Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Rigolin, Glauco |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Centro Universitário FEI, São Bernardo do Campo
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.fei.edu.br/handle/FEI/3123
|
Resumo: |
Tendo em vista as necessidades de pessoas com amputação de membros superiores, é proposto, neste trabalho, o desenvolvimento de um protótipo de prótese de mão de baixo custo, operando em conjunto com uma rede neural para reconhecimento de objetos presentes no cotidiano para definir o padrão de preensão a ser executado, e de um sistema de Eletromiografia de superfície (sEMG) para comandar o acionamento dos motores da prótese. A prótese foi construída com material chamado de ácido polilático (PLA) e impressa em uma impressora Voolt 3D GI3. A rede neural convolucional Visual Geometry Group (VGG) foi escolhida para a classificação dos objetos e foi modificada para operar no microcomputador Raspberry Pi 3 (RPI3), que foi conectado a uma webcam. Foram utilizados os softwares Keras, como interface de programação de aplicativos, e TensorFlow, como software de computação numérica. Por meio de um banco de imagens de objetos de uso diário, a rede neural foi treinada para a classificação dos objetos, em função do tipo de preensão necessário para pegá-los, em cinco classes: Potência Punho Neutro, Potência Punho Pronado, Pinça de três pontos, Extensão do Indicador e Preensão Lateral. A imagem capturada do objeto que se deseja manusear é classificada pela rede neural e, por meio do sinal dos sensores de sEMG, o microcomputador Raspberry Pi comanda o fechamento e abertura da prótese para a correta manipulação do objeto. A prótese de mão proposta obteve 100% de acurácia para a preensão de objetos da classe potência com punho neutro, 99% de acurácia para a preensão de objetos da classe potência com punho pronado, 98% de acurácia para a preensão de objetos da classe pinça de três pontos, 99% de acurácia para a preensão de objetos da classe preensão lateral e 99% de acurácia para o uso da classe extensão do indicador |
