目标检测是计算视觉的重要研究方向之一,尤其是基于移动设备平台实现快速精准的目标检测功能是非常有必要的。为了能够在移动设备上进行实时目标检测,本文提出一种基于Raspberry Pi 4B硬件平台,采用TensorFlow Lite开发环境,加载MobileN...目标检测是计算视觉的重要研究方向之一,尤其是基于移动设备平台实现快速精准的目标检测功能是非常有必要的。为了能够在移动设备上进行实时目标检测,本文提出一种基于Raspberry Pi 4B硬件平台,采用TensorFlow Lite开发环境,加载MobileNet-SSD网络结构算法的方案。方案采用的MobileNet卷积神经网络和SSD卷积神经网络结合的方法具有检测速度快、占用内存少等优点。同时,本文还对MobileNet-SSD网络结构算法进行了微小优化。该方案通过在公开的数据集上进行测试,对MobileNet-SSD网络结构算法和其改良算法进行了结果比较,结果表明其改良算法的检测速度有所提高,同时其检测精度几乎保持不变,在检测精准度和检测速度上都有良好表现,表明该方案具有较高的应用价值。展开更多
据统计,每年因伤到医疗机构就诊的老年人中有相当一部分是因为跌倒所致,跌倒对老年人的健康造成了严重威胁。本文通过CNNdroid、Tensorflow Lite CPU和Tensorflow Lite GPU三种方法将PC机上的跌倒检测神经网络模型移植到安卓移动端,目...据统计,每年因伤到医疗机构就诊的老年人中有相当一部分是因为跌倒所致,跌倒对老年人的健康造成了严重威胁。本文通过CNNdroid、Tensorflow Lite CPU和Tensorflow Lite GPU三种方法将PC机上的跌倒检测神经网络模型移植到安卓移动端,目的是在安卓平台上实现精确的跌倒检测。实验结果表明,在安卓移动平台的CPU和GPU上运行训练好的神经网络模型进行跌倒检测结果的敏感性为99.18%,特异性为98.77%,跌倒检测的性能符合实际应用需求,并且安卓平台还可以同时为多人提供跌倒监控服务。展开更多
文摘目标检测是计算视觉的重要研究方向之一,尤其是基于移动设备平台实现快速精准的目标检测功能是非常有必要的。为了能够在移动设备上进行实时目标检测,本文提出一种基于Raspberry Pi 4B硬件平台,采用TensorFlow Lite开发环境,加载MobileNet-SSD网络结构算法的方案。方案采用的MobileNet卷积神经网络和SSD卷积神经网络结合的方法具有检测速度快、占用内存少等优点。同时,本文还对MobileNet-SSD网络结构算法进行了微小优化。该方案通过在公开的数据集上进行测试,对MobileNet-SSD网络结构算法和其改良算法进行了结果比较,结果表明其改良算法的检测速度有所提高,同时其检测精度几乎保持不变,在检测精准度和检测速度上都有良好表现,表明该方案具有较高的应用价值。
文摘据统计,每年因伤到医疗机构就诊的老年人中有相当一部分是因为跌倒所致,跌倒对老年人的健康造成了严重威胁。本文通过CNNdroid、Tensorflow Lite CPU和Tensorflow Lite GPU三种方法将PC机上的跌倒检测神经网络模型移植到安卓移动端,目的是在安卓平台上实现精确的跌倒检测。实验结果表明,在安卓移动平台的CPU和GPU上运行训练好的神经网络模型进行跌倒检测结果的敏感性为99.18%,特异性为98.77%,跌倒检测的性能符合实际应用需求,并且安卓平台还可以同时为多人提供跌倒监控服务。
