基于MoveNet模型的人体不良坐姿检测与纠正系统设计

研究旨在设计基于MoveNet模型的人体不良坐姿检测与纠正系统,核心设计包括:数据采集及预处理模块、坐姿检测及分析模块、模型训练及优化模块。其中,坐姿检测及分析模块利用MoveNet模型识别人体关键点,判断用户坐姿是否符合健康标准。系统实验覆盖从儿童到老年人的不同年龄、性别群体,结果显示,系统在坐姿检测的准确率和响应时间方面表现优异。

改进的MoveNet轻量化单人姿态估计算法

为提升轻量化单人姿态估计的实时性精度和可视化效果,提出一种BCM3-Net模型,基于MobileNetV3作为特征提取网络,引入空间通道注意力机制,在保证原MoveNet模型检测效率的同时,提高了人体关键点检测的准确率。结果表明,BCM3-Net模型在MSCOCO2017的验证集上拥有mAP为75.5%的效果,相较MoveNet模型精度提高了1.3%,同时运算量由3.433×10^(8)次/s下降至2.689×10^(8)次/s,实时推理能力达到43 FPS,验证了改进后模型的精准性和鲁棒性。

基于OpenPose的脑卒中肢体康复训练评估辅助系统开发

针对脑卒中患者的居家肢体康复训练缺乏指导、看护者的康复知识欠缺的问题,开发一套针对脑卒中患者肢体康复训练的智能化辅助系统。通过摄像头获取患者康复训练过程中的图像,利用OpenPose与MoveNet姿态检测库与提取患者训练过程的实时动作骨架坐标序列,构建用户肢体运动评价模型,对康复训练者的训练过程进行评价,得出训练者的康复训练质量,并通过文字提示的方式提醒用户不达标的动作以及改正方式,指导和引导患者逐步达到康复训练的标准。