口罩规范佩戴及体温监测系统

1.本发明涉及智能监测领域，尤其涉及口罩规范佩戴及体温监测系统。


背景技术：

2.口罩规范佩戴及体温监测系统主要有3大功能：第一是图像识别人们的口罩佩戴规范性，使用ai技术进行图像训练，对人们不佩戴口罩或者戴口罩不盖鼻子只盖嘴巴进行识别和提醒。第二无接触式测量人们的体温，如果体温为非正常进行警报。第三远程监控体温的数据，实现联网远距离获得监测数据；
3.现有常见的技术：在大型超市和人流量大的出入口出经常配备有防疫设备，但只能对是否佩戴口罩以及测量体温并进行语音提醒，且成本高，设备笨重。并不能对当日人流量中的数据进行云端传送。但是目前对于进出口人们的未规范佩戴口罩不能进行个人追踪，同时虽然可以进行云端数据传送，但是在使用stm32h750进行口罩识别的同时没有配置好无法实现云监控，实时显示摄像头图像的功能。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的口罩规范佩戴及体温监测系统。
5.为了实现上述目的，本发明采用了如下技术方案：
6.口罩规范佩戴及体温监测系统，包括art-pi开发板、多媒体拓展板、摄像头模块、测温模块、蜂鸣器报警模块以及指示灯报警模块；
7.其中，所述摄像头模块用于采集测试人员影像信息，并对其进行图像优化；
8.所述测温模块用于对测试人员体温进行测量；
9.所述art-pi开发板用于进行数据处理以及对比反馈的信息；
10.所述多媒体拓展板用于将接收art-pi开发板生成的各组数据，并展示采集到的测试人员体温以及口罩是否正确佩戴的提示；
11.所述蜂鸣器报警模块用于针对检测异常的测试人员发出鸣叫以进行报警；
12.所述指示灯报警模块用于当测试人员身体环境不达标时闪烁以向警卫人员提醒更改。
13.作为本发明的进一步方案，所述摄像头模块具体型号为ai识别摄像头gc0328，其图像优化具体步骤如下：
14.步骤一：摄像头模块依据采集到的测试人员的图像数据的显示比例来确定分块数量，之后对该图像数据进行分块处理，同时对分块完成的图像数据进行模糊处理；
15.步骤二：将处理后的图像数据通过傅里叶正反变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的图像数据中的高频成分进行分析提取，并对其进行滤波处理减少噪声，再将其转换至图像空间。
16.作为本发明的进一步方案，步骤二中所述傅里叶正反变换具体变换公式如下：
[0017][0018][0019]
其中，u，v均为频率变量，x，y为该舌苔图像个像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。
[0020]
作为本发明的进一步方案，所述多媒体拓展板具体是由lcd电容触摸屏构成，它里面内置了ft6236电容触摸片，并且里面包含wm8988音频芯片支持板载或耳机，麦克风双音频输出，可以根据输出环境进行人为设计调控其屏幕的亮度，同时可与art-pi开发板之间进行交互，同时根据art-pi开发板的联动，可播放本地音乐，可将其原本设计的警报、音乐以及人工智能、语音提示与系统结合。
[0021]
作为本发明的进一步方案，所述art-pi开发板数据处理具体步骤如下：
[0022]
步骤(1)：采用7000多组数据集作为yolo-fastestv2模型训练的基础，之后通过图像增强扩大图片泛化程度，再采用tensorflow和cv2对图像进行训练；
[0023]
步骤(2)：用准备好的数据集打上标签进行resize统一大小之后进行卷积神经网络学习最后通过选择损失函数优化器，之后通过损失函数优化器精选评估以对模型进行优化；
[0024]
步骤(3)：最后将h5模型中的float类型转换成uint8类型，并进行量化处理导出tflite模型，再将其部署进入rt-thread工程。
[0025]
作为本发明的进一步方案，所述art-pi开发板会将采集到的数据通过内部的wifi-ap6212芯片以及外部构建的onenet数据网传输给主控单元的电脑上进行信号的采集处理。
[0026]
相比于现有技术，本发明的有益效果在于：
[0027]
本发明通过摄像头模块采集测试人员图像数据，并对其进行图像优化，之后art-pi开发板采用tensorflow和cv2对图像进行训练，并通过损失函数优化器精选评估以对模型进行优化，最后将h5模型中的float类型转换成uint8类型，并进行量化处理导出tflite模型，再将其部署进入rt-thread工程，之后art-pi开发板会将采集到的数据通过内部的wifi-ap6212芯片以及外部构建的onenet数据网传输给主控单元的电脑上进行信号的采集处理，之后多媒体拓展板接收art-pi开发板生成的各组数据，并展示采集到的测试人员体温以及口罩是否正确佩戴的提示，能够对于进出口人们的未规范佩戴口罩进行个人追踪，同时可以在口罩识别的同时可以实现实现云监控以及实时显示摄像头图像的功能。
附图说明
[0028]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
[0029]
图1为本发明提出的口罩规范佩戴及体温监测系统的系统框图。
具体实施方式
[0030]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0031]
参照图1，口罩规范佩戴及体温监测系统，包括art-pi开发板、多媒体拓展板、摄像头模块、测温模块、蜂鸣器报警模块以及指示灯报警模块。
[0032]
摄像头模块用于采集测试人员影像信息，并对其进行图像优化。
[0033]
具体的，摄像头模块依据采集到的测试人员的图像数据的显示比例来确定分块数量，之后对该图像数据进行分块处理，同时对分块完成的图像数据进行模糊处理，再将处理后的图像数据通过傅里叶正反变换进行图像空间转换至频率空间的相互变换，并对转换至频率空间的图像数据中的高频成分进行分析提取，并对其进行滤波处理减少噪声，再将其转换至图像空间。
[0034]
需要进一步说明的是，傅里叶正反变换具体变换公式如下：
[0035][0036][0037]
其中，u，v均为频率变量，x，y为该舌苔图像个像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。
[0038]
此外，需要说明的是，该摄像头模块具体型号为ai识别摄像头gc0328。
[0039]
测温模块用于对测试人员体温进行测量。
[0040]
art-pi开发板用于进行数据处理以及对比反馈的信息。
[0041]
具体的，art-pi开发板采用7000多组数据集作为yolo-fastestv2模型训练的基础，之后通过图像增强扩大图片泛化程度，再采用tensorflow和cv2对图像进行训练，之后用准备好的数据集打上标签进行resize统一大小之后进行卷积神经网络学习最后通过选择损失函数优化器，并通过损失函数优化器精选评估以对模型进行优化，最后将h5模型中的float类型转换成uint8类型，并进行量化处理导出tflite模型，再将其部署进入rt-thread工程。
[0042]
此外，需要说明的是，art-pi开发板会将采集到的数据通过内部的wifi-ap6212芯片以及外部构建的onenet数据网传输给主控单元的电脑上进行信号的采集处理，同时选择yolo-fastestv2是因为mobilenetv2是一个轻量型卷积神经网络，使用深度可分离卷积，相比较于v1来说v2引入残差结构，先升维再降维，增强梯度的传播，显著减少推理期间所需的内存占用去掉narrowlayer后的relu，保留特征多样性，增强网络的表达能力。
[0043]
多媒体拓展板用于将接收art-pi开发板生成的各组数据，并展示采集到的测试人员体温以及口罩是否正确佩戴的提示。
[0044]
需要进一步说明的是，多媒体拓展板具体是由lcd电容触摸屏构成，它里面内置了ft6236电容触摸片，并且里面包含wm8988音频芯片支持板载或耳机，麦克风双音频输出，可以根据输出环境进行人为设计调控其屏幕的亮度，同时可与art-pi开发板之间进行交互，同时根据art-pi开发板的联动，可播放本地音乐，可将其原本设计的警报、音乐以及人工智能、语音提示与系统结合。
[0045]
蜂鸣器报警模块用于针对检测异常的测试人员发出鸣叫以进行报警。指示灯报警模块用于当测试人员身体环境不达标时闪烁以向警卫人员提醒更改。