Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa

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 valaistusolosuht...

Täydet tiedot

Bibliografiset tiedot
Päätekijä: Hellman, Leena
Muut tekijät: Informaatioteknologian tiedekunta, Faculty of Information Technology, Informaatioteknologia, Information Technology, Jyväskylän yliopisto, University of Jyväskylä
Aineistotyyppi: Pro gradu
Kieli:fin
Julkaistu: 2023
Aiheet:
Linkit: https://jyx.jyu.fi/handle/123456789/87589
_version_ 1828193040728064000
author Hellman, Leena
author2 Informaatioteknologian tiedekunta Faculty of Information Technology Informaatioteknologia Information Technology Jyväskylän yliopisto University of Jyväskylä
author_facet Hellman, Leena Informaatioteknologian tiedekunta Faculty of Information Technology Informaatioteknologia Information Technology Jyväskylän yliopisto University of Jyväskylä Hellman, Leena Informaatioteknologian tiedekunta Faculty of Information Technology Informaatioteknologia Information Technology Jyväskylän yliopisto University of Jyväskylä
author_sort Hellman, Leena
datasource_str_mv jyx
description 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.
first_indexed 2023-06-09T20:00:58Z
format Pro gradu
free_online_boolean 1
fullrecord [{"key": "dc.contributor.advisor", "value": "Hakala, Ismo", "language": "", "element": "contributor", "qualifier": "advisor", "schema": "dc"}, {"key": "dc.contributor.author", "value": "Hellman, Leena", "language": "", "element": "contributor", "qualifier": "author", "schema": "dc"}, {"key": "dc.date.accessioned", "value": "2023-06-09T05:53:23Z", "language": null, "element": "date", "qualifier": "accessioned", "schema": "dc"}, {"key": "dc.date.available", "value": "2023-06-09T05:53:23Z", "language": null, "element": "date", "qualifier": "available", "schema": "dc"}, {"key": "dc.date.issued", "value": "2023", "language": "", "element": "date", "qualifier": "issued", "schema": "dc"}, {"key": "dc.identifier.uri", "value": "https://jyx.jyu.fi/handle/123456789/87589", "language": null, "element": "identifier", "qualifier": "uri", "schema": "dc"}, {"key": "dc.description.abstract", "value": "Ihmisten liikkeiden tunnistusta k\u00e4ytet\u00e4\u00e4n erilaisissa valvontaan ja \u00e4lykoteihin\nliittyviss\u00e4 ratkaisuissa. Liikkeen tunnistukseen voidaan k\u00e4ytt\u00e4\u00e4 erilaisia\nsensoreita. Viime aikoina erityisesti tutkasensorilla tapahtuva liikkeen tunnistus on\nollut mielenkiinnon kohteena. Tutka toimii valaistusolosuhteista riippumatta, havaitsee\nliikkeit\u00e4 seinien l\u00e4pi eik\u00e4 se loukkaa ihmisen yksityisyydensuojaa kuten\nkamera. Tutka l\u00e4hett\u00e4\u00e4 elektromagneettista aaltoa, joka heijastuu kohteesta takaisin.\nT\u00e4st\u00e4 palanneesta signaalista voidaan saada erilaista tietoa esimerkiksi kohteen\nnopeudesta, et\u00e4isyydest\u00e4 ja kulmasta suhteessa tutkaan. Syv\u00e4oppiminen on tuonut\nuusia mahdollisuuksia k\u00e4sitell\u00e4 suuria m\u00e4\u00e4ri\u00e4 dataa ja tehd\u00e4 aineiston luokitusta\nilman manuaalista aineiston l\u00e4pik\u00e4ynti\u00e4. Tutkan tuottamasta datasta voidaan\nmuodostaa kuvamuotoista dataa, joka sopii erityisen hyvin konvoluutioneuroverkkoa\nhy\u00f6dynt\u00e4ville syv\u00e4oppimismalleille. T\u00e4ss\u00e4 ty\u00f6ss\u00e4 tutustutaan millimetriaaltotutkan\nja syv\u00e4oppimisen mahdollisuuksiin liikkeiden tunnistuksessa k\u00e4ytt\u00e4en vapaasti\nladattavissa olevaa PARrad-aineistoa, johon on koottuna yhteens\u00e4 14 eri liikett\u00e4\n24 henkil\u00f6n suorittamana ja useissa eri mittaustilanteissa kahden eri tutkan\nhavainnoimana. Ty\u00f6ss\u00e4 implementoidaan kolme erilaista konvoluutioneuroverkkomallia\nja vertaillaan n\u00e4iden suorituskyky\u00e4. Lis\u00e4ksi ty\u00f6 tarjoaa n\u00e4k\u00f6kulman hy\u00f6dynt\u00e4\u00e4\nTinyML-konseptia mallin optimoinnissa ja siirt\u00e4misess\u00e4 langattomaan sensoriverkkoon\nmikrokontrollerin k\u00e4ytt\u00f6\u00f6n. Malleista parhaimmaksi osoittautui malli, joka\noli opetettu k\u00e4ytt\u00e4en data-augmentaatiolla lis\u00e4tty\u00e4 aineistoa. Virheett\u00f6myydeksi\nsaatiin parhaimmalla mallilla 87%:n tulos.", "language": "fi", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted by Miia Hakanen (mihakane@jyu.fi) on 2023-06-09T05:53:23Z\nNo. of bitstreams: 0", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Made available in DSpace on 2023-06-09T05:53:23Z (GMT). No. of bitstreams: 0\n Previous issue date: 2023", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.format.extent", "value": "86", "language": "", "element": "format", "qualifier": "extent", "schema": "dc"}, {"key": "dc.language.iso", "value": "fin", "language": null, "element": "language", "qualifier": "iso", "schema": "dc"}, {"key": "dc.rights", "value": "In Copyright", "language": null, "element": "rights", "qualifier": null, "schema": "dc"}, {"key": "dc.subject.other", "value": "konvoluutioneuroverkko", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.title", "value": "Tutkasensorin ja syv\u00e4oppimisen hy\u00f6dynt\u00e4minen liikkeen tunnistuksessa", "language": "", "element": "title", "qualifier": null, "schema": "dc"}, {"key": "dc.type", "value": "master thesis", "language": null, "element": "type", "qualifier": null, "schema": "dc"}, {"key": "dc.identifier.urn", "value": "URN:NBN:fi:jyu-202306093658", "language": "", "element": "identifier", "qualifier": "urn", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Master\u2019s thesis", "language": "en", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Pro gradu -tutkielma", "language": "fi", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Informaatioteknologian tiedekunta", "language": "fi", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Faculty of Information Technology", "language": "en", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Informaatioteknologia", "language": "fi", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Information Technology", "language": "en", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "Jyv\u00e4skyl\u00e4n yliopisto", "language": "fi", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "University of Jyv\u00e4skyl\u00e4", "language": "en", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Tietotekniikka", "language": "fi", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Mathematical Information Technology", "language": "en", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "yvv.contractresearch.funding", "value": "0", "language": "", "element": "contractresearch", "qualifier": "funding", "schema": "yvv"}, {"key": "dc.type.coar", "value": "http://purl.org/coar/resource_type/c_bdcc", "language": null, "element": "type", "qualifier": "coar", "schema": "dc"}, {"key": "dc.rights.copyright", "value": "\u00a9 The Author(s)", "language": null, "element": "rights", "qualifier": "copyright", "schema": "dc"}, {"key": "dc.rights.accesslevel", "value": "openAccess", "language": null, "element": "rights", "qualifier": "accesslevel", "schema": "dc"}, {"key": "dc.type.publication", "value": "masterThesis", "language": null, "element": "type", "qualifier": "publication", "schema": "dc"}, {"key": "dc.subject.oppiainekoodi", "value": "602", "language": "", "element": "subject", "qualifier": "oppiainekoodi", "schema": "dc"}, {"key": "dc.subject.yso", "value": "liikkeentunnistus", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "syv\u00e4oppiminen", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "tutkat", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "neuroverkot", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "teko\u00e4ly", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "koneoppiminen", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "sensoriverkot", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.rights.url", "value": "https://rightsstatements.org/page/InC/1.0/", "language": null, "element": "rights", "qualifier": "url", "schema": "dc"}]
id jyx.123456789_87589
language fin
last_indexed 2025-03-31T20:01:21Z
main_date 2023-01-01T00:00:00Z
main_date_str 2023
online_boolean 1
online_urls_str_mv {"url":"https:\/\/jyx.jyu.fi\/bitstreams\/52e1fdb3-e86d-4500-ace2-0a45b343f9ee\/download","text":"URN:NBN:fi:jyu-202306093658.pdf","source":"jyx","mediaType":"application\/pdf"}
publishDate 2023
record_format qdc
source_str_mv jyx
spellingShingle Hellman, Leena Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa konvoluutioneuroverkko Tietotekniikka Mathematical Information Technology 602 liikkeentunnistus syväoppiminen tutkat neuroverkot tekoäly koneoppiminen sensoriverkot
title Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
title_full Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
title_fullStr Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
title_full_unstemmed Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
title_short Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
title_sort tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
title_txtP Tutkasensorin ja syväoppimisen hyödyntäminen liikkeen tunnistuksessa
topic konvoluutioneuroverkko Tietotekniikka Mathematical Information Technology 602 liikkeentunnistus syväoppiminen tutkat neuroverkot tekoäly koneoppiminen sensoriverkot
topic_facet 602 Mathematical Information Technology Tietotekniikka koneoppiminen konvoluutioneuroverkko liikkeentunnistus neuroverkot sensoriverkot syväoppiminen tekoäly tutkat
url https://jyx.jyu.fi/handle/123456789/87589 http://www.urn.fi/URN:NBN:fi:jyu-202306093658
work_keys_str_mv AT hellmanleena tutkasensorinjasyväoppimisenhyödyntäminenliikkeentunnistuksessa