Modelo de reconocimiento de imágenes en movimiento de Taekwondo basado en un algoritmo de red neuronal híbrida para sensores portátiles de Internet de las cosas

Scientific Reports volumen 13, número de artículo: 13097 (2023) Citar este artículo

292 Accesos

3 altmétrico

Detalles de métricas

El modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil IoT convencional utiliza principalmente un marco de anclaje objetivo de cuerpo entero de proporción fija Anchor para extraer características de reconocimiento, que es vulnerable al ruido dinámico, lo que resulta en una baja tasa de reconocimiento de desplazamiento de la imagen en movimiento. Por lo tanto, es necesario diseñar un nuevo modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil IoT basado en un algoritmo de red neuronal híbrida. Es decir, se extraen las características de la imagen en movimiento de Taekwondo del sensor portátil y se utiliza el algoritmo de red neuronal híbrida para generar el modelo de optimización del reconocimiento de imágenes en movimiento de Taekwondo del sensor portátil del Internet de las cosas, a fin de lograr un reconocimiento efectivo de las imágenes en movimiento de Taekwondo. . Los resultados experimentales muestran que el sensor portátil diseñado de Internet de las cosas basado en el algoritmo de red neuronal híbrida tiene una alta tasa de reconocimiento del desplazamiento de la imagen en movimiento del modelo de reconocimiento de imágenes en movimiento de Taekwondo, lo que demuestra que el modelo de reconocimiento de imágenes en movimiento de Taekwondo diseñado tiene buen efecto de reconocimiento, confiabilidad y cierto valor de aplicación, y ha hecho ciertas contribuciones para optimizar el movimiento de Taekwondo.

El taekwondo es un evento olímpico oficial1, que evolucionó a partir de Hualangdao en Corea del Norte y luego se convirtió en un arte marcial popular en Asia durante mucho tiempo. En el proceso de Taekwondo, los atletas suelen utilizar ambas manos y pies para luchar de forma eficaz. Los primeros entrenadores y Taekwondo juzgaban principalmente los movimientos de los atletas a simple vista2, lo que se veía fácilmente afectado por factores subjetivos, lo que llevaba a resultados de evaluación final inexactos. En el contexto de la informatización, la evaluación de las competiciones de Taekwondo también se ha mejorado gradualmente y para la evaluación se utilizan herramientas de procesamiento avanzadas, como las computadoras3. Sin embargo, debido a la influencia de las características de acción complejas del Taekwondo, su reconocimiento de imágenes en movimiento es difícil y debe completarse mediante un modelo eficaz de reconocimiento de imágenes en movimiento.

El reconocimiento de imágenes en movimiento es una tecnología avanzada de percepción por computadora, que puede combinar el estado de interacción entre humanos y computadoras para completar el reconocimiento, generando así un modelo efectivo de reconocimiento de imágenes en movimiento4. Para mejorar el efecto de reconocimiento de imágenes en movimiento, es necesario capturar datos de percepción del comportamiento humano y establecer parámetros de reconocimiento razonables5. En la actualidad, muchos académicos nacionales y extranjeros están estudiando el problema de la percepción del reconocimiento de movimiento y proponen una variedad de supuestos de reconocimiento de la percepción de imágenes en movimiento. Sin embargo, debido a la falta de experiencia relevante6,7, el efecto de reconocimiento de la mayoría de los modelos de reconocimiento de imágenes en movimiento existentes es general.

Al principio del proceso de reconocimiento de imágenes en movimiento humanas, se utilizaba principalmente una cámara especial. Esta cámara puede tomar secuencias efectivas de imágenes en movimiento para identificar el movimiento humano8. En este momento, la cámara también se llama cámara de percepción. Con el progreso de la tecnología de visión por computadora, para obtener datos de imágenes de movimiento humano9,10 desde todos los ángulos, se utilizan cada vez más cámaras de percepción y el número total de imágenes de movimiento Las secuencias tomadas por las cámaras están aumentando, por lo que el efecto de reconocimiento ha mejorado relativamente. Sin embargo, las investigaciones muestran que las limitaciones de reconocimiento de los métodos de reconocimiento anteriores son grandes y son vulnerables a la luz, la ubicación de la cámara de percepción, la oclusión y otros factores, lo que resulta en una alta desviación de reconocimiento único11. Además, su privacidad de reconocimiento es relativamente intrusiva y no son adecuados para su uso en algunas escenas. Para resolver los problemas anteriores, este artículo construye un nuevo modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil basado en el algoritmo de red neuronal híbrida.

Los sensores portátiles son dispositivos sensores que se pueden usar en el cuerpo para recopilar datos. Varios tipos de sensores portátiles que se pueden utilizar para la extracción de funciones incluyen:

Acelerómetros: los acelerómetros portátiles generalmente miden la aceleración y la dirección del movimiento del cuerpo, que pueden usarse para medir características del movimiento como el recuento de pasos, la velocidad al caminar y la intensidad de la actividad.

Giroscopios: los giroscopios pueden medir el movimiento de rotación del cuerpo, como doblarse, rodar y girar, y pueden usarse para detectar cambios de movimiento o postura.

Sensores de frecuencia cardíaca: los sensores de frecuencia cardíaca pueden medir los cambios en la frecuencia cardíaca y la relación entre la frecuencia cardíaca y otros ejercicios o actividades.

Sensores de temperatura: los sensores de temperatura pueden medir los cambios de temperatura de la superficie de la piel, que pueden usarse para detectar cambios en la temperatura corporal y otras características fisiológicas.

Sensores EMG: los sensores de electromiografía (EMG) pueden medir las señales eléctricas generadas cuando los músculos se contraen, lo que puede usarse para detectar la fatiga muscular y el nivel de actividad.

Sensores de presión corporal: los sensores de presión corporal pueden medir la distribución de la presión de varias partes del cuerpo, lo que puede usarse para detectar cambios en la posición y postura del cuerpo.

Sensores ópticos: los sensores ópticos pueden medir la intensidad de la luz reflejada en la superficie de la piel, lo que puede usarse para detectar características fisiológicas como el color de la piel, el flujo sanguíneo y la oxigenación.

Los sensores anteriores se pueden utilizar para recopilar datos de movimiento, fisiológicos y ambientales, y realizar extracción de características. Al procesar y analizar estos datos, se pueden extraer y reconocer diversas características, como la postura humana, el comportamiento de movimiento y las condiciones fisiológicas. Este artículo utiliza sensores portátiles para extraer características de imágenes en movimiento de Taekwondo.

Antes del reconocimiento de imágenes en movimiento, se requiere un procesamiento previo de la imagen, que puede verse interferido por muchos factores durante la transmisión de imágenes en movimiento, lo que genera ruido de reconocimiento12. Por lo tanto, se requiere un preprocesamiento de la imagen antes de extraer las características de la imagen en movimiento para reducir el ruido. Es decir, utilizar el método de cálculo promedio para dividir un rango de procesamiento13, visualizar puntos de cambio efectivos, realizar procesamiento de eliminación de ruido, resolver el problema de la imagen borrosa, reducir el ruido de la imagen y aumentar la claridad de la imagen14,15. Además, la computadora también se puede usar para descomponer los pasos de movimiento en la imagen en movimiento, dividir los detalles del movimiento para lograr la diferenciación de características16, extraer las características integrales de la imagen y la diferenciación de características de la imagen \(y_{ij}\) como se muestra en (1) a continuación.

En la fórmula (1), \(W_{st}\), \(x_{i - s + 1}\) representa el elemento de coordenadas de la imagen en movimiento, S y T representan el tamaño del filtro de reconocimiento respectivamente. Después de la extracción de características de la imagen en movimiento, debido a que no se puede determinar la dimensión de la imagen característica, es necesario seleccionar parámetros de red neuronal mejorados, llevar a cabo el procesamiento de reducción de dimensiones, conectar capas de muestreo17, reducir la complejidad del cálculo de reducción de dimensiones y acortar el rango de reducción de dimensiones. y mejorar la precisión del cálculo. En este momento, podemos usar métodos matemáticos para describir la imagen en movimiento de Taekwondo18 y usar la fórmula (2) para calcular el valor de gris correspondiente de los píxeles \(V_{gray}\)

En la fórmula (2), \(V_{red}\), \(V_{green}\), \(V_{blue}\) representan diferentes valores de brillo de color de imágenes en movimiento, \(sa,sb,sc\ ) representan el contenido total de píxeles de la imagen en movimiento19. En este momento, el valor de gris de los píxeles en el reconocimiento de imágenes en movimiento se puede utilizar \(f(x_{m} ,y_{m} )\) para mejorar la efectividad de las características extraídas20, es necesario calcular el original detalles promedio ponderados de la imagen en movimiento \(g(x,y)\), como se muestra en (3) a continuación.

En la fórmula (3), \(w(i,j)\) representa la imagen en movimiento filtrada, M representa el número de píxeles en la vecindad e i y j representan el umbral de cambio21 de la imagen en movimiento. Una vez completados los pasos anteriores, se pueden extraer las características completas de la imagen \(f(X)\), como se muestra en (4) a continuación.

En la fórmula (4), \(\alpha\) representa el umbral de iteración establecido por la identificación, \(g(x)\) representa el índice de reconocimiento de características de la imagen en movimiento. El uso de los pasos anteriores puede mejorar la precisión del reconocimiento de la imagen en movimiento y reducir el impacto de la interferencia externa en el resultado final del reconocimiento.

Para resolver el problema de que el marco de anclaje del objetivo de cuerpo entero de proporción fija de anclaje se ve afectado por el ruido dinámico al extraer características de reconocimiento, lo que conduce a una baja tasa de reconocimiento del desplazamiento de imágenes en movimiento22,23, este artículo genera un modelo de optimización para el movimiento de Taekwondo. Reconocimiento de imágenes del sensor portátil de Internet de las cosas basado en un algoritmo de red neuronal híbrida. El método diseñado en este artículo selecciona redes neuronales híbridas BP y LSTM para el reconocimiento y evaluación de imágenes en movimiento24, como se muestra en la Fig. 1.

Estructura de red neuronal híbrida BP y LSTM.

En este momento, es necesario calcular \(\sigma\) el valor medio estándar de cada punto de unión medido por IMU, como se muestra en (5) a continuación.

En la fórmula (5), \(b\) representa el número de puntos de unión, \(a_{1}\) representa el valor de aceleración del punto de unión, \(a\) representa el valor de aceleración promedio, \(n\ ) que representa el número de cuadros de secuencia, combinado con la media estándar anterior25, podemos juzgar la categoría de quietud en movimiento de la imagen en movimiento. En este momento, el proceso de reconocimiento de imágenes en movimiento generado se muestra en la Fig. 2.

Proceso de reconocimiento de imágenes en movimiento.

Puede verse en la Fig. 2 que se pueden ingresar muestras de entrenamiento en combinación con el proceso de reconocimiento de imágenes en movimiento anterior, y se puede calcular el valor de entrada de las neuronas de capa oculta26. En este momento, el modelo óptimo para el reconocimiento de imágenes en movimiento de Taekwondo de sensores portátiles de Internet de las cosas se basa en el algoritmo de red neuronal híbrida \(E(w)\) como se muestra en (6) a continuación27.

En la fórmula (6), \(y_{n}\) representa el peso de la conexión de la neurona oculta, \(y\) representa el peso de la conexión de la neurona de entrada28. El uso del modelo de optimización de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil IoT construido anteriormente puede obtener de manera efectiva el peso del reconocimiento de movimiento, generar resultados efectivos de reconocimiento de secuencia de imágenes29,30 y mejorar la confiabilidad del reconocimiento de imágenes en movimiento.

Para verificar el efecto de reconocimiento del modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil diseñado basado en el algoritmo de red neuronal híbrida, este documento construyó una plataforma experimental, la comparó con el modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil convencional y llevó a cabo experimentos. , como sigue.

Combinado con los requisitos experimentales, este artículo selecciona la plataforma de simulación virtual 3D Solid Works como plataforma experimental. La plataforma experimental está equipada con software de análisis CAD convencional, con un buen rendimiento integral. En el proceso del movimiento de Taekwondo, los modos de movimiento y los ángulos de movimiento básicos de las articulaciones humanas son diferentes para los diferentes movimientos. Por lo tanto, la tendencia del movimiento de las articulaciones humanas se puede predecir de acuerdo con la tendencia de transformación del movimiento de las articulaciones humanas para lograr un control del movimiento coordinado. Por lo tanto, este experimento realizó una estimación del movimiento en combinación con la señal MMG de imágenes de movimiento humano y generó el proceso experimental básico, como se muestra en la Fig. 3.

Flujo básico del experimento.

Puede verse en la Fig. 3 que durante el experimento, la señal MMG de la imagen se puede detectar continuamente y se puede llevar a cabo la simulación de la acción. Con los ángulos de movimiento relevantes como referencia, se pueden usar algoritmos de control efectivos para corregir, a fin de recopilar imágenes de movimiento de Taekwondo que cumplan con los requisitos experimentales, como se muestra en la Fig. 4.

Imágenes en movimiento de Taekwondo.

En este momento, los parámetros de discretización del ángulo de la articulación bajo diferentes modos de movimiento se muestran en la Tabla 1.

Puede verse en la Tabla 1 que los datos de reconocimiento de imágenes en movimiento se pueden seleccionar en combinación con los parámetros de discretización conjunta anteriores. Para garantizar la confiabilidad del reconocimiento, los datos de la imagen deben procesarse previamente, es decir, seleccionar la plataforma de asociación de PC, ajustar la frecuencia principal de procesamiento de imágenes en movimiento a 2,5 GHz y luego la memoria interna correspondiente es de 5 GB. Ingrese los parámetros de discretización del ángulo de articulación obtenidos anteriormente y calcule la frecuencia de estado discreto de diferentes segmentos de señal. Una vez completados los pasos anteriores, se puede generar el gráfico de señal básica del ángulo de articulación para clasificar los datos experimentales. En este momento, la pendiente del segmento y el número de reglas de asociación de cada segmento de señal se muestran en la Tabla 2.

Se puede ver en la Tabla 1 que después de configurar los parámetros experimentales anteriores, se puede conectar el hardware experimental. Este artículo selecciona el sensor portátil RFID Internet of Things como sensor experimental. En este momento, el diagrama esquemático de la conexión del dispositivo de hardware experimental se muestra en la Fig. 5.

Diagrama de conexión del dispositivo de hardware experimental.

Se puede ver en la Fig. 5 que el núcleo del hardware experimental anterior es el lector y escritor RFID Impinj R2000, que está configurado con una fuente de alimentación de 9000 mA y varias antenas de identificación. La potencia de transmisión de la antena de identificación es de 0 a 30 dbm y la precisión se puede ajustar. Durante el experimento, es necesario asegurarse de que la banda de frecuencia de lectura y escritura del lector principal esté dentro del rango especificado. Para mejorar la efectividad de los resultados del reconocimiento, este experimento selecciona US FCC 47 CFG como soporte y establece el estándar de reconocimiento de imágenes ETSI EN 302,208. Durante el experimento, es necesario asegurarse siempre de que el lector esté en el modo de trabajo de Inventario e intentar mejorar el rango de lectura y escritura del lector. Después de conectar los dispositivos de hardware anteriores, se pueden seleccionar los indicadores experimentales y se puede diseñar la fórmula de tasa de reconocimiento después del desplazamiento de la imagen en movimiento \(D\), como se muestra en (7) a continuación.

En la fórmula (7), \(W\) representa la posición de la imagen base después del desplazamiento, \(W_{0}\) representa la posición de la imagen identificada antes del desplazamiento, \(R\) desplazamiento preestablecido de la imagen, mayor Cuanto mayor sea la tasa de reconocimiento después del desplazamiento de la imagen en movimiento, mejor será el efecto de reconocimiento del modelo de reconocimiento de imágenes en movimiento. Por el contrario, cuanto menor sea la tasa de reconocimiento después del desplazamiento de la imagen en movimiento, peor será el efecto de reconocimiento del modelo de reconocimiento de imágenes en movimiento. Antes del proceso experimental, también es necesario conectar el sensor inercial MEMS para garantizar que cumpla con los requisitos del reconocimiento de imágenes en movimiento real. Las especificaciones y parámetros del sensor se muestran en la Tabla 3.

La Tabla 3 muestra que los parámetros de los sensores inerciales anteriores cumplen con los requisitos experimentales. Además de los preparativos anteriores, también es necesario establecer los parámetros relevantes de la red neuronal híbrida y preparar el conjunto de datos experimentales.

La red neuronal híbrida es un modelo que combina redes neuronales convolucionales y redes neuronales totalmente conectadas. En el proceso de reconocimiento de imágenes, generalmente se establecen los siguientes parámetros para la red neuronal híbrida:

El tamaño de la capa de entrada se refiere al tamaño de la imagen de entrada, que generalmente tiene tres dimensiones de largo, ancho y número de canal, como 224 × 224 × 3.

Los parámetros de la capa convolucional incluyen especificar el tamaño del núcleo de convolución, el número de núcleos de convolución, el tamaño del paso y el modo de relleno. Estos parámetros determinan el tamaño de la salida de la capa convolucional y el número de mapas de características.

Los parámetros de la capa de agrupación incluyen la especificación del tamaño del núcleo de agrupación y el tamaño del paso. Estos parámetros determinan el tamaño de la salida de la capa de agrupación y la cantidad de mapas de características.

Los parámetros de la capa completamente conectada incluyen la especificación del número de neuronas en la capa completamente conectada y la función de activación.

En el proceso de reconocimiento de la red neuronal híbrida, el primer paso es ingresar una imagen, que luego se somete a una serie de procesamiento mediante capas convolucionales y capas de agrupación. Los mapas de características se reducen continuamente de tamaño mientras se extraen diferentes características de la imagen. Luego, se fusionan varios mapas de características en un solo vector y la clasificación se realiza a través de la capa completamente conectada, lo que finalmente da como resultado el resultado de clasificación de la imagen.

El conjunto de datos de reconocimiento de imágenes en movimiento de Taekwondo utilizado en este artículo es el siguiente:

KTH-TIPS2-B Este conjunto de datos contiene 384 imágenes de 6 movimientos diferentes de Taekwondo (patada frontal, patada trasera, patada giratoria, patada lateral, patada lateral alta y patada lateral baja). Cada movimiento fue realizado por dos actores diferentes y cada actor lo interpretó 16 veces.

Conjunto de datos de KyungHee TaeKwonDo Este conjunto de datos contiene 1010 imágenes de 10 movimientos diferentes de Taekwondo (empuje de manos, golpe con la palma de la muñeca, patada frontal, patada con la rodilla, patada hacia atrás, patada hacia atrás, patada lateral, patada con salto con una sola pierna, patada consecutiva y patada desde abajo). Cada movimiento fue realizado por diferentes actores.

Conjunto de datos NTU RGB + D Este conjunto de datos contiene 56 acciones diferentes, incluidos 11 movimientos de Taekwondo diferentes. Cada movimiento fue realizado por 40 actores diferentes y fue capturado con sensores RGB y de profundidad.

Una vez conectados todos los dispositivos de preparación experimental, se pueden realizar experimentos posteriores de reconocimiento de imágenes en movimiento.

En combinación con los preparativos experimentales anteriores, podemos llevar a cabo experimentos posteriores en el sensor portátil de Internet de las cosas para el reconocimiento de imágenes en movimiento de Taekwondo. Es decir, en la plataforma experimental construida, el modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil basado en el algoritmo de red neuronal híbrida diseñado en este artículo y el modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil convencional se utilizan respectivamente para el reconocimiento de imágenes en movimiento, y la fórmula pública. (1) se utiliza para registrar la tasa de reconocimiento de desplazamiento de imágenes en movimiento de los dos métodos en diferentes modos de movimiento. Los resultados experimentales se muestran en la Tabla 4.

La Tabla 4 muestra que la tasa de reconocimiento de desplazamiento de la imagen en movimiento del sensor portátil El modelo de reconocimiento de imágenes en movimiento de Taekwondo diseñado en este artículo basado en el algoritmo de red neuronal híbrida es alto en diferentes modos de movimiento, mientras que la tasa de reconocimiento de desplazamiento de la imagen en movimiento del El modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil convencional es relativamente bajo. Demuestra que el modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil diseñado en este artículo tiene un buen rendimiento de reconocimiento, efectividad y cierto valor de aplicación.

Al comparar el contraste, la claridad y el tiempo de reconocimiento de las imágenes sin ruido utilizando otros algoritmos, se verificaron las ventajas del algoritmo propuesto en la identificación de características de la imagen.

El contraste se refiere a la medición de los diferentes niveles de brillo entre las áreas blancas más brillantes y las negras más oscuras de una imagen. Cuanto mayor sea el rango de diferencia, mayor será el contraste y viceversa. Este valor no tiene una definición estándar, por lo tanto, en este estudio, se establece en 35 según el nivel de comodidad humana.

La claridad es el gradiente promedio de la imagen, que puede reflejar con sensibilidad la capacidad de la imagen para expresar pequeños contrastes. La entropía de la información representa el tamaño de la información contenida en la imagen. Con el aumento del valor de entropía de la información, el valor de la información contenida en la imagen característica también aumenta, lo que resulta en una mayor claridad.

El tiempo de reconocimiento refleja la eficiencia de reconocimiento de cada modelo y este valor lo registra la computadora.

Los resultados de la comparación del efecto de mejora entre el método propuesto en este artículo y los métodos tradicionales se muestran en la Tabla 5.

De la Tabla 5, se puede concluir que cuanto mayor sea el valor promedio durante el reconocimiento de imágenes, mejor será la capacidad de mejorar el brillo de la imagen, y la precisión del método propuesto es del 95,39%, la más alta entre los algoritmos comparados. Esto indica que el algoritmo propuesto tiene una mejor capacidad para mejorar el brillo de la imagen, asegurando valores más altos de contraste y entropía de la información. Esto muestra que si bien el efecto de reconocimiento de imágenes es bueno, también contiene más información. En términos de tiempo de ejecución del algoritmo, el algoritmo propuesto también tiene el tiempo más corto. Los resultados experimentales anteriores demuestran que el algoritmo propuesto tiene ventajas obvias en la identificación de características de la imagen.

El taekwondo es un deporte común, que cuenta con muchos entrenadores en varios países. El patrón de movimiento del Taekwondo es complejo y difícil de identificar de manera efectiva, por lo que debe evaluarse de manera integral a través de la fotografía del sensor. En los últimos años, la tecnología de visión por computadora se ha desarrollado cada vez más rápidamente en China y algunos investigadores la han aplicado al reconocimiento de imágenes en movimiento de Taekwondo. El modelo de reconocimiento convencional de imágenes en movimiento de Taekwondo tiene un efecto de reconocimiento deficiente y no cumple con los requisitos de reconocimiento actuales. Por lo tanto, este artículo diseña un nuevo modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil basado en el algoritmo de red neuronal híbrida. Los resultados experimentales muestran que el modelo de reconocimiento de imágenes en movimiento de Taekwondo con sensor portátil tiene un buen rendimiento de reconocimiento, confiabilidad y cierto valor de aplicación, y ha hecho ciertas contribuciones a la optimización de las habilidades deportivas de Taekwondo.

En la actualidad, los algoritmos de redes neuronales híbridas han logrado ciertos resultados, pero todavía hay margen de mejora. Las investigaciones futuras utilizarán muchos modelos de aprendizaje profundo de última generación, como Alexnet, Googlenet y Xception, para clasificar imágenes y mejorar el rendimiento de los algoritmos.

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles del autor correspondiente previa solicitud razonable.

Hung, MS & Chiu, YT Aplicación del reconocimiento de imágenes para la detección de virus en plantas. Microscopía. Microanal. 27(S1), 2274–2276 (2021).

Artículo de Google Scholar

Toldinas, J. et al. Un enfoque novedoso para la detección de intrusiones en la red mediante el reconocimiento de imágenes de aprendizaje profundo de varias etapas. Electrónica 10(15), 1854 (2021).

Artículo de Google Scholar

Soriano, RP et al. Nueva técnica de reconocimiento de imágenes para la comprensión intuitiva en clase de la respuesta dinámica de edificios de gran altura. Sostenibilidad 13(7), 3695 (2021).

Artículo de Google Scholar

Yong, KC y cols. Pantalla infrarroja de doble cara que utiliza un sustrato opaco basado en un mecanismo de reconocimiento de imágenes por infrarrojos. AIP Avanzado. 11(2), 025136 (2021).

ADS del artículo Google Scholar

Wang, C. y col. Un sistema de matriz de puertas programable en campo para el reconocimiento de imágenes de sonar basado en una red neuronal convolucional: Actas de la Institución de Ingenieros Mecánicos, Parte IJ Syst. Ing. de Control. 235(10), 1808–1818 (2021).

Google Académico

Lin, W., Adetomi, A. & Arslan, T. Aceleradores de IA de borde ultrapequeño de baja potencia para el reconocimiento de imágenes con redes neuronales convolucionales: análisis y direcciones futuras. Electrónica 10(17), 2048 (2021).

Artículo de Google Scholar

Deng, X. y col. Red de registro de imágenes multimodal interpretable basada en codificación dispersa convolucional desenredada. Traducción IEEE. Proceso de imagen. 32, 1078-1091 (2023).

ADS del artículo Google Scholar

Sun, X. et al. Un método de detección del volumen de carga de camiones mineros basado en aprendizaje profundo y reconocimiento de imágenes. Sensores 21(2), 635 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Chen, Y. & Qu, R. Estudio sobre la identificación de infracciones de obras de arte basado en la tecnología de reconocimiento de imágenes de CNN. J. Física. Conf. Ser. 1802(3), 032084 (2021).

Artículo de Google Scholar

Zhang, J. y col. ROSEFusion: optimización aleatoria para una reconstrucción densa en línea con un movimiento rápido de la cámara. Transmisión ACM. Grafico. 40(4), 1–17 (2021).

Google Académico

Bai, H., Zhang, H. y Wang, Q. Red de codificador automático discriminativo dual para reconocimiento de imágenes de disparo cero. J. Intel. Sistema difuso. 40(12), 1–12 (2021).

Google Académico

Guo, W. Dispositivo inteligente de detección de enfermedades del pavimento basado en tecnología de reconocimiento de imágenes. J. Física. Conf. Ser. 1884(1), 012032 (2021).

Artículo de Google Scholar

Xin, M. & Wang, Y. Reconocimiento de imágenes de enfermedades de cultivos y plagas de insectos basado en el aprendizaje profundo. Alambre. Comunitario. Multitud. Computadora. 2021(10), 1-15 (2021).

Artículo de Google Scholar

Chen, Y. Investigación sobre el algoritmo de reconocimiento de imágenes de redes neuronales convolucionales basado en big data informáticos. J. Física. Conf. Ser. 1744(2), 022096 (2021).

Artículo de Google Scholar

Wang, Y. et al. Aprendizaje de interacción de alto orden para subtítulos de imágenes. Traducción IEEE. Sistema de circuitos. Tecnología de vídeo. 32(7), 4417–4430 (2022).

Artículo de Google Scholar

Chen, Y. Investigación sobre el reconocimiento de imágenes de redes neuronales convolucionales bajo diferentes capacidades de conjuntos de datos informáticos. J. Física. Conf. Ser. 1744(4), 042091 (2021).

Artículo de Google Scholar

Tian, ​​L., Xu, H. & Zheng, X. Investigación sobre el reconocimiento de imágenes de huellas dactilares basado en una red neuronal convolucional. En t. J. Biometr. 13(1), 64 (2021).

Artículo de Google Scholar

Sun, C. y col. Tecnología de reconocimiento de imágenes en la identificación de texturas de imágenes de sonar de sedimentos marinos. Complejidad 2021(2), 1–8 (2021).

Anuncios Google Scholar

Daradkeh, YI et al. Desarrollo de métodos eficaces para el reconocimiento de imágenes estructurales utilizando los principios de granulación de datos y aparatos de lógica difusa. Acceso IEEE 9(99), 13417–13428 (2021).

Artículo de Google Scholar

Hu, J. y col. Diseño de un sistema inteligente de detección de vibraciones para pupas de gusano cogollero basado en el reconocimiento de imágenes. Computadora. Electrón. Agrícola. 187(6), 106189 (2021).

Artículo de Google Scholar

Wang, Y. et al. Modelo de reconocimiento de imágenes basado en aprendizaje profundo para el reconocimiento del aceite restante del experimento de visualización. Combustible 291(3), 120216 (2021).

Artículo CAS Google Scholar

Zhang, Y. et al. Reconocimiento sólido de imágenes de texto mediante adaptación de dominio de secuencia a secuencia adversaria. Traducción IEEE. Proceso de imagen. 99, 1 (2021).

ADS CAS Google Académico

Xiong, S., Li, B. y Zhu, S. DCGNN: una red de detección de objetos 3D de una sola etapa basada en agrupación de densidad y red neuronal de gráficos. Inteligencia compleja. Sistema. https://doi.org/10.1007/s40747-022-00926-z (2022).

Artículo de Google Scholar

Andriyanov, NA, Dementiev, VE & Kargashin, YD Análisis del impacto de los ataques visuales en las características de las redes neuronales en el reconocimiento de imágenes. Computación de procedimiento. Ciencia. 186(12), 495–502 (2021).

Artículo de Google Scholar

Cao, P. & Zhang, S. Investigación sobre el reconocimiento de imágenes de la acción de Wushu basada en imágenes de teledetección y sistemas integrados. Microproceso. Microsistema. 82(3), 103841 (2021).

Artículo de Google Scholar

Liu, H. y col. Red de partes de atención de escala consistente de aprendizaje para el reconocimiento de imágenes detallado. Traducción IEEE. Multimedia 99, 1 (2021).

Google Académico

Dan, HC, Bai, GW & Zhu, ZH Aplicación de tecnología de reconocimiento de imágenes basada en aprendizaje profundo a mezclas de asfalto y agregados: Metodología. Construcción Construir. Madre. 297(12), 123770 (2021).

Artículo de Google Scholar

Liu, G., Zhao, L. y Fang, X. PDA: Adaptación de dominio basada en proxy para el reconocimiento de imágenes de pocas tomas. Imagen Vis. Computadora. 110(3), 104164 (2021).

Artículo de Google Scholar

Guo, X. & Chen, J. Investigación sobre la construcción de un sistema de plataforma de simulación de biblioteca inteligente. Computadora. Simultáneo. 39(6), 5 (2022).

Google Académico

Cheng, D. y col. U-Net guiado por luz y de fusión cruzada para superresolución de imágenes anti-iluminación. Traducción IEEE. Sistema de circuitos. Tecnología de vídeo. 32(12), 8436–8449 (2022).

Artículo de Google Scholar

Descargar referencias

Instituto de Educación Física, Universidad de Yongin, Yongin, 17092, Corea del Sur

Xiaotong Lu

También puedes buscar este autor en PubMed Google Scholar.

El autor confirma ser el único colaborador de este trabajo y ha aprobado su publicación.

Correspondencia a Xiaotong Lu.

El autor no declara intereses en competencia.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Lu, X. Modelo de reconocimiento de imágenes en movimiento de Taekwondo basado en un algoritmo de red neuronal híbrida para sensores portátiles de Internet de las cosas. Informe científico 13, 13097 (2023). https://doi.org/10.1038/s41598-023-40169-7

Descargar cita

Recibido: 20 de abril de 2023

Aceptado: 06 de agosto de 2023

Publicado: 11 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40169-7

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.