姿态检测方法、神经网络模型的训练方法及其装置

技术领域

本发明涉及活体检测技术领域，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。

背景技术

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。

发明内容

本发明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。

为达到上述技术目的，本发明采取了以下技术方案：

根据本发明的一个方面，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。

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。

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。

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。

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。

根据本发明的另一个方面，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。

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。

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。

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。

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。

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。

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。

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。

根据本发明的另一个方面，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。

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。

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。

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。

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。

根据本发明的另一个方面，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。

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。

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。

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。

可选的，所述模型训练单元还用于：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。

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。

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。

可选的，所述模型训练单元还用于：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。

本发明提供的姿态检测方法，通过检测用户当前状态；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。

附图说明

图1是本发明实施例提供的一种姿态检测方法的示意图；

图2是本发明实施例提供的一种用于姿态检测的神经网络模型的训练方法的示意图；

图3是本发明实施例提供的另一种姿态检测方法的示意图；

图4是本发明实施例提供的另一种用于姿态检测的神经网络模型的训练方法的示意图；

图5是本发明实施例提供的一种姿态检测装置的结构示意图；

图6是本发明实施例提供的一种用于姿态检测的神经网络模型的训练装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

相关技术中，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。

基于上述问题，本发明提出一种姿态检测方法、用于姿态检测的神经网络模型的训练方法及其装置，以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。下面进行详细介绍。

实施例一

根据本发明实施例，提供了一种姿态检测方法。请参阅图1，该方法可以通过姿态检测装置执行，优选的，可以是空调装置。该方法可以包括：

步骤S101，检测用户当前状态；

可选的，用户当前状态可以包括睡眠状态和非睡眠状态。该步骤中可以通过设置于床上的压力传感器、设置于床附近的红外传感器、摄像头等检测用户当前状态。

步骤S103，获取与所述用户当前状态对应的姿态检测模式；

可选的，不同的用户当前状态对应不同的姿态检测模式。例如，如果是睡眠模式，则采用对应于睡眠情况下姿态检测的姿态检测模式。例如，可以用于检测用户坠床风险；如果是非睡眠模式，则采用对应于非睡眠情况下姿态检测的姿态检测模式，例如，可以用于检测用户摔倒风险。

可选的，姿态检测模式可以是内置于空调控制器内，姿态检测模式可以是多个不同的姿态检测模式。多个不同的姿态检测模式可以是同一个用于姿态检测的神经网络模型中的多个不同检测支路；或者，也可以是多个不同的用于姿态检测的神经网络模型。

步骤S105，采集用户当前图像；

可选的，可以联动空调上设置的红外探头采集用户当前图像。

步骤S107，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。

可选的，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可以是：通过姿态检测模式对应的神经网络模型，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。

该实施例，通过检测用户当前状态；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。

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。该实施例将用户状态按照用户是否位于床上进行状态区分，进而可以通过对应这两种不同状态的姿态检测模式，实现对应状态下用户姿势的检测，可以有效实现跌倒、坠床风险检测。

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。该实施例通过床上的压力传感器和空调上设置的红外探头进行联动，使得用户姿态检测更加智能。

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。该实施例中通过神经网络模型实现了两种不同状态下用户姿势的检测，检测准确且高效。

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。该实施例在用户的姿态信息为异常姿态信息时可以及时发送报警信息，并且可以通过APP进行共享，进而可以在必要时帮助用户得到及时的救援，保障了高风险群体的生命健康。

上述实施例，通过红外图像进行人体跌倒检测，以及户睡眠状态下的坠床检测，空调与床实现网络智能互联，实现用户居家日常状态与睡眠状态检测模式的切换，实现了对居家的跌倒坠床群体进行跌倒坠床风险行为的实时检测，能够有效监控人体的安全状态，便于实施及时救援，保障高风险群体的生命健康。

实施例二

图2是本发明实施例提供的一种用于姿态检测的神经网络模型的训练方法的示意图。如图2所示，该方法包括：

步骤201，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；

该步骤中，第一用户状态和第二用户状态为不同的用户状态。例如，第一用户状态为睡眠状态；第一用户状态为非睡眠状态(日常生活状态)。

步骤203，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。

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。

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。其中，Mossai c是YOLOV4中提出的新方法，适用于目标检测，主要思想是将四张图片进行拼接到一张图上作为训练样本。

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。

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(可以是Yo l ov5s中的Focus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。

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。

可选的，所述初始神经网络模型还包括：CSPNet(跨阶段局部网络)模块，用于将梯度变化信息由上至下地集成到特征图中。

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。

上述实施例中用于姿态检测的神经网络模型的训练方法，通过获取样本数据，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；并根据所述样本数据，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。可以训练得到可用于姿态检测的神经网络模型，并且由于该模型通过不同用户状态下的用户姿态数据训练得到，因此训练出的神经网络模型可以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。

实施例三

图3是本发明实施例提供的另一种姿态检测方法的示意图。该方法中，通过床与空调互联来获取用户数据，判断处于日常状态或睡眠状态，然后再进行红外探头单元的实时人体检测，进行相应的状态输出，判断用户处于的状态类别，对于跌倒、易坠床、已坠床三种风险/站、蹲、坐、跌倒四种日常行为状态状态进行实时监控并警示，传输至云端便于监护人远程查看。

如图3所示，针对跌倒检测包括：床压力传感器感应用户状态；确定用户处于日常状态；红外探头对用户日常状态进行检测；检测模型实现对状态类型的识别(4类)；判断是否为摔倒状态，在是的情况下，空调开启预警并发送摔倒状态至云端，并绑定手机APP接收到日常状态；在否的情况下，红外探头继续对用户日常状态进行检测，以及后续步骤。

如图3所示，针对坠床检测包括：床压力传感器感应用户状态；确定用户处于睡眠状态；红外探头对用户睡眠状态进行检测；检测模型实现对状态类型的识别(3类)；判断是否为坠床状态，在是的情况下，空调开启预警并发送睡眠状态至云端，并绑定手机应用程序APP接收到日常状态；在否的情况下，红外探头继续对用户睡眠状态进行检测，以及后续步骤。

具体的，用户睡眠时会对床面产生压力，床的压力传感器输出参数，通过蓝牙或wif i连接上传用户的睡眠状态至空调主控模组，空调的检测芯片将相应地选择两种检测模式：分别是“用户处于日常状态”和“用户处于睡眠状态”，处于日常状态模式时，红外探头将采集到的图像数据进行分类和检测，判断用户处于的站、蹲、坐、跌倒四种日常行为状态，并相应作出决策，若是跌倒状态则空调主控开启警报，并且实时上传风险信息至云端并作出提醒，方便监护人查看。当空调主控接收到床压力传感器的睡眠模式信息时，用户处于睡眠状态，检测芯片启动第二种模式对用户的状态做出检测，判断用户睡眠过程中的三种状态：正常、坠床、易坠床，然后相应地进行警报和信息同步至云端的控制策略(可以相应地进行温度调控，处于坠床状态时为防止用户着凉对温度进行适当提高，调控挡风板防止直吹造成对用户的二次伤害)。

其中，可以使用改进YOLOv5s目标网络进行实时人体姿态检测，标注站、蹲、坐、跌倒四种姿态类别/正常、坠床、易坠床三种姿态类别，并进行网络训练，实现对跌倒行为/坠床行为的实时检测。

图4是本发明实施例提供的另一种用于姿态检测的神经网络模型的训练方法的示意图，如图4所示，利用机器学习的方式，对采集到的大量人体红外图像数据进行分类标注，并放入网络模型中训练，这个过程需要进行模型的适应性调整，针对两种数据集(跌倒和坠床)的特点进行相应的模型改进和调参。

如图4所示，针对跌倒检测的网络训练包括：步骤1、采集人体日常各种姿态下的红外图像；步骤2、划分主要姿态类型，进行数据集标注(站、蹲、坐、跌倒)；步骤3、构建并优化YOLOv5s网络模型；步骤4、基于数据集对改进的YOLOv5s网络模型进行训练；步骤5、基于训练后的网络模型，输出检测结果；步骤6、判断精度是否达标？如果达标，则执行步骤7，如果不达标，则执行步骤3；步骤7、网络模型通过开发板程序烧录到空调主控中。

如图4所示，针对坠床检测的网络训练包括：步骤1、采集人体不同睡眠状态下的红外图像；步骤2、划分睡眠姿态类型，进行数据集标注(正常、易坠床、已坠床)；步骤3、构建并优化YOLOv5s网络模型；步骤4、基于数据集对改进的YOLOv5s网络模型进行训练；步骤5、基于训练后的网络模型，输出检测结果；步骤6、判断精度是否达标？如果达标，则执行步骤7，如果不达标，则执行步骤3；步骤7、网络模型通过开发板程序烧录到空调主控中。

该实施例中，由于红外图像相比于普通RGB图像，其颗粒度粗糙，采用适合部署到空调系统上的YOLOv5s模型进行网络训练，YOLOv5s网络最小，速度最快，能够满足红外图像的检测需求。在数据集预处理阶段，标注前需要进行一些简单处理，主要围绕图像去噪、增强两方面，剔除红外图像中的异常颗粒点，以便于后续网络训练。

另外，在YOLOv5s模型搭建阶段，可以采用以下优选方式：(1)模型输入端采用Mossai c数据增强的方式，对图像进行自动缩放，增强模型的检测稳定性；(2)自适应锚框计算：针对两个不同的数据集，对应设置不同尺寸的初始锚框，训练过程中将输出的预测锚框与真实框进行比对；计算二者差距并反向更新权重数值，迭代网络参数；(3)采用Focus结构(即切片处理结构)，将图片数据或特征图进行切片，提高检测精确度；(4)CSP结构(即将原输入分成两个分支,分别进行卷积操作使得通道数减半,然后一个分支进行Bott leneck(沙漏型结构))：设计两种不同的CSP结构，CSP1_X结构应用于主干网络，另一种CSP2_X结构应用于Neck(一系列混合和组合图像特征的网络层,并将图像特征传递到预测层)中；(5)CSPNet结构，通过将梯度变化信息由上至下地集成到特征图中，增强红外图像的跨阶段局部特征提取能力，能够在增强CNN(卷积神经网络)学习能力的同时节约计算资源和成本。另外目标检测算法中识别精度主要与置信度、预测位置范围信息以及类别相关，其中与置信度相关的损失函数，是通过比较预测框与真实框所占闭包区域的比重计算得出，另外增加目标定位分数损失和类别判断分数损失采用二分类交叉熵损失函数。通过Loss值反向传递不断更新权重，得到理想的预测模型。将检测模型通过开发板端部署烧录至目标检测芯片中，联通到空调主控系统。进行床-空调联合红外检测，实时输出状态信息上传至云端。

在上述实施例中，在处于日常状态下空调系统启动跌倒检测模式，使用改进YOLOv5s目标网络进行实时人体姿态检测，标注站、蹲、坐、跌倒四种姿态类别并进行网络训练，实现对跌倒行为的实时检测；在处于睡眠状态下空调启动坠床检测模式，利用深度学习网络实现睡眠状态检测，区分正常睡眠、易坠床、已坠床三种状态，以达到坠床摔倒的实时监控。并且，可以利用异常行为状态信号控制空调发出预警信号，通过云端发送给监护人手机APP。该实施例能够实现对居家的跌倒坠床群体进行跌倒坠床风险行为的实时检测，能够有效监控人体的安全状态，便于实施及时救援，保障高风险群体的生命健康。

实施例四

图5是本发明实施例提供的一种姿态检测装置的结构示意图，如图5所示，该装置包括：

用户状态检测单元51，用于检测用户当前状态；

姿态检测模式获取单元53，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55，用于采集用户当前图像；

姿态信息确定单元57，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。

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。

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。

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。

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。

该实施例提供的姿态检测装置，通过检测用户当前状态；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。

实施例五

图6是本发明实施例提供的一种用于姿态检测的神经网络模型的训练装置的结构示意图，如图6所示，该装置包括：

样本数据获取单元61，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63，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。

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。

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。

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。

可选的，所述模型训练单元还用于：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。

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。

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。

可选的，所述模型训练单元还用于：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。

上述实施例中用于姿态检测的神经网络模型的训练装置，通过样本数据获取单元61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；并通过模型训练单元63，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。可以训练得到可用于姿态检测的神经网络模型，并且由于该模型通过不同用户状态下的用户姿态数据训练得到，因此训练出的神经网络模型可以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。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。