【技术实现步骤摘要】
基于等变卷积网络的足弓类型识别方法
[0001]本专利技术涉及足部判断
,特别涉及基于等变卷积网络的足弓类型识别方法
。
技术介绍
[0002]根据足内纵向弓的弯曲程度,足可分为高足
、
正常足和平足
。
足型测量的测量方法有很多种,如立体摄影测量
、
激光扫描
、
光切割
、
红外测量
、
人工观察等
。
然而,这些方法要么价格昂贵,要么需要相关专业人员的干预
。
近年来,压力传感器发展迅速
。
压力传感器将压力信号转换为可用的电信号输出
。
足底压力系统可以简单而清晰地反映足底压力的分布
。
以像素的形式叠加足底压力数据,从而以图像的形式表示压力数据
。
这些压力图像能够提供足部足底方面的压力分布图,可以被相关专业人员用来确定足弓类型
。
[0003]相关专业人员在区分足弓时,主要依靠自己的经验来做出主观判断,这很容易导致分类错误
。
随着计算机计算能力的不断提高,应用深度学习方法对足部类型进行分类越来越流行
。
其中,深度学习中的卷积神经网络
(CNNs)
以其优秀的边缘特征提取能力,在其他图像处理方法中脱颖而出
。CNNs
可以提供客观的标准作为足弓判断的工具,以减轻人力负担
。
但是考虑到实际情况,不同的站立姿
【技术保护点】
【技术特征摘要】
1.
基于等变卷积网络的足弓类型识别方法,其特征在于,包括:获取足底压力图像并构建等变卷积网络,其中所述等变卷积网络包括第一等变模块及第二等变模块;获取训练测试样本,通过训练测试样本对所述等变卷积网络进行训练及测试,得到优化后的网络;通过优化后的网络对足底压力图像进行识别,得到所述足弓类别结果
。2.
根据权利要求1所述的足弓类型识别方法,其特征在于:所述等变卷积网络的构建过程包括:基于所述卷积神经网络,构建所述等变卷积神经网络,其中,将所述卷积神经网络的第一层卷积层替换为第一等变模块,将所述卷积神经网络的第二层及之后的卷积层替换为第二等变模块,将所述卷积神经网络中的池化层替换为
gpooling
层,得到等变卷积神经网络
。3.
根据权利要求2所述的足弓类型识别方法,其特征在于:所述卷积神经网络采用
AlexNet、VGGNet11、VGGNet16
及
ResNet18
其中一种
。4.
根据权利要求1所述的足弓类型识别方法,其特征在于:所述第一等变模块的实现过程为:;其中,为第一层卷积层的输入特征,为第一层卷积对应的卷积核,,,
Z2为整数空间,
g
为群
G
中的一个变换矩阵,
G
为变换矩阵集合,为形参,
s
为第一层卷积层特征图中的某个像素,(
s
)为第一层卷积输入特征图的像素点
s
对应的第
k
个特征图;
k
为卷积核个数,为第
k
个特征图(
s
)对应的卷积核;其中,变换矩阵集合
G
为:;其中,
m
为镜像反转参数
。r
为旋转参数,
u
和
v
分别表示图像的水平和垂直平移,
G(m,r,u,v)
表示不同参数下的变换矩阵集合
。5.
根据权利要求1所述的足弓类型识别方法,其...
【专利技术属性】
技术研发人员:郭杰龙,俞辉,张润江,魏宪,邵东恒,张剑锋,李杰,汤璇,
申请(专利权)人:泉州装备制造研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。