【技术实现步骤摘要】
本专利技术属于智能养老，具体是一种基于轻量yolov8网络的跌倒检测方法。
技术介绍
1、据医学调查显示，老年人跌倒后得到及时救治可以降低80％的死亡风险。对于需要智能看护的老人，跌倒检测系统的准确性和鲁棒性至关重要。目前，现有跌倒技术主要分为两类：一类是基于计算机视觉，另一类是通过穿戴传感器。然而，在某些场所或任务中佩戴传感器方法并不适用。
2、视觉检测容易受到复杂环境、光照、遮挡等因素的影响。近年来，yolo算法已成为最常用的目标检测算法之一，并得到快速发展。相对于yolov5，yolov8的网络结构更轻量，更适合在移动端部署。但是，与其它目标检测模型一样，yolov8在检测跌倒时仍存在漏检、误检、特征提取能力不足和难以在边缘计算设备上部署等问题。
3、为了解决这些问题，本申请提出一种基于轻量yolov8网络的跌倒检测方法，通过设计lmsa模块来增强跌倒特征的提取能力并减弱背景影响，同时使主干网络更轻量。设计nfpn结构，减弱了底层特征在传播和交互过程中丢失和退化，引入vovgscsp模块和bifpn融合策略，进一步增强网络性能。采用卷积共享思想设计sddh，弥补减少模型体积引起的精度下降问题。改进后的算法在跌倒检测任务中展现出了独特的优势，不仅能够提供更高准确性和鲁棒性，还能够满足边缘设备部署的要求。
技术实现思路
1、针对现有技术的不足，本专利技术拟解决的技术问题是，提出了一种基于轻量yolov8网络的跌倒检测方法。
2、本专利技术解决所
3、一种基于轻量yolov8网络的跌倒检测方法，其特征在于，该方法包括以下内容：
4、首先，获取跌倒图像，并进行标注，得到数据集；
5、然后，对yolov8网络进行改进，得到跌倒检测模型，即yolov8网络主干网络中最后两个c2f模块分别利用轻量型多尺度注意力模块替换，利用颈部融合模块替换yolov8网络的颈部网络，利用半解耦检测头替换yolov8网络的解耦检测头；
6、在颈部融合模块中，特征m5经过卷积后，得到特征p5；特征m4经过卷积后，得到特征p4；特征p5经过上采样后与特征p4进行融合，得到特征l；特征l经过vovgscsp模块后，得到特征l1；特征l1经过上采样后，与特征m3经过卷积后的特征p3进行融合，得到特征l2；特征l2经过vovgscsp模块后，得到特征l3；特征m2经过卷积后，得到特征p2；特征l3、p2和p3进行特征融合，得到特征l4；特征l4经过vovgscsp模块后，得到特征l5；特征l5经过卷积后，得到特征l6；特征l6、l1、p4进行三个分支融合，得到特征l7；特征l7通过vovgscsp模块后，得到特征l8；特征l8经过卷积后，得到特征l9；将特征l9与p5进行融合后，再经过vovgscsp模块，得到特征l10；将特征l5、l8、l10分别输入到半解耦检测头中进行回归与分类；
7、其中，m2、m3、m4、m5分别为改进后的yolov8网络的两个c2f模块、第一个lmsa模块以及空间金字塔池化层得到的特征；
8、最后，利用数据集对跌倒检测模型进行训练，并保存模型权重；将训练后的跌倒检测模型用于跌倒检测。
9、进一步的，跌倒检测模型中的特征融合均采用bifpn，计算公式为：
10、
11、其中，pitd为自上而下路径中第i层的中间过渡特征，piin、piout分别自下而上路径中第i层的输入和输出特征，为自下而上路径中第i+1层的输入特征，为自下而上路径中第i-1层的输出特征，w1、w2分别为计算中间过渡特征所需的当前层输入和下一层输入的权值参数，w1'、w'2、w'3分别表示当前层输入的权值、当前层过渡单元输出的权值以及前一层输出的权值，∈是超参数，conv(·)表示卷积运算，resize(·)表示特征尺寸调整操作。
12、进一步的，半解耦检测头包括两个串联卷积，第一个串联卷积采用自校准卷积，自校准卷积包括三个卷积结构，每个卷积结构实现不同功能。
13、与现有技术相比，本专利技术的有益效果是：
14、在跌倒检测领域，在简单和复杂场景下均能达到更好的识别效果。并且参数量、计算量和模型大小相较yolov8s分别下降了44.83％、29.93％和43.93％，能够更好地满足边缘设备对轻量化和准确性的需求。
本文档来自技高网...【技术保护点】
1.一种基于轻量YOLOv8网络的跌倒检测方法，其特征在于，该方法包括以下内容：
2.根据权利要求1所述的基于轻量YOLOv8网络的跌倒检测方法，其特征在于，跌倒检测模型中的特征融合均采用BiFPN，计算公式为：
3.根据权利要求1或2所述的基于轻量YOLOv8网络的跌倒检测方法，其特征在于，半解耦检测头包括两个串联卷积，第一个串联卷积采用自校准卷积，自校准卷积包括三个卷积结构，每个卷积结构实现不同功能。
【技术特征摘要】
1.一种基于轻量yolov8网络的跌倒检测方法，其特征在于，该方法包括以下内容：
2.根据权利要求1所述的基于轻量yolov8网络的跌倒检测方法，其特征在于，跌倒检测模型中的特征融合均采用bifpn，计算...
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。