基于注意力机制的深度学习坐姿检测识别

为解决当前坐姿检测存在的特征利用不充分、识别效率较低等问题,设计一种基于注意力机制的深度学习坐姿检测与识别方法。利用坐姿智能检测系统采集压力数据并进行预处理,构建坐姿数据集。采用卷积神经网络初步提取坐姿关键特征,引入轻量化注意力机制重新调配特征权重,以提高特征提取效果。最后使用极限学习机对提取的特征进行高效坐姿分类。实验结果表明,群体数据集上的6倍交叉验证平均准确率达94.83%,相比卷积神经网络提高了4.28%,单样本检测速度仅为3.205×10-4s,满足实时检测需求。上述模型能为坐姿图像分类提供有效的方法,且网络在保证预测速度的基础上,提升了算法的预测准确率和模型泛化能力。

基于三维坐姿的压力数据自动标注方法

针对当前传统坐姿标注方法,存在操作繁琐、人工标注效率低等问题,提出了一种基于三维坐姿的压力数据自动标注方法。该方法基于双指针时间戳匹配实现双目视觉数据和压力数据同步实时采集;采取归一化、自适应中值滤波处理压力数据,去除压力数据量纲影响和尖峰噪声;利用二维姿态估计与匹配优化、坐标变换和多点三角测量处理视觉数据,提取6个三维人体关键点信息;构造基于坐姿特征的骨架图和基于邻接节点间空间三维投影角度特征,建立一个基于三维坐姿的标注信息生成模型;利用标注信息标注压力数据,构建带标注的坐姿压力数据集。实际应用中,单个样本数据对视觉-压力端采集平均时间差仅为21 ms,生成标注准确率达98.98%,自动标注平均耗时0.199 s,标注速度较人工标注提升13.3倍。

物距和光强变化对测量精度的影响研究及补偿

针对工件测量尺寸精度受到物距和光源强度影响的问题,开展了基于物距和光源强度反馈的测量精度补偿研究。提出一种基于系统像素当量标定值和光源强度像素数误差量串行耦合的综合补偿方法,首先根据物距变化动态调整系统像素当量标定值;然后通过不同光源强度下的标准件实测像素数,建立光源强度像素数误差量模型;最后对图像物理尺寸测量结果进行综合补偿实验。实验结果表明:综合补偿法能够有效提高尺寸测量的精度,使测量误差小于14μm。