基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

基于惯性传感的人员行进动作识别方法

人员行进动作的识别对于行人航位推算(PDR)的计算精度有至关重要的影响。将连续的行进过程依据零速率修正点(ZUPT)划分为单步动作后,准确的动作识别是PDR系统的难题之一。将惯性测量单元IMU固连在胫骨中间外侧位置,采集了大量人员行进过程胫骨运动的加速度和角速度,建立了用于行进动作识别的惯性传感数据库。通过对人员的平地行走、上楼梯和下楼梯的惯性传感数据的分析,建议了一种结合运动特性寻找行进过程中零速率修正ZUPT点的方法。在完成单步步态划分的基础上,提出了一种基于支持向量机(SVM)理论,并采用惯性传感数据作为特征的SVM行进动作分类器。经大量人员行进实验验证,所建议的动作识别方法对于区分行走、上楼梯和行走、下楼梯,精度分别达到96%和85%。     

基于一维CNN的时域超声信号识别技术研究

超声检测缺陷是一种主流的缺陷识别手段,二维卷积神经网络一直是该领域的主要技术,一般从二维C扫、D扫等图像中提取属性特征来进行识别分类,这些研究主要采用二维卷积层,会产生较大的资源消耗。在所有类型的缺陷识别方法中,超声回波信号分析是最主要和有用的工具之一,本研究从原始时域超声信号中提取特征,首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据;然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型;最后实现超声信号缺陷识别分类。实验结果表明,所提出的CNN模型的性能令人满意,缺陷识别准确率为97.57%,高于其他机器学习方法,为实现缺陷识别自动化的需要提供辅助。     

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。     

基于人体行为识别的VR环境下动作分割算法北大核心CSCD

在虚拟现实环节中的培训类、操作类的系统中,对于动作的标准性、规范性评价已经成为一个日益突出的问题。将培训师进行培训过程的标准动作分割是非常重要和关键的一环,分割的精确与否直接影响后续的培训评价。文中提出了一种基于多维状态云模型预测的方法,首先采用卷积神经网络对操作动作的多传感器数据集进行模型训练预测得到下一时刻的动作多个结果形成多结果数据集;然后对预测的多结果数据集设计多维云模型;最后通过实际动作在云模型中的分布得到对应概率进行动作分割点判定。结果表明基于卷积神经网络的多维云模型的动作分割方法能够比较好地选取分割点,提高动作的划分精度,能够用于虚拟现实环境中的连续动作分割。     

久坐人群无器械训练动作识别与计数算法研究

针对久坐人群长期缺乏运动导致身体呈现亚健康状态和现有训练方法缺乏监督性的现状,提出一种人体动作识别与计数方法实现4种无器械训练动作精准识别与计数.以手机摄像头捕获训练者的视频信息作为输入,通过BlazePose网络模型处理得到的人体骨骼点数据经过数据滤波处理、特征提取后,利用3种常见的机器学习算法进行动作分类,将分类的...     

基于MEMS传感器的体操动作识别

针对目前视觉动作识别方法中普遍存在的背景复杂、活动范围有限、个人隐私泄露等问题,设计了一套基于MEMS惯性传感器的体操动作识别系统。该系统主要通过构建传感器网络,采集人体进行体操运动时11个位置的加速度和角速度数据。基于预处理后的两类数据,计算样本均值、标准差、信息熵、均方误差等参数作为分类特征,建立支持向量机(SVM)分类模型,并对6种体操运动的动作进行了有效识别。实验结果表明,SVM算法较K-近邻、朴素贝叶斯、决策树等机器学习算法有更好的识别效果,平均识别率可达97%以上。     

基于相空间重构的大型变压器绕组松动的振动特征识别

为识别大型变压器的绕组松动缺陷特征,进行110 kV变压器短路实验并测取油箱顶面3个测点的振动信号。应用相空间重构方法对振动信号进行研究。基于相图可视性的目的,取嵌入维数为2。应用平均位移法确定最佳时间延迟,重构振动信号的相平面轨线。观察较大电流下(80%~110%额定电流)的轨线,可以发现特征:绕组松动状态下轨线近似为闭合的空心畸变椭圆,表明变压器振动是非线性周期振动;绕组压紧状态下轨线交叉混叠,并未沿主对角线打开。该特征在实验中的可重复性强。依据此特征,实现了绕组松动缺陷的识别。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。     

基于栈式自动编码的图像哈希算法

随着网络图像的快速发展,在大型图像检索系统中哈希算法成为近似最近邻查询算法的研究重点。本文提出一种基于深度模型的哈希算法—深度哈希。通过深度卷积神经网络提取的图像高维全局特征,用栈式自动编码器对特征进行无监督学习得到二进制哈希编码,利用图像标签语义相似性对栈式自动编码器的参数进行微调,最后用汉明距离来计算图像的相似性。本文提出的深度哈希在图像检索中取得了较好的结果。     

基于FPGA的惯性导航系统设计

本文采用FPGA开发了一种嵌入式低成本的惯性导航系统,通过对硬件结构的描述分析了系统中各个电路模块的功能,给出了各个模块的实现方法.结合惯性器件的接口方式,给出了FPGA接口的实现方法,实现了NIOS2集成开发环境下获取惯性器件的C程序.最后,实验证明本方案可行.     

基于级联网络的散乱堆叠物体分割算法

提出了一种针对处理散乱堆叠物体的改进方法。在 YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN) 替代 路径聚合网络(PANet), 结合 Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5 达到了 90.1%。利用Mask R-CNN进行目标物体分割,使用轻量化的 Mobilenetv3替代 ResNet101 主干网络以减少参数量,同时借 用CFNet 思想加强特征融合机制,使得分割精度提高至92.1%。通过级联改进后的 YOLOv5 和改进后的 Mask R-CNN,算 法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息。与单独使用实 例分割算法相比,检测速度提升了1 s。实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场 景下物体特征提取效果差且检测速度慢的问题。     

基于堆叠稀疏降噪自编码器的暂态稳定评估模型

深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。     

堆叠自动编码器与S变换相结合的电缆早期故障识别方法

将深度学习概念应用到电缆早期故障识别中,提出结合S变换与堆叠自动编码器(SAE)的电缆早期故障识别方法。通过对故障相电流进行S变换,将获得的S变换模时频矩阵分为低、中和高频段。求取对应频段的能量熵和奇异熵等特征量,并组成特征向量后,将时频域特征向量作为SAE网络的输入,经过预训练和参数微调,得到最优训练参数。利用构建好的网络从输入数据中挖掘有用信息,从大量扰动中识别电缆早期故障。仿真结果表明,与传统模式识别方法相比,所提方法的精度更高。     

面向堆叠千克组砝码的砝码把手实时识别与空间定位技术

针对目前千克组砝码检定过程采用人工操作,存在检定效率低、劳动强度大、自动化程度低的问题,本文提出了面向堆叠千克组砝码的砝码把手实时识别与空间定位技术。首先,应用Faster R-CNN目标检测方法,实现砝码、砝码把手的识别与定位;根据识别到的砝码把手像素点坐标,对应获取砝码把手的深度值信息。初步试验表明,本文方法可实现堆叠千克组砝码把手实时识别与定位,砝码把手边界框识别的平均精确度为98.5%,单次获取图像并识别得到砝码的空间坐标所用时间不超过0.473s,多次实验砝码把手识别准确率100%,满足堆叠千克组砝码把手实时识别与定位需求。