视觉辅助掌握分类:设计和评估用于假肢手的紧型CNN
Udit Sharma1, Srikanth Vasamsetti2, Sekar Anup Chander3
1IIT Guwahati, Guwahati, Assam-781039, India.
Biomedical physics & engineering express
|May 2, 2024
概括
一个新的紧型深度学习模型,GraspCNet,准确地使用视觉对假肢手的掌握模式进行分类. 这促进了假肢控制,使新对象和实时性能能够更好地泛化.
科学领域:
- 机器人和人工智能 机器人和人工智能
- 生物医学工程 生物医学工程
- 计算机视觉 计算机视觉
背景情况:
- 上肢截肢者需要先进的假肢手,具有不同的抓取能力.
- 准确的掌握模式识别对于直观的假肢控制至关重要.
- 使用深度学习的基于视觉的技术,如卷积神经网络 (CNN),提供非接触控制,但面临着泛化挑战.
研究的目的:
- 开发一个紧的CNN模型 (GraspCNet) 以对假手进行有效的掌握分类.
- 增强模型对各种物体形状,包括看不见的物体进行概括的能力.
- 为了实现适合嵌入式假肢系统的实时掌握分类.
主要方法:
- 提出了GraspCNet,一个紧的CNN,利用可分离的卷积来减少计算负载.
- 在采用交叉验证策略的标准对象数据集上训练和测试模型.
- 在可见和不可见的对象类以及基于计算机的实时实验中评估性能.
主要成果:
- 在可见对象类中达到82.22%的平均准确率,在未见对象类中达到75.48%的平均准确率.
- 在基于计算机的实时实验中显示了69%的准确性.
- 超过了大多数基准技术,并显示了与DcnnGrasp相似的结果.
结论:
- GraspCNet有效地对掌握模式进行了分类,证明了对假肢手的应用有很强的概括能力.
- 该模型的紧型设计适合实时嵌入式系统.
- GraspCNet显示了与其他传感方式集成在先进假肢的潜力.
