【毕业设计选题】基于深度学习的不良坐姿监测算法系统 python 卷积神经网络 目标检测

目录

前言

设计思路

一、背景与意义

二、算法理论原理

2.1 卷积神经网络

2.2 文件数据转化

三、检测的实现

3.1 数据集

3.2 实验环境搭建

3.3 模型评估

最后

---

前言

       📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

        🚀对毕设有任何疑问都可以问学长哦!

         选题指导:

        最新最全计算机专业毕设选题精选推荐汇总

设计思路

一、背景与意义

       研究人体坐姿并制定合理的解决方案对于改善人们的生产和生活具有重要意义。通过研究坐姿和应用目标监测算法如YOLOv5，可以实现对人体坐姿的监测和识别。这种技术的应用可以帮助人们及时纠正不良的坐姿习惯，从而减少脊柱和肌肉问题的发生，提高身体健康水平。

二、算法理论原理

2.1 卷积神经网络

        YOLO是一种实现端到端目标监测的算法，它基于神经网络直接预测目标的边界框和类别。YOLO算法由四个部分组成：输入端、主干网络、网络的颈部和预测输出端。YOLOv5相较于先前的版本，在这四个部分都进行了不同程度的改进，展现出更精确、更及时、更适用于小目标检测的特点。

2.2 文件数据转化

将使用 PyTorch 框架训练的 YOLOv5 模型加载到 OpenCV 的 DNN 模块中，需要将 PyTorch 训练模型的 .pth 文件转换为 .onnx 文件，然后将其加载到 OpenCV 的 DNN 模块中。

转换步骤如下：

1. 首先，确保您已经安装了 PyTorch 和 OpenCV 库。

2. 使用 PyTorch 加载训练好的 YOLOv5 模型，并将其导出为 ONNX 格式的文件。

import cv2

net = cv2.dnn.readNetFromONNX('yolov5s.onnx')

# 进行推理
image = cv2.imread('image.jpg')
blob = cv2.dnn.blobFromImage(image, scalefactor=1/255.0, size=(640, 640), mean=(0, 0, 0), swapRB=True, crop=False)
net.setInput(blob)
outs = net.forward()

三、检测的实现

3.1 数据集

              本设计以常见的正常及不良坐姿为例，通过按帧截取在不同环境下拍摄的13名实验人员的坐姿视频，获得正面拍摄、侧面拍摄和背面拍摄三个视角下的坐姿正常、高低肩、距离桌面过近、含胸驼背以及跷二郎腿五个类别的数据，共计6839张数据。将获得的数据集按8∶1∶1的比例分为train、test和val三个数据集，其中train数据集用于训练模型，test数据集用于测试模型结果，val数据集用于验证模型。

3.2 实验环境搭建

       模型训练的环境为Windows 10系统、显卡型号为NVIDIA RTX 2060、Python版本为3.7、PyTorch框架版本为1.7.0、CUDA版本为11.7。数据集训练的过程中设置epochs为300。

3.3 模型评估

使用独立的测试集对训练好的模型进行评估，计算不良坐姿监测的准确率、召回率、F1值等指标，以衡量模型的性能。将训练好的模型集成到一个完整的系统中，包括图像或视频的输入、模型的推理过程和结果的输出。

import torch
import torch.nn as nn
import torch.optim as optim


# 定义不良坐姿监测模型
class PostureDetectionModel(nn.Module):
    def __init__(self, num_keypoints):
        super(PostureDetectionModel, self).__init__()
        # 定义模型结构
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU(inplace=True)
        self.fc1 = nn.Linear(64 * 32 * 32, 128)
        self.fc2 = nn.Linear(128, num_keypoints * 2)  # 输出关键点坐标(x, y)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = x.view(x.size(0), -1)
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x


# 创建模型实例
num_keypoints = 10  # 根据实际问题设置关键点数量
model = PostureDetectionModel(num_keypoints)

# 定义训练数据和优化器等

# 模型训练
criterion = nn.MSELoss()  # 使用均方误差作为损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # 使用Adam优化器

model.train()
for epoch in range(num_epochs):
    for images, keypoints in dataloader:
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, keypoints)  # 计算损失

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 打印训练信息
        if (i + 1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                  .format(epoch + 1, num_epochs, i + 1, total_step, loss.item()))

# 保存模型
torch.save(model.state_dict(), 'posture_detection_model.pth')

创作不易,欢迎点赞、关注、收藏。

毕设帮助，疑难解答，欢迎打扰！

最后