Deep Learning-driven Blind Spot Detection for Forklifts in Industrial Environments
Notice bibliographique
Résumé
Abstract In modern industrial settings, ensuring the safety of human workers coexisting with heavy machinery like forklifts is paramount. Traditional safety measures often fall short in addressing dynamic hazards, especially in blind spot areas where visibility is limited. This research introduces an advanced blind spot detection system utilizing deep learning techniques specifically designed for industrial environments. The system leverages the YOLOv8 architecture, enhanced through transfer learning, and optimized with model pruning and quantization techniques to achieve high accuracy and low latency, operating at 45 FPS on edge devices with a mean Average Precision (mAP) of 97.3%. The detection models are integrated with a real-time video processing pipeline using the RTSP protocol and OpenCV for spatial awareness. The system incorporates a novel attention mechanism to improve detection accuracy in challenging conditions, such as occlusions and varying lighting. Real-time alerts are provided via an integrated hardware system using ESP8266 microcontrollers and Node-RED for orchestration, ensuring immediate hazard notifications to operators. Extensive experiments in an automotive wheel manufacturing facility validate the system’s effectiveness, demonstrating an improvement of up to 5% in mAP compared to traditional methods. This work contributes to a scalable, efficient, and highly accurate solution for enhancing safety in high-risk industrial environments by addressing critical blind spot hazards in real time.
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 ».