Detección de obstáculos basada en aprendizaje profundo en el marco de IoT para ayudar a personas con discapacidad visual

Resumen

Los problemas de discapacidad visual no se pueden aliviar por completo, pero con la ayuda de tecnología avanzada, se pueden disminuir sus sufrimientos mediante la introducción de métodos de detección de obstáculos. El objetivo de este estudio es idear una nueva técnica, a saber, optimización de la solubilidad del gas Henri con detección de obstáculos basada en redes neuronales convolucionales profundas (HGSO + DeepCNN) para personas ciegas. Los pasos de procesamiento involucrados en la detección de obstáculos implican simulación, enrutamiento y detección de obstáculos de IoT. La red IoT simulada está compuesta por múltiples nodos capaces de recopilar vídeos. La información recopilada se transmite a través del protocolo de enrutamiento basado en optimización, denominado HGSO, donde se seleccionan las medidas de aptitud, como energía, distancia y retraso. La detección de obstáculos a partir del vídeo se lleva a cabo en la estación base de IoT, lo que implica varios procesos, a saber, extracción de fotogramas de vídeo, extracción de características, detección de objetos y reconocimiento de objetos. El proceso de conversión de cuadros de video convierte los videos en varios cuadros. Además, el proceso de detección de objetos se realiza en función de las potentes funciones de CNN extraídas mediante la segmentación de articulaciones profundas. Finalmente se detectan los obstáculos que existen en el encuadre mediante Deep CNN. Los resultados experimentales demuestran que el modelo HGSO+Deep CNN desarrollado logró un mejor rendimiento basado en precisión, sensibilidad, especificidad, retraso, energía y rendimiento de 0,959, 0,9683, 0,9987, 0,0236 segundos, 0,3564 J y 0,7835 Mbps, respectivamente.