采用卷积神经网络的老年人跌倒检测系统设计

为了利用便携式设备准确检测老年人的跌倒状况,针对传统算法中人为设计特征造成的不完备性,构建一种基于卷积神经网络(CNN)的老年人跌倒检测模型.以智能手机内置的三轴传感器作为数据获取源,将采集的人体姿态信息进行滤波、标准化、采样等操作后,输入到所设计的模型中;采用梯度下降和适应性动量优化方法进行多层卷积神经网络训练和优化,获得模型关键参数训练并优化模型关键参数;利用学习到的深层次特征进行样本分类.实验结果表明:所设计的模型对于跌倒检测的准确率明显高于一般的机器学习算法模型,并且在对跌倒和非跌倒的区分检测中,精确率和召回率都保持了较高的稳定水平.

基于STC15的微波检测系统设计

针对无损探测工件厚度成本高等问题,本文设计了一款基于STC15单片机的微波检测系统,其硬件包括:信号发生器、幅相检测模块、AD转换模块等,并在硬件系统上搭建了相应的软件,能实现工件的厚度检测和报警等功能。

笼养蛋鸡健康状况监测系统开发

为监测蛋鸡健康状况,开发了一笼养蛋鸡健康状况监测系统。首先,基于stc89c52RC单片机和ESP8266无线模块设计了一无线数据自动采集系统,实时获取蛋鸡采食量、饮水量、体温、产蛋时间和产蛋量等健康指标,并实验验证了系统采集数据、传输数据的可靠性和蛋鸡健康判断方法的可行性;其次,通过对比SVM,DT,GBDT,Adaboost,Voting等分类识别算法,选择SVM算法作为系统数据处理算法。该系统可实时连续获取蛋鸡健康指标数据,并进一步对蛋鸡健康状况进行判断,判断准确率达87%以上。

基于深度学习的笼养蛋鸡行为实时检测方法

针对蛋鸡养殖中,传统蛋鸡行为检测操作复杂、分类单一、实时性差的问题,提出一种基于深度学习的轻量型蛋鸡行为检测算法TD-YOLOV3。该检测算法以YOLOV3为基础网络结构,对其进行网络结构压缩,获得轻量型T-YOLOV3网络结构,用以提高系统检测速度;将第一个多尺度预测中的残差模块替换为Dense block,并在网络结构中的第Convolution 5,Convolution 7,Convolution 10,Convolution 12的卷积层之后添加NIN网络中的MLP结构,用以提高检测精度;采用基于K-means算法的聚类维度优化和训练策略优化对本研究的数据集进行训练和测试。试验结果表明,本研究提出的TD-YOLOV3检测算法的平均精准度均值89.26%,检测速度为33帧/s,参数量为55 MB;在同一硬件水平下与YOLOV3和T-YOLOV3相比,TD-YOLOV3在检测速度、精度等方面的综合性能最优,更适用于笼养蛋鸡行为的实时自动检测。