MétaCan
Menu
Retour à la cohorte
Enregistrement W4413146664 · doi:10.1109/icoeca66273.2025.00187

Object Detection and Hazard Alert System for Child Safety on Robot using YOLO

2025· article· en· W4413146664 sur OpenAlexaff
K Sivakrishna, J. Vaishnavi, Annapureddy Sreelekha, S. Sindhu, Chappidi Varshitha, Gowrisankar Kalakoti

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueFire Detection and Safety Systems
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceHazardRobotObject (grammar)Object detectionComputer visionArtificial intelligencePattern recognition (psychology)

Résumé

récupéré en direct d'OpenAlex

This project outlines about Object Detection and Hazard Alert System for Child Safety on Robots Using YOLO. This invention integrated the YOLO (You Only Look Once) which helps in real time object detection ensuring child safety. By detecting the hazards and sending notification alerts, the system significantly reduced the hazardous situations providing safety to the children. The system is integrated with advanced machine learning and deep learning techniques for object detection that increases the accuracy and flexibility in automated systems and dynamic environments. This innovation ensures child safety, by enabling secured communication between the system and parents. Object Detection and Hazard Alert System for Child Safety Using YOLO is an application designed to ensure the child safety at home by continuously monitoring and detecting hazardous objects present near the child in real-time. The system is integrated with a camera placed at home to monitor the toddler movements and when child is present near a hazardous object the camera immediately detect the hazard and sends an instant alert to the parent’s mobile devices enabling immediate action and ensuring child safety. This application focus on leverages YOLO (You Only Look Once) for detecting the objects in single loop and OpenCV for real-time video processing. YOLO (You Only Look Once) incorporates robust and fast object detection ensuring identification of hazardous objects like knives, scissors, electrical wires, stair cases in a single loop. The project is executed in python with OpenCV integration that incorporates real-time video processing and hazard identification. This system demonstrates a significant improvement in detection accuracy and accurate response time compared to existing approaches. The project lays the foundation for the future advancements in child safety technologies by providing a robust, real-time solutions for hazard detection and prevention ensuring child is safe from hazard objects at home.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,213
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFire Detection and Safety SystemsTravaux en français237 207