改进和现场实验研究对学生在校园楼梯中的跌倒检测算法

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 公共安全公众安全.

背景情况:

• 校园楼梯由于大量的行人流量,造成了严重的跌倒和 stampede 风险.
• 现有的落检测模型缺乏精度,轻量级设计和实际验证之间的平衡.
• 准确和高效的摔倒检测对于提高拥挤的公共空间的安全性至关重要.

研究的目的:

• 为校园楼梯开发和验证一个增强的跌倒识别模型.
• 解决现有模型在精度,计算成本和现实世界的适用性方面的局限性.
• 通过在动态,拥挤的环境中及时检测落来提高安全性.

主要方法:

• 开发了一种基于YOLOv7的增强式摔倒识别模型,结合了DO-DConv和Slim-Neck模块.
• 创建了一个专门的数据集的校园楼梯落与不同的员工行为.
• 在不同的人口密度和照明条件下进行了数值比较实验和现场现场验证.

主要成果:

• 增强的YOLOv7模型实现了88.1%的平均精度 (mAP),表现比传统YOLOv7高了2.41%.
• 模型复杂性显著降低 (GFLOPs从105.2降至38.2),训练时间减少4小时.
• 在现场进行的初步实验证实了可接受的准确性,并在不同条件下分析了检测信心.

结论:

• 拟议的基于YOLOv7的模型为校园楼梯落检测提供了精确,轻量级和实际验证的解决方案.
• 这些发现为优化现实世界动态环境中的落检测系统提供了宝贵的见解.
• 这项研究通过先进的人工智能驱动的监控和风险减轻,有助于提高公共安全.