Machine learning prediction of footwear slip resistance on glycerol-contaminated surfaces: A pilot study
Notice bibliographique
Résumé
Slippery surfaces due to oil spills pose a significant risk in various environments, including industrial workplaces, kitchens, garages, and outdoor areas. These situations can lead to accidents and falls, resulting in injuries that range from minor bruises to severe fractures or head trauma. To mitigate such risks, the use of slip resistant footwear plays a crucial role. In this study, we aimed to develop an Artificial Intelligence model capable of classifying footwear as having either high or low slip resistance based on the geometric characteristics and material parameters of their outsoles. Our model was trained on a unique dataset comprising images of 37 indoor work footwear outsoles made of rubber. To evaluate the slip resistant property of the footwear, all samples were tested using a cart-type friction measurement device, and the static and dynamic Coefficient of Frictions (COFs) of each outsole was determined on a glycerol-contaminated surface. Machine learning techniques were implemented, and a classification model was developed to determine high and low slip resistant footwear. Among the various models evaluated, the Support Vector Classifier (SVC) obtained the best results. This model achieved an accuracy of 0.68 ± 0.15 and an F1-score of 0.68 ± 0.20. Our results indicate that the proposed model effectively yet modestly identified outsoles with high and low slip resistance. This model is the first step in developing a model that footwear manufacturers can utilize to enhance product quality and reduce slip and fall incidents.
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 | 0,000 |
| 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 ».