A Hybrid Edge-Cloud Smart Door Surveillance System with Real-Time Risk Assessment and Secure Access Control
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a hybrid edge-cloud smart door surveillance system designed to enhance residential security through real-time video analytics, anomaly detection, and dynamic access control. A local webcam captures live video streams processed at the edge by a Flask-Based server, integrating YOLOv8 object detection, HMM-based behavior anomaly detection, and facial recognition for identity verification. To guarantee uninterrupted operation without network connectivity, we also implement a fully offline face-recognition mode on the ESP32-CAM enabling the door to unlock locally under 100 ms. In parallel, a retrainable cloud-based Azure Custom Vision model detected object identities, assessed risk levels dynamically triggering local actions such as door control and real-time email alerts with contextual evidence. When risk levels exceed predefined thresholds, the system autonomously captures critical frames and sends alert or action-required notifications with attached visual evidence, using risk-specific visual theming. To address edge computing limitations in complex cases, recorded videos are analyzed by AWS Rekognition for comprehensive label detection. A responsive web interface provides live monitoring, event logging, OTP-based visitor access, and remote door operation, enhanced by dynamic UI feedback based on threat severity. This work demonstrates an integrated, scalable, and cost-efficient approach to edge-assisted smart security systems, laying a foundation for future improvements in multi-camera coordination ensuring the embedded firmware remains lightweight and easily updatable.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle