| Summary: | Ihmisten liikkeiden tunnistusta käytetään erilaisissa valvontaan ja älykoteihin
liittyvissä ratkaisuissa. Liikkeen tunnistukseen voidaan käyttää erilaisia
sensoreita. Viime aikoina erityisesti tutkasensorilla tapahtuva liikkeen tunnistus on
ollut mielenkiinnon kohteena. Tutka toimii valaistusolosuhteista riippumatta, havaitsee
liikkeitä seinien läpi eikä se loukkaa ihmisen yksityisyydensuojaa kuten
kamera. Tutka lähettää elektromagneettista aaltoa, joka heijastuu kohteesta takaisin.
Tästä palanneesta signaalista voidaan saada erilaista tietoa esimerkiksi kohteen
nopeudesta, etäisyydestä ja kulmasta suhteessa tutkaan. Syväoppiminen on tuonut
uusia mahdollisuuksia käsitellä suuria määriä dataa ja tehdä aineiston luokitusta
ilman manuaalista aineiston läpikäyntiä. Tutkan tuottamasta datasta voidaan
muodostaa kuvamuotoista dataa, joka sopii erityisen hyvin konvoluutioneuroverkkoa
hyödyntäville syväoppimismalleille. Tässä työssä tutustutaan millimetriaaltotutkan
ja syväoppimisen mahdollisuuksiin liikkeiden tunnistuksessa käyttäen vapaasti
ladattavissa olevaa PARrad-aineistoa, johon on koottuna yhteensä 14 eri liikettä
24 henkilön suorittamana ja useissa eri mittaustilanteissa kahden eri tutkan
havainnoimana. Työssä implementoidaan kolme erilaista konvoluutioneuroverkkomallia
ja vertaillaan näiden suorituskykyä. Lisäksi työ tarjoaa näkökulman hyödyntää
TinyML-konseptia mallin optimoinnissa ja siirtämisessä langattomaan sensoriverkkoon
mikrokontrollerin käyttöön. Malleista parhaimmaksi osoittautui malli, joka
oli opetettu käyttäen data-augmentaatiolla lisättyä aineistoa. Virheettömyydeksi
saatiin parhaimmalla mallilla 87%:n tulos.
|
|---|