相关实验视频
Updated: Jun 9, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
在地震后的搜索和救援任务中使用的幸存者检测方法基于深度学习启发的算法
Rajendrasinh Jadeja1, Tapankumar Trivedi2, Jaymit Surve2
1Department of Electrical Engineering, Marwadi University, Rajkot, 360003, Gujarat, India. rajendrasinh.jadeja@marwadieducation.edu.in.
Scientific reports
|October 24, 2024
概括
这项研究引入了一种具有深度学习能力的蛇机器人,用于在碎片下检测地震幸存者. YOLOv10算法显示高精度 (98.5%) 和速度 (15毫秒),改善了搜索和救援行动.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 灾害管理 灾害管理
背景情况:
- 在地震发生后,有效的搜索和救援 (SAR) 是至关重要的.
- 由于封闭和杂乱,在碎片下探测幸存者带来了重大挑战.
研究的目的:
- 开发和评估一种使用蛇机器人和深度学习的新型幸存者检测系统.
- 为了比较Faster R-CNN,SSD和YOLO算法的性能,用于检测被困的人类.
主要方法:
- 使用了一种配备了深度学习对象识别算法的蛇机器人.
- 创建了一个由200张图像组成的新数据集,描绘了陷入混乱环境中的幸存者.
- 基于检测准确度,置信区间和运行时间来评估性能.
主要成果:
- 在0.5.5的IOU值下,YOLOv10算法实现了98.4的平均平均精度 (mAP).
- YOLOv10表现出98.5%的准确性,推断时间为15 ms.
- 算法在各种遮蔽条件下对幸存者的图像进行了验证.
结论:
- YOLOv10算法为地震后SAR中幸存者检测提供了一个高度准确和高效的解决方案.
- 开发的蛇机器人系统有望提高救援行动的速度和效率.
