LuanVan.vnLuận Văn
Gửi thư

PHÁT HIỆN TÉ NGÃ DỰA TRÊN HÌNH ẢNH BẰNG HỌC SÂU

Khoá luận tốt nghiệp · Đại học · năm 2023 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Thị Kim Thoa
Người hướng dẫnPhạm Nguyên Khang
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2023
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Phát hiện té ngã là một bài toán quan trọng trong việc giúp đỡ và chăm sóc người cao tuổi, người bị bệnh thần kinh hoặc tim mạch, hoặc người có nguy cơ té ngã. Phát hiện té ngã dựa trên hình ảnh là một phương pháp sử dụng camera để theo dõi và phân tích hành động của con người, nhận biết các trường hợp té ngã và cảnh báo kịp thời. Phương pháp này có ưu điểm là không cần đeo thiết bị, không gây khó chịu cho người dùng, và có thể áp dụng cho nhiều môi trường khác nhau. Tuy nhiên, phát hiện té ngã dựa trên hình ảnh cũng gặp nhiều thách thức, như sự che khuất, biến đổi ánh sáng, đa dạng tư thế và loại té ngã. Để giải quyết những thách thức này, nhiều nghiên cứu đã áp dụng học sâu để xây dựng các mô hình phát hiện té ngã hiệu quả và chính xác. Học sâu là một lĩnh vực của học máy, sử dụng các mạng nơ-ron nhân tạo có nhiều lớp để học được các đặc trưng phức tạp từ dữ liệu. Bằng cách sử dụng Detectron2 để trích đặc trưng 17 điểm của cơ thể người và dùng dữ liệu 17 điểm đó để huấn luyện mô hình bằng mạng LSTM dùng cho việc dự đoán, phát hiện té ngã. Detectron2 là một công cụ phát triển mã nguồn mở có thể nhận diện được các điểm quan trọng của cơ thể người, như đầu, vai, khuỷu tay, cổ tay, háng, đầu gối và mắt cá chân. Bằng cách sử dụng Detectron2, ta có thể biến một bức ảnh thành một vector 17 điểm, mỗi điểm có tọa độ x, y. Mạng LSTM là một loại mạng nơ-ron hồi quy, có khả năng xử lý các chuỗi dữ liệu có độ dài biến thiên. Mạng LSTM có thể học được các mối quan hệ giữa các phần tử trong chuỗi và ghi nhớ được các thông tin quan trọng trong quá khứ. Bằng cách sử dụng mạng LSTM, ta có thể huấn luyện một mô hình phân loại các chuỗi 17 điểm thành 5 lớp: đứng, nằm, ngồi, cúi, bò. Và trường hợp không thể phân lớp được thì sẽ đưa vào dự đoán té ngã hoặc không có người. Kết quả cho thấy mô hình phát hiện té ngã dựa trên hình ảnh bằng học sâu, sử dụng Detectron2 để trích đặc trưng 17 điểm của cơ thể người và dùng dữ liệu 17 điểm đó để huấn luyện mô hình bằng mạng LSTM, có độ chính xác trên tập kiểm tra là 85,61%. Đây là một kết quả khả quan và có ý nghĩa thực tiễn trong việc phát triển các hệ thống phát hiện té ngã thông minh và hiệu quả.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.