[发明专利]幼儿园机器人晨检系统在审

专利信息
申请号: 201910025286.1 申请日: 2019-01-11
公开(公告)号: CN109464132A 公开(公告)日: 2019-03-15
发明(设计)人: 肖湘江 申请(专利权)人: 肖湘江
主分类号: A61B5/00 分类号: A61B5/00;A61B5/0205
代理公司: 暂无信息 代理人: 暂无信息
地址: 410000 湖南省长沙市开*** 国省代码: 湖南;43
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 机器人 云端服务器 疱疹 客户端 工作站 学习神经网络 检测系统 幼儿园 目标检测识别 身高检测装置 体温检测装置 用户图像数据 重量检测装置 检测结果 结果反馈 模型识别 图像数据 传输 检测 算法 手掌 口腔 分发 客户
【说明书】:

发明提供一种幼儿园机器人晨检系统,包括体温检测装置、重量检测装置、身高检测装置以及疱疹检测系统,所述疱疹检测系统包括工作站、云端服务器和机器人客户端,所述机器人客户端获取用户图像数据并传输至所述云端服务器,所述云端服务器接收所述机器人客户端的图像数据,并分发给所述工作站,所述工作站利用基于深度学习神经网络的目标检测识别算法进行识别检测疱疹、手掌和口腔,并把识别结果反馈给所述云端服务器,并通过其传输至所述机器人客户端进行显示。本发明提供的所述幼儿园机器人晨检系统创造性的利用云端服务器和深度学习神经网络模型识别疱疹,操作简单、检测速度快、检测结果精确。

技术领域

本发明涉及目标检测技术、图像处理技术和医疗检测领域,具体涉及一种基于云端服务器的深度学习神经网络疱疹检测系统的幼儿园机器人晨检系统。

背景技术

随着社会的发展、时代的进步,人们对幼儿园的安全和幼儿的健康关注越来越多,随之而来的幼儿园的管理工作也会越来越繁重,因此,传统的人工管理模式已不能有效地对幼儿园的员工和幼儿信息进行管理。尤其在幼儿晨检方面,目前大都依赖于人工,这样晨检效率低,依赖于人工,且容易引起幼儿的焦躁情绪。特别是疱疹的检查,在现有技术中,经常需要对检查者手掌进行细致观察,现阶段幼儿园或低年级的小朋友每日都需要进行晨检,防范手足口等具有传染性的疾病。常用的方法通常是通过患者手掌口腔肉眼直接观察后,将检测结果人为的分为几个级别,并根据实际情况采取不同措施,执行者多为医生或老师。但是这种方式存在许多缺陷,诸如:观察结果有赖于执行检查人员的经验和医学专业知识以及精神状态,可能导致检查结果不准确,同时无法留下检测记录和证据,不利于及时就医;另外,检测难度高,幼儿园或教育机构普遍缺乏有经验的专业的保健医生或老师。

发明内容

本发明针对以上问题提出一种幼儿园机器人晨检系统,该系统基于云端服务器的深度学习神经网络进行疱疹检测,检测速度快、检测精确。

本发明提供一种幼儿园机器人晨检系统,包括体温检测装置、重量检测装置、身高检测装置,所述体温检测装置、重量检测装置、身高检测装置分别用于检测人体体温、体重和身高,所述晨检机器人还包括疱疹检测系统,所述检测系统包括工作站、云端服务器和机器人客户端,所述机器人客户端获取用户图像数据并传输至所述云端服务器,所述云端服务器接收所述机器人客户端的图像数据,并分发给所述工作站,所述工作站利用基于深度学习神经网络的目标检测识别算法进行识别检测疱疹、手掌和口腔位置,并把识别结果反馈给所述云端服务器,所述云端服务器将结果传输至所述机器人客户端进行显示。

在本发明提供的幼儿园机器人晨检系统的一种较佳实施例中,所述工作站设有深度学习神经网络模型。

在本发明提供的幼儿园机器人晨检系统的一种较佳实施例中,所述深度学习神经网络模型为Darknet-Yolov3网络模型。

在本发明提供的幼儿园机器人晨检系统的一种较佳实施例中,所述工作站识别疱疹工作流程为:

S1:开始;

S2:初始化所述深度学习神经网络模型;

S3:加载所述深度学习神经网络模型的网络权重、网络模型、分类文件;

S4:初始化所述工作站的网络服务端程序;

S5:接收所述云端服务器的图像数据并进行图像数据格式的转换;

S6:所述深度学习神经网络模型进行疱疹识别,并返回识别结果至所述云端服务器。

在本发明提供的幼儿园机器人晨检系统的一种较佳实施例中,所述深度学习神经网络模型进行疱疹识别的流程为:获取步骤S5所述转换格式后的图像数据;经检测获得手掌、口腔和疱疹的位置;判断疱疹位置是否和手掌和/或口腔位置重合?若是则说明手掌和/或口腔位置有疱疹,若无重合则说明没有检测到疱疹。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于肖湘江,未经肖湘江许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910025286.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top