湖南语音关键事件检测

    本发明实施例提供的一种事件检测方法可以引用于任一能够利用模型进行图像检测的电子设备，例如，平板电脑、笔记本电脑、台式电脑等，这都是合理的。为了描述方便，以下简称电子设备。需要说明的是，当前存在多台投入使用的防护舱，而针对每台防护舱都可以采用本发明实施例提供的一种事件检测方法来对关于该防护舱的事件进行检测。其中，每台电子设备可以只针对一台防护舱，检测关于该防护舱的事件；也可以针对多台防护舱，分别检测关于该多台防护舱的事件。这都是合理的。具体的，当一台电子设备针对多台防护舱，分别检测关于该多台防护舱的事件时，可以为每台防护舱添加标签，进而，确定的每台防护舱对应的待分析图像中也会携带有该防护舱的标签。这样，电子设备便可以区分每台防护舱对应的待分析图像，进而，确定关于每台防护舱的事件检测结果。其中，每台防护舱都是该电子设备对应的目标防护舱。而针对每台防护舱，电子设备均采用本发明实施例提供的事件检测方法对关于该防护舱的事件进行检测。为了便于理解，图3所示的流程图，便是从电子设备对关于一台目标防护舱的事件进行检测的角度，对本发明实施例的一种事件检测方法进行说明。如图3所示。语音关键事件检测有哪些关键技术？湖南语音关键事件检测

    也就是说，安装在防护舱内的用于监控防护舱内情况的摄像头，可以作为本发明实施例中关于防护舱的图像的数据来源。这样，可以通过一个设备实现多种功能，可以极大地节省成本。当然，也可以在防护舱的相关位置上安装专门用于实时采集关于防护舱的图像的图像采集设备。这都是合理的。其中，为了获得较高的关于目标防护舱的事件检测结果的准确率，人们希望所获得的关于防护舱的图像能够尽可能的包括防护舱内更多的区域，即人们希望图像采集设备的拍摄区域能够尽可能地覆盖到防护舱内更多的空间。例如，如图2所示，可以将安装在防护舱顶部的摄像头作为本发明实施例中关于防护舱的图像的数据来源。其中，摄像机的镜头可以垂直于舱顶，也可以倾斜于舱顶，与舱顶形成一定的角度，例如，不小于60度。这都是合理的。当然，在实际应用中，作为关于防护舱的图像的数据来源的图像采集设备也可以安装在其他位置，只要能够保证能够基于该图像采集设备所采集到的关于防护舱的图像，确定当前时刻，关于目标防护舱的事件检测结果即可。下面，对本发明实施例提供的一种事件检测方法，进行介绍。图3为本发明实施例提供的一种事件检测方法的流程示意图。需要说明的是。湖南语音关键事件检测语音关键事件检测主要对哪些领域有大作用？

    在本实现方式中，类图像为：当前帧图像和当前帧图像之前的连续m帧图像的多张图像，其中，m为正整数；或者，类图像为：当前帧图像。也就是说，在本实现方式中，电子设备可以将所获得的当前帧图像确定为待分析图像；此外，在获取到当前帧图像，并判断该当前帧图像包括目标对象后，电子设备可以判断所获取的关于目标防护舱的当前帧图像之前的连续m帧图像是否均包括目标对象，这样，便可以将当前帧图像和该m帧图像确定为待分析图像。这样，用于确定关于目标防护舱的事件检测结果的待分析图像为多张，可以更充分地反映目标防护舱内部空间的情况，进而提高事件检测的准确率。其中，m可以为任一正整数，例如，5，10等。s304：将待分析图像输入到预设的检测模型中，得到关于目标防护舱的事件检测结果；其中，检测模型为：基于各个样本图像和每个样本图像的事件检测结果所训练得到的模型。在确定待分析图像后，电子设备便可以将待分析图像输入到预设的检测模型中，得到关于目标防护舱的事件检测结果。具体的，在将待分析图像输入到预设的检测模型中后，电子设备可以得到预设的检测模型的输出结果，进而，根据该检测结果，电子设备便可以确定关于目标防护舱的事件检测结果。其中。

    光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括n+1帧光流图。第二种情况：待分析图像为：当前帧图像和当前帧图像之前的连续m帧图像的多张图像；场景图像检测模型为：采用各个样本图像组和每个样本图像组的事件检测结果所训练得到的模型，且每一样本图像组中包括m+1帧场景图像；辅助图像为：光流图；光流图检测模型为：采用各个第二样本图像和每个第二样本图像的事件检测结果所训练得到的模型，且每个第二样本图像为一帧光流图。第三种情况：待分析图像为：当前帧图像；场景图像检测模型为：采用各个样本图像和每个样本图像的事件检测结果所训练得到的模型，且每个样本图像为一帧场景图像；辅助图像为：包括光流图和光流图之前的连续n帧光流图的多张图像；光流图检测模型为：采用各个第二样本图像组和每个第二样本图像组的事件检测结果所训练得到的模型，且每一第二样本图像组中包括n+1帧光流图。第四种情况：待分析图像为：当前帧图像；场景图像检测模型为：采用各个样本图像和每个样本图像的事件检测结果所训练得到的模型，且每个样本图像为一帧场景图像；辅助图像为：光流图。语音关键事件检测的不足之处。

    上述本发明实施例提供的一种事件检测方法还可以包括如下步骤a1-a2：步骤a1：判断目标防护舱当前时刻发生的事件类型是否包括预设类型的事件；如果是，执行步骤a2；步骤a2：生成并发出与预设类型对应的报警信号。当电子设备确定当前时刻目标防护舱内出现的异常事件的类型后，便可以进一步判断该事件类型是否包括预设类型的事件，并在判断结果为时是，生成并发出与预设类型对应的报警信息。例如，当电子设备确定当前时刻目标防护舱内出现的异常事件为用户倒地事件，而预设类型的事件也为用户倒地事件时，电子设备便可以判断得到：目标目标防护舱当前时刻发生的事件类型包括预设类型的事件。进而，电子设备便可以生成和发出与用户倒地事件对应的报警信号，例如，发出“请拨打120”的语音信息等。其中，电子设备生成并发出的报警信号可以有多种形式，例如，指示灯闪烁，发出语音信息，发出警报声等。这都是合理的。此外，为了能够更充分地了解异常事件发生前后，目标防护舱的内部情况，监控人员通常会在异常事件处理结束后，去查看目标防护舱的监控视频。然而，由于目标防护舱的监控视频具有大量的视频数据，且该数据数据还在实时增加，因此。语音关键事件检测的意义是什么？湖南语音关键事件检测

语音关键事件检测的好处有哪些？湖南语音关键事件检测

    每种类型与某一数字对应，以便于计算机的处理，则可以分别标记为[0,1,2,3,4,...,29,30]。在本申请的示例性实施例中，因计算机无法直接处理中文，因此可以将句子(语句)中每一个单词转化为数字的映射。即，获得语句的向量化语义表示w1。在本申请的示例性实施例中，所述获得语句的向量化语义表示w1可以包括：通过双向lstm网络模型或bert模型获得语句的向量化语义表示w1。在本申请的示例性实施例中，在通过双向lstm网络获得语句的向量化语义表示w1之前，所述方法还可以包括：将语句中的m个字符随机初始化为一个维度为[m，n]的n维向量d，其中，对于从0到m-1的索引id，每个id对应一个不同的字符；对于长度为s的语句，该语句中每一个字符能够在向量d中找到对应的id，从而获得维度为[s，d]的向量。在本申请的示例性实施例中，通过双向lstm网络获得语句的向量化语义表示w1可以包括：将维度为[s，d]的向量输入预设的双向lstm神经网络，将所述双向lstm神经网络的输出作为语句的向量化语义表示w1。在本申请的示例性实施例中，假设语料中一共有20000个不同的字符(汉字和/或单词，可以包括其他常用符号)，每个字符可以随机初始化为一个300维的向量，则可以得到一个维度为[20000。湖南语音关键事件检测

深圳鱼亮科技有限公司致力于通信产品，以科技创新实现***管理的追求。深圳鱼亮科技深耕行业多年，始终以客户的需求为向导，为客户提供***的智能家居，语音识别算法，机器人交互系统，降噪。深圳鱼亮科技致力于把技术上的创新展现成对用户产品上的贴心，为用户带来良好体验。深圳鱼亮科技始终关注通信产品行业。满足市场需求，提高产品价值，是我们前行的力量。