随着时代的进步,计算机视觉也已经发展到一个比较成熟的阶段,基于深度学习的目标检测任务更是应用在生活中的各个方面。本设计为保证居家老人的安全,对老人行走区域进行监测,用目标检测算法对人体未摔倒以及人体摔倒两种姿态分别进行检测,并对目标检测算法的原理和创新进行更深一步的研究,对提高检测精度和改善模型权重展开了探究,在原有算法的基础上做出改进来对检测精度与模型权重进行优化,主要的工作内容如下:针对摔倒检测对检测精度要求较高的问题,选用SSD算法对其进行检测,并在SSD算法基础上进行改进,使算法的检测精度得到提高。首先使用Res Net50网络对输入数据集进行特征提取,并且将可变形卷积应用到特征提取网络中,这使得网络对数据集中人体未摔倒与人体摔倒的特征更好地提取并学习,损失函数改用Focal Loss。最后通过实验得出,改进后的算法与原始SSD算法相比检测精度更高,将检测精度提高到了94.09%。针对此设计要被实际应用到设备中的情况,就要考虑设备的硬件资源大小问题,这时就需要一个检测精度高、模型小的算法去实现,因此选用了模型较小的YOLOv5s算法来实现此检测任务,并继续对其改进优化。首先将主干网络改为Mobile Net V3-Small,这使得模型权重与计算量减小。其次为了弥补轻量化后带来网络检测精度下降的问题,将Mobile Net V3-Small中的注意力模块换为Coordinate Attention(CA)模块。最后为了保持轻量化之前算法的检测精度,在颈部网络部分结合Bi FPN对特征进行融合。通过实验得出,改进后的网络结构不仅检测精度提高了0.6%,模型权重也比未改进网络减小了82.8%,对以后应用到实际嵌入式设备中做好了基础。
暂无评论