本发明专利技术提供基于AI学习的近视防控系统及方法，其中，系统包括：第一获取子系统，用于确定需要进行近视防控的防控人员，获取防控人员的人员属性信息；智能学习子系统，用于基于AI学习技术，根据人员属性信息，训练近视防控模型；第二获取子系统，用于获取防控人员的实时监测信息；防控结果确定子系统，用于基于近视防控模型，根据实时监测信息，实时进行近视防控，获得防控结果。本发明专利技术的基于AI学习的近视防控系统及方法，引入需要进行近视防控的防控人员的人员属性信息，基于AI学习技术，根据人员属性信息，训练近视防控模型，根据近视防控模型和实时监测信息，确定防控结果，提高了防控的精准性，进一步降低了近视概率。
【技术实现步骤摘要】
本专利技术涉及ai学习，特别涉及基于ai学习的近视防控系统及方法。
技术介绍
1、ai学习是指人工智能系统通过算法和数据进行学习和改进的过程。ai学习可以分为监督学习、无监督学习、强化学习和深度学习等不同的方法和技术。近视是一种常见的眼健康问题，特别是在现代社会中，许多人长时间进行近距离用眼，如使用电子设备和阅读，增加了近视的风险。基于ai学习的近视防控系统和方法可以通过结合人工智能技术和眼科领域的知识来提供个性化的近视防控建议和支持。
2、申请号为cn201910276914.3的专利技术专利公开了一种基于ai学习的智能防近视系统，其中，系统包括：用眼行为监测单元，所述用眼行为监测单元包括距离传感器、加速度传感器；装置本体内还设有接收传感单元发回的用眼数据并进行处理的mcu中央处理器，服务器与mcu中央处理器交互传输数据，服务器学习大量用户发回的用眼数据不断优化算法，无线信号收发器和服务器的路径之间还设有移动终端，移动终端将服务器对用眼数据的分析结果显示给用户并在用户控制下分别与mcu中央处理器和服务器进行交互，上述专利技术能定量检测多种涉及用眼习惯的变量，利用大数据技术与人工智能学习不断优化算法，有利于全面分析用眼习惯并能从多个维度进行纠偏，提醒用户逐步纠正不良用眼习惯。
3、但是，上述现有技术只说明全面分析用户用眼习惯并从多个维度进行纠偏，但是，当用户属性(比如：眼部疾病或者与眼部相关的疾病等)不同时，纠偏标准也不同，若使用统一的纠偏标准，近视防控不够精确，进而会进一步增加用户的近视概率。
<
p>4、有鉴于此，亟需一种基于ai学习的近视防控系统及方法，以至少解决上述不足。
技术实现思路
1、本专利技术目的之一在于提供了基于ai学习的近视防控系统，引入需要进行近视防控的防控人员的人员属性信息，基于ai学习技术，根据人员属性信息，训练近视防控模型，根据近视防控模型和实时监测信息，确定防控结果，提高了防控的精准性，进一步降低了近视概率。
2、本专利技术实施例提供的基于ai学习的近视防控系统，包括：
3、第一获取子系统，用于确定需要进行近视防控的防控人员，获取防控人员的人员属性信息；
4、智能学习子系统，用于基于ai学习技术，根据人员属性信息，训练近视防控模型；
5、第二获取子系统，用于获取防控人员的实时监测信息；
6、防控结果确定子系统，用于基于近视防控模型，根据实时监测信息，实时进行近视防控，获得防控结果。
7、优选的，第一获取子系统，包括：
8、身份id获取模块，用于获取防控人员的身份id；
9、人员属性信息确定模块，用于根据身份id和预设的人员属性信息库，确定人员属性信息。
10、优选的，智能学习子系统，包括：
11、人工智能学习记录获取模块，用于获取第一ai学习记录；
12、第二ai学习记录确定模块，用于根据人员属性信息，确定第一ai学习记录中的第二ai学习记录；
13、全面值分析模块，用于对第二ai学习记录进行训练全面性分析，获得全面值；
14、第三ai学习记录确定模块，用于若全面值大于等于预设的全面值阈值，将对应第二ai学习记录作为第三ai学习记录；
15、小样本学习模块，用于若全面值小于预设的全面值阈值，基于小样本学习技术，根据相应第二a i学习记录，确定第四ai学习记录；
16、近视防控模型训练模块，用于根据第三ai学习记录或第四ai学习记录，训练近视防控模型。
17、优选的，全面值分析模块，包括：
18、标记记录收集子模块，用于收集第五ai学习记录；其中，每个第五ai学习记录预先被标记全面性标签；
19、第一特征向量确定子模块，用于基于预设的数据特征提取模板，根据第五ai学习记录，确定第一数据特征，并将第一数据特征表示为第一特征向量；
20、深度学习模型获取子模块，用于获取预设的深度学习模型；
21、全面性分析模型确定子模块，用于基于深度学习模型，根据第一特征向量和对应的全面性标签，确定全面性分析模型；
22、第二特征向量确定子模块，用于基于数据特征提取模板提取第二ai学习记录的第二数据特征，并将第二数据特征表示为第二特征向量；
23、全面值输出子模块，用于将第二特征向量输入全面性分析模型，获得全面值。
24、优选的，防控结果确定子系统，包括：
25、信息分拣器获取模块，用于获取预设于近视防控模型前端的信息分拣器；
26、比较结果确定模块，用于将实时监测信息输入信息分拣器，确定信息分拣器的分拣单元对应预设的比较器的比较结果；
27、特征信息确定模块，用于若比较结果存在匹配不符合，获取输出的比较结果为匹配不符合的分拣单元的特征信息；
28、近视防控模块，用于根据特征信息，进行近视防控。
29、优选的，近视防控模块，包括：
30、特征信息解析子模块，用于解析特征信息，获取第一防控目标和第一防控类型；
31、防控策略确定子模块，用于根据第一防控类型，确定防控策略；
32、策略类型获取子模块，用于获取防控策略的策略类型；所述策略类型包括：即时策略和后续策略；
33、即时防控子模块，用于当策略类型为即时策略时，确定第一防控目标的目标位置，根据目标位置，即时调度防控机器人进行相应防控；
34、后续防控子模块，用于当策略类型为后续策略时，基于问卷提醒规则，对第一防控目标进行相应防控。
35、优选的，即时防控子模块，包括：
36、目标地图获取单元，用于获取第一防控目标所在的目标地图；
37、点位确定单元，用于确定目标位置对应于目标地图的第一点位，同时，确定空闲的防控机器人对应于目标地图的第二点位；
38、第一防控目标遍历单元，用于依次遍历第一防控目标，将当前正在遍历的第一防控目标作为第二防控目标，确定第二防控目标对应的第一点位，并作为第三点位；
39、关联防控机器人确定单元，用于根据第二点位、第三点位和目标地图，确定第二防控目标对应的关联防控机器人；
40、第四点位确定单元，用于确定关联防控机器人的第四点位；
41、第二防控类型确定单元，用于根据第三点位、第四点位和目标地图，控制控制关联防控机器人基于目标线路前往关联防控机器对应的第二防控目标的目标位置处，当关联防控机器人到达对应的第二防控目标的目标位置处后，获取第二防控目标的第一防控类型，并作为第二防控类型；
42、防控提醒单元，用于获取第二防控类型对应预设的防控提醒规则，根据防控提醒规则提醒相应第二防控目标。
43、优选的，关联防控机器人确定单元，包括：
44、地图线路获取子单元，用于根据目标地图，获取第二点位和第三点位之间的地图线路；<本文档来自技高网
...
【技术保护点】
1.基于AI学习的近视防控系统，其特征在于，包括：
2.如权利要求1所述的基于AI学习的近视防控系统，其特征在于，第一获取子系统，包括：
3.如权利要求1所述的基于AI学习的近视防控系统，其特征在于，智能学习子系统，包括：
4.如权利要求3所述的基于AI学习的近视防控系统，其特征在于，全面值分析模块，包括：
5.如权利要求1所述的基于AI学习的近视防控系统，其特征在于，防控结果确定子系统，包括：
6.如权利要求5所述的基于AI学习的近视防控系统，其特征在于，近视防控模块，包括：
7.如权利要求6所述的基于AI学习的近视防控系统，其特征在于，即时防控子模块，包括：
8.如权利要求7所述的基于AI学习的近视防控系统，其特征在于，关联防控机器人确定单元，包括：
9.如权利要求6所述的基于AI学习的近视防控系统，其特征在于，后续防控子模块，包括：
10.基于AI学习的近视防控方法，其特征在于，包括：
【技术特征摘要】
1.基于ai学习的近视防控系统，其特征在于，包括：
2.如权利要求1所述的基于ai学习的近视防控系统，其特征在于，第一获取子系统，包括：
3.如权利要求1所述的基于ai学习的近视防控系统，其特征在于，智能学习子系统，包括：
4.如权利要求3所述的基于ai学习的近视防控系统，其特征在于，全面值分析模块，包括：
5.如权利要求1所述的基于ai学习的近视防控系统，其特征在于，防控结果确定子系统，包括：
<...
【专利技术属性】
技术研发人员：伍卫东，伍延峻，项道满，蔡俊涛，
申请(专利权)人：广州视域光学科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。