,y6)分别是第二排第一列图案在图片中的左上角与右下角坐标；(x7,y7)(x8,y8)分别是第二排第二列图案在图片中的左上角与右下角坐标。（x9,y9)(x10,y10)分别是右边刀具在图片中左上角和右小角的坐标，那么该算法模型识别该图片的输出为(1, x1,y1,x2,y2) (2, x3,y3,x4,y4) (3, x5,y5,x6,y6) (1, x7,y7,x8,y8)（4，x9,y9,x10,y10)。
67.如果在摄像头的输出中有指定的一个或多个1,2,3图案结果且与4图案结果的坐标距离小于阈值，可认为孩子接近了危险物品。
68.本发明以上实施例具有以下有益效果：1》本发明以上实施例在人员被大面积遮挡时，也可通过摄像头画面检测到被监控人员的位置。
69.2》本发明以上实施例可以通过预设的图案明确要监控的对象，而不会将大人也列入被监控对象。