M5StickV是AI&IOT相機，體積小，功能強大，內(nèi)置神經(jīng)網(wǎng)絡處理器（KPU），可以解決我們熟悉的分類問題。

在我的工作時間，我的姿勢很糟糕，所以我想開發(fā)不良姿勢檢測器并通知我。

主功能

如果 M5StickV 檢測到不良姿勢，請通過點亮 LED 并播放“您的姿勢可能不好”的聲音來通知它。

3D建模固定件

為了將 M5StackV 固定到墻壁或小架子上，??我對外部零件進行了建模，如下圖所示。

3D建模零件

我還在 LED 的前面放了“向后彎曲”圖標以供播放。

LED 前面的彎曲圖標

間隔捕捉應用程序

要收集數(shù)據(jù)集，首先要編寫 M5StickV 的間隔捕獲應用程序。（請查看我的存儲庫）

從 MobileNet 遷移學習

為了學習，我使用了 MobileNet 的遷移學習。MobileNet 可以對每個檢測到的相似圖像模式進行分類。

在這個項目中，我設置了 3 類

壞姿勢：頭靠在靠背上的姿勢

Good Pose : 背部伸展的良好姿勢

缺席：不坐在椅子上

采集圖像數(shù)據(jù)

使用具有間隔拍攝功能的相機，我調(diào)整了相機位置，以便獲取可以很好分類的圖像。

首先將相機設置在我桌子的上方，但數(shù)據(jù)不好，無法分類“好姿勢”和“壞姿勢”。

上位的數(shù)據(jù)集顯示，這些都是相似的，所以無法歸類。

上位機位好的pose數(shù)據(jù)樣本

我反復調(diào)整相機位置，終于找到了最佳位置。

相機的最佳位置

從最佳位置來看，“壞姿勢”數(shù)據(jù)與“好姿勢”數(shù)據(jù)不相似。

姿勢好的形象幾乎不包括臉，姿勢不好的形象幾乎不體現(xiàn)在臉上。

查看混淆矩陣，每個姿勢都有明顯的差異，所以我們決定使用用這個數(shù)據(jù)集創(chuàng)建的模型。

混淆矩陣

?