广告
嵌入空间注意机制的人脸热图像热舒适预测方法及其在车载环境中的应用
随着对车辆内部舒适性的不断追求，基于人脸热图像的热舒适预测方法备受关注。本文提出了一种无需提取温度的热舒适预测方法，通过嵌入空间注意机制的改进ResNet34算法有效提取人脸热图像的灰度分布特征。通过实际车辆实验验证该方法的性能，并与SAM-ResNet34和其他深度学习网络进行对比，以评估其在车载环境中的应用潜力。
1. 方法介绍
我们提出的方法采用了一种改进的ResNet34算法，嵌入了空间注意机制，以更有效地提取人脸热图像的灰度分布特征。与传统方法不同，我们无需提取面部皮肤温度，而是直接利用热图像的灰度分布特征进行预测。为了验证该方法的有效性，我们进行了实际车辆实验，收集了面部热图像、热感觉投票和环境变量。
2. 实验设计与结果
在实验设计阶段，我们首先进行了实际车辆实验，收集了来自22名受试者的面部热图像、热感觉投票和环境变量数据。这些数据的采集是在模拟车内环境中进行的，包括了车内温度、湿度等环境参数的控制，以保证实验条件的一致性和可控性。
接着，我们将采集到的数据集划分为训练集和测试集，以保证实验结果的客观性和可验证性。在训练阶段，我们使用了SAM-ResNet34和其他深度学习网络在同一测试集上训练模型，以评估所提出方法的性能。
在实验结果分析阶段，我们评估了各个模型在测试集上的性能表现。具体来说，我们比较了各模型的预测准确率、精确率、召回率和F1值等指标，以全面地评价模型的预测能力和泛化能力。
通过实验结果的深入分析，我们发现所提出的方法的预测准确率达到了93.75%，明显优于原始ResNet34的预测准确率。特别值得注意的是，我们的方法在预测冷类的个人热舒适度方面表现出色，为车内环境中个人热舒适度的预测提供了新的解决方案。
此外，我们还使用Grad-CAM技术生成了热图像的权重分布，以显示模型焦点的关键区域。结果显示，模型更加关注于鼻子、嘴唇和眼睛周围的区域，与我们的图像数据分析结果一致，这进一步验证了模型的准确性和可靠性。
3. 应用前景与展望
随着车载HAVC控制系统和廉价热成像仪技术的不断发展，我们提出的方法有望成为车载HAVC控制系统的一部分。该方法无需接触式传感器，不仅准确预测个人的热舒适度，而且具有实时性和便捷性，能够有效提升车辆内部环境的舒适性。
本文提出了一种无需提取温度的人脸热图像热舒适预测方法，并通过实验验证了其在车载环境中的性能优势。该方法不仅在预测准确率上表现优异，而且具有良好的应用前景，为提升车辆内部舒适性提供了新的解决方案。
通过对提出方法的详细介绍和实验结果的分析，读者可以更加深入地了解该方法的原理、优势和应用前景，为车载HAVC控制系统的优化和改进提供参考和借鉴。
广告
编辑推荐
最新资讯
-
电动汽车整车下线安规测试之电容耦合测试技
2024-05-21 15:24
-
电动汽车整车下线安规测试之电位均衡测试
2024-05-21 08:40
-
电动汽车整车下线安规测试之绝缘监测功能验
2024-05-21 08:16
-
电动汽车整车下线安规测试之电插座绝缘电阻
2024-05-21 08:15
-
电动汽车整车下线安规测试中的整车绝缘电阻
2024-05-20 10:25
广告
广告
