跳到主要內容

臺灣博碩士論文加值系統

(100.28.227.63) 您好!臺灣時間:2024/06/16 20:22
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:王昱傑
研究生(外文):Yu-Chieh Wang
論文名稱:應用卷積神經網路之人體姿態辨識
論文名稱(外文):Human Gesture Recognition using Convolutional Neural Network
指導教授:洪子聖洪子聖引用關係王復康
指導教授(外文):Tzyy-Sheng HorngFu-Kang Wang
學位類別:碩士
校院名稱:國立中山大學
系所名稱:電機工程學系研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:66
中文關鍵詞:深度學習紅外線卷積神經網路跌倒熱影像
外文關鍵詞:thermal imagedeep learninginfraredconvolutional neural networkfalling down
相關次數:
  • 被引用被引用:0
  • 點閱點閱:181
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
在醫療進步的現代,年長者的比例越來越高。而子女忙於工作,白天時無法待在長輩身旁,因此會發生年長者獨自在家或是獨居時跌倒等意外。跌倒可能會造成重傷甚至死亡,因此偵測年長者跌倒意外並即時發現有助於減少無人發現而延誤就醫的風險。近年來,深度學習(deep learning)在影像辨識領域表現非常出色,其中,卷積神經網路(CNNs)更是將深度學習的應用性及知名度大為增加。本論文將以深度學習中的卷積神經網路為基礎,辨識人體在床邊、床上的狀態並加以分類。不同於一般需要接觸受測者的感測器,例如:穿戴式傳感器、壓力床墊。本論文以紅外線熱影像儀器蒐集熱影像的方式,不會受到光線的影響,在沒有光線的環境依然可以使用;且受測者也不會忘記攜帶裝置。本論文針對了人體在床邊的四種狀態進行分類,將熱影像作為輸入訓練卷積神經網路。總計蒐集170組,37648張熱影像資料。並且在上下床跌倒的部分以多種不同動作模擬。目的在增加訓練資料的豐富性,希望能夠盡可能模擬出日常生活中各種跌倒的情況,藉以增加程式的判斷準確率。最後得到的驗證準確率為95.9%。
In the modern era of medical advancement. The proportion of seniors is getting higher and higher. The youngers are busy with work, they are unable to stay beside their elders during the day. So, there will be accidents such as the elderly falling at home when living alone. Falling may cause serious injury or even death. Therefore, detecting the fall accident of the elderly and discovering in time can help reduce the risk of no one finds it and delaying medical treatment. In recent years, deep learning has performed very well in the field of image recognition. Among them, convolutional neural networks (CNNs) have greatly increased the applicability and popularity of deep learning. The thesis will be based on convolutional neural networks in deep learning to identify and classify the state of the human body beside and at the bed. Unlike the sensors that generally need to contact human, such as wearable sensors and pressure mattresses. This paper uses infrared thermal imaging equipment to collect thermal images which are not being affected by light. It can still be used in an environment without any light. In addition, human will not forget to carry the device. This paper classifies the four states of the human body beside and at the bed. Use the thermal image as input to train the CNN. A total of 170 sets of 37648 thermal image data collected. Simulate a variety of different movements in the fall part to increase the richness of the training data. Hope to simulate various kinds of falls in daily life, so as to increase the judgment accuracy of the program. The final verification accuracy rate is 95.9%.
目錄
論文審定書 i
論文公開授權書 ii
致謝 iii
摘要 iv
Abstract v
目錄 vi
圖次 viii
表次 x
第一章 序論 1
1.1研究動機 1
1.2睡眠動作檢測方法 1
1.3熱影像介紹 5
1.3.1紅外線原理 5
1.3.2感測器種類 7
1.3.3熱影像應用 8
1.4研究目的與章節規劃 10
1.4.1 研究目的 10
1.4.2 章節規劃 11
第二章 實驗架構介紹 12
2.1硬體介紹 12
2.1.1 Heat Finder介紹 13
2.1.2保護層介紹 14
2.1.3 Lepton系統架構介紹 15
2.1.4 Lepton傳輸方式 17
2.2軟體介紹 21
2.3熱影像實驗 24
2.3.1棉被實驗 24
2.3.2床墊餘溫實驗 25
第三章 卷積神經網路架構介紹 28
3.1卷積神經網路介紹 28
3.1.1卷積層 29
3.1.2池化層 30
3.1.3全連接層 31
3.1.4 損失層 33
3.2架構介紹 35
3.2.1影像預處理 35
3.2.2CNN架構 36
第四章 實驗設計與結果 39
4.1實驗流程 39
4.1.1資料蒐集 39
4.1.2資料處理 41
4.2實驗結果 43
4.2.1訓練與測試 43
4.2.2驗證 46
4.3文獻比較 46
第五章 結論與未來展望 49
5.1結論與未來展望 49
參考文獻 51
電子全文 電子全文(網際網路公開日期:20250804)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊