تصميم نظام لكشف السقوط المؤدي للانسان بكاميرات المراقبة

Abstract

ساهم انتشار تقنيات الذكاء الصنعي في العقد الأخير، ورخص الكاميرات وانتشارها الواسع، في الاهتمام بتصنيف حركات وأفعال البشر خاصة تلك الأفعال التي قد يكون لها أثر سلبي في صحتهم مما قد يؤدي في أسوأ الأحوال إلى وفاتهم، وكان لحدث السقوط الحظ الأكبر من الدراسات والبحوث، وخاصة فيما يتعلق بكبار السن، إذ يكون خطر الموت نتيجة السقوط من نصيبهم. لذلك تم في هذا البحث طرح منظومتين جديدتين لكشف. السقوط المؤذي. تعتمد المنظومة الأولى على تطوير الشبكة الهجينة CNN-LSTM، من خلال اقتراح شعاع سمات جدید مشتق من شبكة CNN المدربة يحمل سمات عمومية وتفصيلية، لتمييز ثلاث وضعيات مرحلية نشاطات جزئية متتالية متعاقبة تم اقتراحها لتعريف أنواع السقوط المختلفة. يكون هذا الشعاع دخلاً لشبكة LSTM التي ستميز السقوط بعد مرور سلسلة متتالية من ذلك الشعاع، أعطت هذه المنظومة دقة %98.6% وحساسية %100، متفوقة بذلك على الطرق التي استخدمت شبكات هجينة من النوع CNN-LSTM تم تدريب هذه المنظومة )FDD.URFD, U. Montreal( على مجموعات تدريب عالمية تقدم المنظومة الثانية طريقة جديدة دعيت صورة أمامية مكدسة بعلامات زمنية Stacked Time (Tagged Foreground Image (STTFI تحمل سمات زمانية ومكانية تمثل الحركة وكميتها واتجاهها، مثل صور الحركة (MHI BMI ITMI)، ولكن لهذه الصور سلبيات، فيه لا تستطيع تمثيل الأجزاء الساكنة من الجسم التي تعتبر نقاط ارتكاز أو الوضعيات الساكنة العابرة أثناء الحركة، إضافة إلى سلبية التغطية الذاتية التي تعاني منها، ولكن صورة STTFI المقترحة تغلبت على هذه السلبيات استخدمت صورة STTFI في هذه الطريقة كدخل لشبكة CNN قليلة العمق (Alexnet) وعلمت بطريقة نقل التعلم لتصنف حدث السقوط من عدمه أعطت هذه المنظومة باستخدام صورة STTFI الجديدة المقترحة دفة %99.02% وحساسية %100، متفوقة بذلك على الطرق التي استخدمت صور حركة مثل MHI مع شبكة CNN واحدة أو الطرق التي استخدمت تعدد السيول، أو الطرق التي استخدمت الشبكات الهجينة CNN-LSTM تم تدريب هذه المنظومة على مجموعات التدريب الثلاثة العالمية إضافة لمجموعة تدريب مصورة لغرض هذا البحث سميت FD22 احتوت على صور لوضعية الإغماء والسقوط من على الأريكة لم تكن موجودة في المجموعات السابقة. الكلمات المفتاحية: كشف السقوط كبار السن صورة تاريخ الحركة MHI، الشبكة العصبونية الالتفافية CNN، التعلم العميق، نقل التعلم الإبصار الحاسوبي، خلية الذاكرة القصيرة طويلة الأمد LSTM.