富士通实验室有限公司和富士通研发中心有限公司(FRDC)今天宣布开发“Actlyzer”洗手动作识别技术，该技术利用AI和机器学习技术，从视频捕捉的视频数据中识别复杂的洗手动作。相机。在全球疫情，洗手作为保护人们健康免受细菌、流感等传染病侵害的一项措施，再次引起了全世界的关注。根据日本定于2020年6月生效的新法规(1)，食品经营者也将被要求根据国际HACCP(2)食品安全标准采取更强有力的措施确保卫生，因此制定非食品安全法规迫在眉睫。-侵入式方法，可以快速准确地确认正确的洗手方式。
为此，富士通扩展了其现有Actlyzer行为分析技术的识别功能，可以识别各种细微复杂的人体动作，而无需依赖大量的训练数据。具体来说，富士通拥有完善的手部动作识别功能，以创建自动识别洗手过程中执行的复杂手部动作的技术。
利用这种技术，可以很容易地确定是否有人按照日本厚生劳动省的建议进行了六个洗手步骤中的每一个步骤，从而减少了检查员在进行现场卫生检查时进行侵入性目视检查所需的工时管理。
展望未来，富士通预计这项技术还将用于医疗机构、学校、酒店和大型活动场所等其他各种场合，并计划进行实地试验和额外的研发，作为其潜在的解决方案。未来AI产品组合。
发展背景
日本厚生劳动省建议人们遵循六个步骤，确保正确洗手，防止食物中毒和传染病传播(图1)。
目前，餐饮服务行业的工作人员在洗手时需要执行这六个步骤，并确认手的不同部位在每个步骤中都被擦拭了一定次数以上。为此，食品服务供应商填写一份清单并进行自我报告，现场工作人员将接受主管的目测检查。
但是，由于验证仍然是手动完成的，因此与人为错误、检查员的资源保护等相关的成本。仍然是一个持续的挑战。随着包括食品行业在内的许多制造商通过使用机器学习技术继续将检测过程推向过程自动化，洗手检测成为通过自动化实现过程优化的主要候选。
挑战
使用深度学习的手势识别是识别手和手指运动的常用技术。这种常规技术可以从手的图像中检测多个特征点，例如关节和指尖，并根据特征点的位置关系来确定手势(图2的左侧)。
然而，现有技术的一个问题是，当人们正确洗手时，他们的手会重叠并在肥皂上起泡，这会掩盖手指上的检测点，并阻碍准确的手势识别(如图2中的右图)。
为了解决这一挑战，富士通实验室有限公司和FRDC开发了一种新的AI技术，可以在上述条件下自动准确地识别手部动作，从而扩展了原有Actlyzer行为分析技术的识别功能。
在新技术的帮助下，洗手的复杂手部动作是手形和反复搓揉动作的组合，由两个深度学习引擎检测：手形识别和动作识别(图3)。
双手形状识别引擎使用两只手的基本形状的学习模型来确定图像的每一帧的手形，这是手运动的典型形式。在这个模型中，双手叠放在一起。从整体形状着眼，解决了由于手重叠或泡沫导致的指尖和关节特征点无法正确检测的问题。
此外，富士通独有的AI技术“高耐久性学习”可以跟踪数据的变化，即使在操作过程中相机位置或光线发生变化时，也能确保高精度地识别两只手的基本形状。
运动识别引擎使用学习模型，该模型从连续帧中检测周期性变化的运动，并根据迭代模式及其周期将迭代次数计算为摩擦次数。此外，结果
运动识别引擎根据手形识别引擎识别的步数设置待判断的运动幅度的阈值，以防止检测到错误的时间段，例如与泡沫运动或摩擦无关的手震。双手形状识别引擎利用运动识别引擎检测到的重复模式周期对判断结果进行过滤，提高检测精度。
效果特别好
约有2000种变化的洗手视频数据集；所有的内容，包括人物，相机位置，肥皂类型，都是独立拍摄和收集的，用于学习和评估。可以确认的是，正确洗手的六个步骤平均准确率在95%以上，搓手次数准确率在90%以上。
在现场操作系统时，可以避免遗漏操作，因为洗手的人总是知道搓手需要多长时间，以及他们完成了六个阶段中的哪一个，因为系统会确保它会显示在屏幕上，直到他们洗手。完完全全。此外，系统会自动记录数据，包括开始时间戳、完成每六步的动作时间和摩擦次数。(图4)。
这项技术可以在需要严格卫生控制的工作场所自动进行现场洗手检查，从而消除视觉确认和手动记录所需的工时。此外，由于该系统无法识别不正确或不完全的洗手，富士通希望该解决方案将有助于教育用户，并确保正确洗手方法的标准化。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 puzdycom@126.com 举报，一经查实，本站将立刻删除。
