Fall Prevention From Ladders Utilizing a Deep Learning-Based Height Assessment Method
Notice bibliographique
Résumé
According to the Center for Construction Research and Training (CPWR) and the Korea Occupational Safety & Health Agency (KOSHA), falls from ladders are a leading cause of fatalities. The current safety inspection process to enforce height-related rules is manual and time-consuming. It requires the physical presence of a safety manager, for whom it is sometimes impossible to monitor an entire area in which ladders are being used. Deep learning-based computer vision technology has the potential to capture a large amount of useful information from a digital image. Therefore, this paper presents a deep learning-based height assessment method using a single known value in an image to measure working height, monitor compliance to safety rules, and ensure worker safety. The proposed method comprises (1) extraction of safety rules from the KOSHA database related to the A-type ladder; (2) object detection (Single Shot Multibox Detector SSD) (3) a height-computing module (HCM) to estimate the working height of the worker (how high a worker is from the ground); and (4) classification of worker behavior (using the developed SSD-based HCM) based on the best practices derived from the KOSHA database. The developed algorithm has been tested on four different scenarios based on KOSHA safety rules, with heights ranging from under 1.2 m to over 2 m. Additionally, the proposed method was evaluated on 300 images for binary classification (safe and unsafe) and achieved an overall accuracy of 85.33%, verifying its feasibility for intelligent height estimation and compliance monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».