人工智能驱动的滑动检测用于使用视觉变压器更智能地测试鞋类
概括
本研究介绍了一种人工智能驱动的系统,用于鞋类测试中的自动滑动检测. 多尺度视觉转换器版本2 (MViTv2) 模型显著提高了冬季鞋类抗滑性评估的准确性和一致性.
科学领域:
- 生物力学和人类运动分析
- 安全工程中的人工智能
- 材料科学和鞋类技术 材料科学和鞋类技术
背景情况:
- 滑倒和跌倒是主要的健康问题,导致伤害和增加医疗保健费用,特别是在冰面上.
- 目前的鞋类防滑测试依赖于人类观察,引入不一致性和主观偏见.
- 开发可靠的防滑鞋子对于防止在危险的冬季条件下摔倒至关重要.
研究的目的:
- 加强鞋类防滑测试协议,以提高准确性,可靠性和一致性.
- 引入使用人工智能 (AI) 的新型自动滑动检测系统,以减轻人类观测错误.
- 评估人工智能模型在评估防滑性能方面的表现,特别是冬季鞋类.
主要方法:
- 开发了一个使用人工智能的自动滑动检测系统,特别是使用预训练的神经网络转移学习:膨胀的3D ConvNets (I3D) 和多尺度视觉转换器版本2 (MViTv2).
- 在410个行走试验中训练模型,在一个有控制的冰的行走道上,倾斜角度各不相同,包括滑动和非滑动事件.
- 使用5倍和离开一个主体 (LOSO) 交叉验证技术评估模型性能.
主要成果:
- 多尺度视觉转换器版本2 (MViTv2) 模型表现出卓越的性能,平均精度为90.49% ± 2.93% (5-Fold) 和88.80% ± 4.82% (LOSO).
- MViTv2在滑动检测性能上显示出较大的一致性,与膨胀3D运输网 (I3D) 模型相比.
- 虽然I3D和MViTv2之间的性能差异在统计学上并不显著,但MViTv2始终优于I3D.
结论:
- 基于视频的AI模型,特别是像MViTv2这样的视觉变压器,显示出精确自动化鞋类滑动检测的巨大潜力.
- 将基于人工智能的滑动检测集成到鞋类测试协议中,可以带来更可靠的抗滑性评估.
- 这种进步可以有助于改进防摔策略,降低医疗保健成本,提高在冰冷环境中的流动性.
