阿里网站制作需要多少钱,那些网站是php开发的,怎么做网站出肉狗,自己名字怎么设计logo0 前言
#x1f525; 优质竞赛项目系列#xff0c;今天要分享的是
#x1f6a9; **基于深度学习的人体跌倒检测算法研究与实现 **
该项目较为新颖#xff0c;适合作为竞赛课题方向#xff0c;学长非常推荐#xff01;
#x1f947;学长这里给一个题目综合评分(每项满…0 前言 优质竞赛项目系列今天要分享的是 **基于深度学习的人体跌倒检测算法研究与实现 **
该项目较为新颖适合作为竞赛课题方向学长非常推荐
学长这里给一个题目综合评分(每项满分5分)
难度系数3分工作量3分创新点5分 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate 1.前言
人体跌倒是人们日常生活中常见姿态之一且跌倒的发生具有随机、难以预测的特点其次跌倒会给人体造成不同程度的伤害很多人跌倒后由于得不到及时的救助而加重受到的伤害甚至出现残疾或者死亡的情况同时随着人口老龄化问题的日渐加剧跌倒已经成为了我国65周岁以上老人受伤致死的主要原因。因此跌倒事件严重影响着人们的身体健康跌倒检测具有十分重要的研究意义。
2.实现效果
跌倒效果 站立、蹲坐效果 3.相关技术原理
3.1卷积神经网络
简介
CNN 是目前机器用来识别物体的图像处理器。CNN 已成为当今自动驾驶汽车、石油勘探和聚变能研究领域的眼睛。在医学成像方面它们可以帮助更快速发现疾病并挽救生命。得益于 CNN 和递归神经网络 (RNN)各种 AI 驱动型机器都具备了像我们眼睛一样的能力。经过在深度神经网络领域数十年的发展以及在处理海量数据的 GPU 高性能计算方面的长足进步大部分 AI 应用都已成为可能。
原理
人工神经网络是一个硬件和/或软件系统模仿神经元在人类大脑中的运转方式。卷积神经网络 (CNN) 通常会在多个全连接或池化的卷积层中应用多层感知器对视觉输入内容进行分类的算法的变体。
CNN 的学习方式与人类相同。人类出生时并不知道猫或鸟长什么样。随着我们长大成熟我们学到了某些形状和颜色对应某些元素而这些元素共同构成了一种元素。学习了爪子和喙的样子后我们就能更好地区分猫和鸟。
神经网络的工作原理基本也是这样。通过处理标记图像的训练集机器能够学习识别元素即图像中对象的特征。
CNN 是颇受欢迎的深度学习算法类型之一。卷积是将滤波器应用于输入内容的简单过程会带来以数值形式表示的激活。通过对图像反复应用同一滤波器会生成名为特征图的激活图。这表示检测到的特征的位置和强度。
卷积是一种线性运算需要将一组权重与输入相乘以生成称为滤波器的二维权重数组。如果调整滤波器以检测输入中的特定特征类型则在整个输入图像中重复使用该滤波器可以发现图像中任意位置的特征。 关键代码
基于tensorflow的代码实现
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist input_data.read_data_sets(MNIST_data_bak/, one_hotTrue)sess tf.InteractiveSession()# 截断的正太分布噪声标准差设为0.1def weight_variable(shape):initial tf.truncated_normal(shape, stddev0.1)return tf.Variable(initial)def bias_variable(shape):initial tf.constant(0.1, shapeshape)return tf.Variable(initial)# 卷积层和池化层也是接下来要重复使用的因此也为它们定义创建函数# tf.nn.conv2d是TensorFlow中的2维卷积函数参数中x是输入W是卷积的参数比如[5, 5, 1, 32]# 前面两个数字代表卷积核的尺寸第三个数字代表有多少个channel因为我们只有灰度单色所以是1如果是彩色的RGB图片这里是3# 最后代表核的数量也就是这个卷积层会提取多少类的特征# Strides代表卷积模板移动的步长都是1代表会不遗漏地划过图片的每一个点Padding代表边界的处理方式这里的SAME代表给# 边界加上Padding让卷积的输出和输入保持同样SAME的尺寸def conv2d(x, W):return tf.nn.conv2d(x, W, strides[1, 1, 1, 1], paddingSAME)# tf.nn.max_pool是TensorFlow中的最大池化函数我们这里使用2*2的最大池化即将2*2的像素块降为1*1的像素# 最大池化会保留原始像素块中灰度值最高的那一个像素即保留最显著的特征因为希望整体上缩小图片尺寸因此池化层# strides也设为横竖两个方向以2为步长。如果步长还是1那么我们会得到一个尺寸不变的图片def max_pool_2x2(x):return tf.nn.max_pool(x, ksize[1, 2, 2, 1], strides[1, 2, 2, 1], paddingSAME)# 因为卷积神经网络会利用到空间结构信息因此需要将1D的输入向量转为2D的图片结构即从1*784的形式转为原始的28*28的结构
# 同时因为只有一个颜色通道故最终尺寸为[-1, 28, 28, 1]前面的-1代表样本数量不固定最后的1代表颜色通道数量
x tf.placeholder(tf.float32, [None, 784])
y_ tf.placeholder(tf.float32, [None, 10])
x_image tf.reshape(x, [-1, 28, 28, 1])# 定义我的第一个卷积层我们先使用前面写好的函数进行参数初始化包括weights和bias这里的[5, 5, 1, 32]代表卷积
# 核尺寸为5*51个颜色通道32个不同的卷积核然后使用conv2d函数进行卷积操作并加上偏置项接着再使用ReLU激活函数进行
# 非线性处理最后使用最大池化函数max_pool_2*2对卷积的输出结果进行池化操作
W_conv1 weight_variable([5, 5, 1, 32])
b_conv1 bias_variable([32])
h_conv1 tf.nn.relu(conv2d(x_image, W_conv1) b_conv1)
h_pool1 max_pool_2x2(h_conv1)# 第二层和第一个一样但是卷积核变成了64
W_conv2 weight_variable([5, 5, 32, 64])
b_conv2 bias_variable([64])
h_conv2 tf.nn.relu(conv2d(h_pool1, W_conv2) b_conv2)
h_pool2 max_pool_2x2(h_conv2)# 因为前面经历了两次步长为2*2的最大池化所以边长已经只有1/4了图片尺寸由28*28变成了7*7
# 而第二个卷积层的卷积核数量为64其输出的tensor尺寸即为7*7*64
# 我们使用tf.reshape函数对第二个卷积层的输出tensor进行变形将其转成1D的向量
# 然后连接一个全连接层隐含节点为1024并使用ReLU激活函数
W_fc1 weight_variable([7 * 7 * 64, 1024])
b_fc1 bias_variable([1024])
h_pool2_flat tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) b_fc1)# 防止过拟合使用Dropout层
keep_prob tf.placeholder(tf.float32)
h_fc1_drop tf.nn.dropout(h_fc1, keep_prob)# 接 Softmax分类
W_fc2 weight_variable([1024, 10])
b_fc2 bias_variable([10])
y_conv tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) b_fc2)# 定义损失函数
cross_entropy tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv),reduction_indices[1]))
train_step tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)correct_prediction tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
3.1YOLOV5简介
基于卷积神经网络(convolutional neural network, CNN)的目标检测模型研究可按检测阶段分为两类一 类 是 基 于 候 选 框 的 两 阶 段 检 测 R-CNN 、 Fast R-CNN、Faster R-CNN、Mask R-CNN都是基于 目标候选框的两阶段检测方法另一类是基于免候选框的单阶段检测SSD、YOLO系列都是典型的基于回归思想的单阶段检测方法。
YOLOv5 目标检测模型 2020年由Ultralytics发布的YOLOv5在网络轻量化 上贡献明显检测速度更快也更加易于部署。与之前 版本不同YOLOv5 实现了网络架构的系列化分别 是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、 YOLOv5x。这5种模型的结构相似通过改变宽度倍 数(Depth multiple)来改变卷积过程中卷积核的数量 通 过 改 变 深 度 倍 数 (Width multiple) 来 改 变 BottleneckC3(带3个CBS模块的BottleneckCSP结构)中 C3的数量从而实现不同网络深度和不同网络宽度之 间的组合达到精度与效率的平衡。YOLOv5各版本性能如图所示 模型结构图如下 3.2 YOLOv5s 模型算法流程和原理
YOLOv5s模型主要算法工作流程原理
(1) 原始图像输入部分加入了图像填充、自适应 锚框计算、Mosaic数据增强来对数据进行处理增加了 检测的辨识度和准确度。
(2) 主干网络中采用Focus结构和CSP1_X (X个残差结构) 结构进行特征提取。在特征生成部分 使用基于SPP优化后的SPPF结构来完成。
(3) 颈部层应用路径聚合网络[22](path-aggregation network, PANet)和CSP2_X进行特征融合。
(4) 使用GIOU_Loss作为损失函数。
关键代码
4.数据集处理
获取摔倒数据集准备训练如果没有准备好的数据集可自己标注但过程会相对繁琐
深度学习图像标注软件众多按照不同分类标准有多中类型本文使用LabelImg单机标注软件进行标注。LabelImg是基于角点的标注方式产生边界框对图片进行标注得到xml格式的标注文件由于边界框对检测精度的影响较大因此采用手动标注并没有使用自动标注软件。
考虑到有的朋友时间不足博主提供了标注好的数据集和训练好的模型需要请联系。
3.1 数据标注简介
通过pip指令即可安装
pip install labelimg
在命令行中输入labelimg即可打开 打开你所需要进行标注的文件夹点击红色框区域进行标注格式切换我们需要yolo格式因此切换到yolo
点击Create RectBo - 拖拽鼠标框选目标 - 给上标签 - 点击ok
3.2 数据保存
点击save保存txt。 5.模型训练
配置超参数 主要是配置data文件夹下的yaml中的数据集位置和种类 配置模型 这里主要是配置models目录下的模型yaml文件主要是进去后修改nc这个参数来进行类别的修改。 目前支持的模型种类如下所示 训练
如果上面的数据集和两个yaml文件的参数都修改好了的话就可以开始yolov5的训练了。首先我们找到train.py这个py文件。
然后找到主函数的入口这里面有模型的主要参数。修改train.py中的weights、cfg、data、epochs、batch_size、imgsz、device、workers等参数 至此就可以运行train.py函数训练自己的模型了。
训练代码成功执行之后会在命令行中输出下列信息接下来就是安心等待模型训练结束即可。 6 最后 更多资料, 项目分享
https://gitee.com/dancheng-senior/postgraduate
