Use of Bluetooth low energy and ultra-wideband sensor systems to detect people in forest operations danger zones
Notice bibliographique
Résumé
Forests are challenging workplace environments with rugged and steep terrains and large danger zones obscured by dense forest stands. Additionally, there are often restrictions on mobile communication networks, the Internet, or on Global Navigation Satellite Systems (GNSS) reception. Therefore, technologies supporting the detection of people in danger zones have not been broadly applied in forestry. During the field test, two prototypes enabling people detection via ultra-wideband (UWB) and Bluetooth low energy (BLE) were evaluated. The precision, accuracy, detection distance, and detection rates of the prototypes were determined. Furthermore, the influence of the line of sight, that is, the visual path between two points, was considered. With an overall Distance Bias of 0.44 m and overall RMSE of 1.52 m, the UWB sensor allowed precise detection within the danger zones, 30 m (mean detection distance, 28.4 m; 90% CI: 22.33–30.00 m) and 50 m (mean detection distance, 43.9 m; 90% CI: 36.81–49.63 m); therefore, it is well suited for use during felling with a chainsaw. The BLE sensor allowed presence detection even at greater distances (mean detection distance, 83.66 m; 90% CI: 62.45–103.05 m) and would be suitable for fully mechanized timber harvesting. However, BLE sensors still lack the ability to determine detection distances.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».