湖南数字语音关键事件检测

    本实用新型涉及监控技术领域，尤其涉及一种溺水语音关键事件检测系统。背景技术：随着生活水平的提高，游泳运动这一全身性锻炼的体育运动越来越受到人们的欢迎。由于游泳运动在水中进行，在游泳过程中，存在一定的危险性。对于初学者，在游泳过程中，因游泳技术不足导致无法随意呼吸、换气、行动等导致呛水，容易造成溺水事件；对于有经验的游泳者，可能会出现抽筋、碰撞受伤、意识模糊等原因导致溺水事件发生。若无法及时发现溺水的游泳者，极易导致溺水时间过长造成伤亡。为了有效地解决溺水问题，通常在游泳场馆中安装有摄像头。后台工作人员根据摄像头获取到的实时画面，判断是否有人发生溺水。当发现有人溺水时，通知游泳池边的救生人员。然而，上述方案存在效率低下和准确度较低的问题，无法及时地发现溺水现象。技术实现要素：本实用新型解决的问题是无法及时地发现溺水现象。为解决上述问题，本实用新型提供一种溺水事件检测系统，包括：n个适于实时采集图像的摄像头；所述n个摄像头均匀设置在游泳池壁上，且在垂直方向上与游泳池水面之间的距离小于预设值；n为正整数；控制器，与所述n个摄像头通信连接，适于获取所述n个摄像头实时采集的图像；告警装置。语音关键事件检测就找鱼亮科技，服务体系完善！湖南数字语音关键事件检测

    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。重庆信息化语音关键事件检测语音关键事件检测的意义是什么？欢迎咨询！

    语音关键事件检测JLayer和LayerUI结合起来可以检测任意区域上发生的事件(包括嵌套的子组件)，这些类共同提供了4个方法来检测事件。·publicvoidsetLayerEventMask(longlayerEventMask)调用这个JLayer方法时必须使用位掩码AWTEvent常量选择它检测到的事件类型，如：setLayerEventMask(|);可以检测到按键和焦点改变事件。·publicvoidinstallUI(JComponentc)这个LayerUI方法通常放在setLayerEventMask()方法之前，这个方法类的代码首先调用超类方法((c);)，然后是引用JLayer的JComponent参数，使用setLayerEventMask():((JLayer)c).setLayerEventMask();返回的结果。·publicvoiduninstallUI(JComponentc)这个LayerUI方法放在没有参数的setLayerEventMask()方法后，这个方法内的代码首先调用超类方法((c);)，然后是引用JLayer的JComponent参数，使用setLayerEventMask():((JLayer)c).setLayerEventMask(0);返回的结果。·publicvoideventDispatched(AWTEvente,Jlayerl)只要前面注册的事件发生了，就会调用这个LayerUI方法，在这个方法中插入的代码负责响应事件，并恰当地更新层，更新了不同的绘制属性(如颜色)后，通过传递给这个方法的JLayer参数调用repaint()方法重新绘制。

    第二类图像中各个图像均为：基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的光流图。具体的，在本实现方式中，第二类图像为：包括光流图和光流图之前的连续n帧光流图的多张图像；其中，n为正整数；或者，第二类图像为：光流图。也就是说，在本实现方式中，电子设备可以将所获得的光流图确定为待分析图像；此外，在获取到光流图后，电子设备可以判断光流图之前的连续n帧光流图是否均是基于每两帧连续的关于目标防护舱且包括目标对象的图像获取的，当判断结果为是时，电子设备也可以将包括光流图和该连续n帧光流图的多张图像确定为待分析图像。这样，用于确定当前时刻，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中用户的运动变化情况，进而提高事件检测的准确率。其中，n可以为任一正整数，例如，5，10等。基于上述对步骤s304中的说明中，对检测模型模型的描述内容，可以确定不同类型和数量的待分析图像，所利用的检测模型不同。进一步的，针对不同的待分析图像，则上述步骤s304的实现方式不同。下面，针对不同类型和数量的待分析图像，对上述步骤s304的具体执行方式，以及待分析图像与检测模型之间的对应关系进行举例说明。语音关键事件检测技术怎么样？欢迎来电咨询！

    本申请提供了一种事件检测方法，如图1所示，所述方法可以包括s101-s105：s101、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，在获得语句的向量化语义表示w1之前，可以首先对要进行事件抽取的数据进行预处理。在本申请的示例性实施例中，所述方法还可以包括：预先将触发词的类型划分为x种，将事件主体的类型划分为y种，其中，x、y均为正整数；在获得语句的向量化语义表示w1之前，根据设定的span宽度，对语句进行span划分，以将语句划分为多个span，并对每个span进行标记；其中，每个标记表示x+y+1种类型中的任意一种，1表示所述触发词的类型和所述事件主体的类型以外的其他类型。在本申请的示例性实施例中，假设触发词的类型(可以称为事件类型)数为n_event＝10，即x＝10，事件主体的类型(可以称为实体类型)数为n_entity＝20，即y＝20，则一共有10+20＝30种类型。在本申请的示例性实施例中，可以首先对数据进行span的划分。以单个句子为例，假如设定span的大宽度max_span_width＝8，则可以得到多个span，需要对每个span进行标记，即确定每个span是否是触发词、事件主体还是其他类型(other类型)。在进行分类时，一共有30种类型，加上other类型一共31种。利用语音关键事件检测技术，我们可以实现音频数据的自动分类和标签化，方便后续的检索和分析。江苏自主可控语音关键事件检测特征

语音关键事件检测的劣处是什么？欢迎咨询！湖南数字语音关键事件检测

    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。在该检测模型的训练过程中，可以将各个样本图像作为待训练模型的输入，将各个样本图像的事件检测结果作为待训练模型的输出。这样，在训练过程中，待训练模型可以学习各个样本图像中的图像特征，输出各个样本图像的事件检测结果，逐步建立样本图像的图像特征和事件检测结果的对应关系。这样，经过大量样本图像的学习，便可以得到上述检测模型。而该训练得到的检测模型也就可以用于对基于当前帧图像确定的待分析图像进行检测，输出的事件检测结果，即为关于目标防护舱的事件检测结果。显然，在训练上述检测模型时，所使用的样本图像为关于防护舱的图像。需要强调的是，不同类型和数量的待分析图像，所利用的检测模型也是不同的。为了行为清楚，后续将会对待分析图像与检测模型之间的对应关系进行举例说明。需要说明的是，上述检测模型可以在电子设备中训练得到的，也可以在与电子设备通信连接的其他电子设备中训练得到的，这样，电子设备便可以从该其他电子设备中获得上述检测模型，这都是合理的。此外，在本发明实施例中，电子设备可以检测目标防护舱内是否发生异常事件，则在这种情况下。湖南数字语音关键事件检测