Automated 20-20-20 Timers Using Facial Detection and Facial Recognition
Notice bibliographique
Résumé
This paper proposes two automated 20-20-20 timers using facial detection and facial recognition respectively. Computer Vision Syndrome (CVS) is a common phenomenon these days, resulting in eye irritation and headaches. A possible prevention of CVS is adopting the 20-20-20 rule. Two types of 20-20-20 timer exist in the market, but both have scopes of improvement. While one type of timer needs to be manually set by the user like a stopwatch, the other type of timer detects the ON -screen time of monitors as a parameter. Both these models fail to detect whether the user is actually looking at the screen, and interrupt the work schedule of the users. The authors have developed a smart automated 20-20-20 timer that uses haar-cascade classifiers for detecting the face and accordingly adapt to the situation. This timer is able to detect the facial features in real time, and alert the user after 20 minutes of screen time. Furthermore, the authors have developed another smart 20-20-20 timer using YOLOv5s. This timer can recognise multiple users looking at the screen and run the timer independently for each person. While the haar-cascade enabled timer is preferred for homes and personal laptops, desktops and PCs; the YOLOv5s enabled timer is suited for offices, schools, colleges and libraries. This paper proposes an automated smart 20-20-20 timer system.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».