การพัฒนาระบบเฝ้าระวังเด็กเล็กด้วยวิธีการประมวลภาพวิดีโอ
คำสำคัญ:
การประมวลผลภาพวิดีโอ, ตรวจสอบพฤติกรรมเด็ก, ออพติคอลโฟลว์บทคัดย่อ
งานวิจัยนี้ได้พัฒนาระบบเฝ้าระวังเด็กเล็กที่อยู่ในเตียงลูกกรงเพื่อตรวจสอบท่าทางของเด็กเล็ก ถึงความปกติหรือผิดปกติ ที่อาจก่อให้เกิดอุบัติเหตุพลัดตกหกล้มหรือการบาดเจ็บแก่เด็กเล็กที่ร้ายแรงได้และระบบสามารถแปลความหมายท่าทางในพื้นที่ที่กำหนดได้อย่างอัตโนมัติ เพื่อเฝ้าระวังความปลอดภัยสำหรับห้องนอนของเด็กเล็กด้วยวิธีการวิเคราะห์ภาพวิดีโอ รวมทั้งระบบสามารถวิเคราะห์ข้อมูลวิดีโอให้สามารถตรวจจับพฤติกรรมของเด็กเล็กในพื้นที่ที่กำหนดได้และหากมีการปีนเตียงลูกกรง ระบบจะสามารถแจ้งเตือนผู้ปกครองได้ ซึ่งวิธีการดำเนินงานจะประกอบไปด้วยการถ่ายวีดีโอเด็กเล็กเพื่อใช้ในการทดสอบระบบ การแบ่งโซนของวีดีโอและกำจัดสัญญาณรบกวนภาพหาการเคลื่อนที่ของเด็กด้วยวิธีการไหลของแสง (Optical Flow) และวิเคราะห์ท่าทางของเด็กเล็กด้วยทิศทางและขนาดของโฟลว์ โดยระบบจะสามารถทดสอบด้วยวิดีโอจากกล้องที่อยู่นิ่ง และเป็นมุมมองเดี่ยวไม่มีการขยับมุมกล้องไปมา ในการทดลองผู้วิจัยใช้วิดีโอจากเหตุการณจริงในบ้านจากเว็บไซต์ยูทูป ที่มีเด็กเล็กอยู่ในเตียงลูกกรงด้วยพฤติกรรม ปกติ มีการปีนป่าย รวมถึงการตกเตียงจำนวน 10 วิดีโอ ในสภาพแวดล้อมที่แตกต่างกันผล การทดสอบสรุปได้ว่า การพัฒนาระบบเฝ้าระวังเด็กเล็กด้วยเทคนิคการประมวลภาพวิดีโอ สามารถวิเคราะห์ ท่าทางปกติ ท่าทางการปีน และการตกเตียงที่มีความถูกต้องจากระบบ 80.7%
เอกสารอ้างอิง
Cheng, L., Sveta, Z., Tjon W. E., & Peter, H.N. (2016). Video-based Discomfort Detection for Infants Using a Constrained Local Model. International Conference on Systems, Signals and Image Processing (IWSSIP) (pp. 1-4). Bratislava, Slovakia.
Daniel, T., Kjersti, E., Ivar, A., & Oyvind, M. (2016). Motion Based Detection of Respiration Rate in Infants using Video. IEEE International Conference on Image Processing (ICIP) (pp.1225-1229). Phoenix, AZ, USA.
Eren, A., Cagan, C., Elif, A., Huseyin, I., Doga, G., & Duy, I. (2020). ThermoCam: Smart Baby Monitoring Assistant. IEEE 44th Annual Computers, Software, and Applications Conference (COMPSAC) (pp. 636-643). Madrid, Spain.
Gunnar, F. (2003). Two-Frame Motion Estimation Based on Polynomial Expansion. In: Scandinavian Conference on Image Analysis (pp. 363-370). Gothenburg, Sweden.
Leong, L., Hussain, A., Zulkifley, M., & Zaki, W. (2015). Camera-Based Toddler Fall Detection System by using Kalman Filter, Journal of Theoretical and Applied Information Technology, 81(2), 383-388.
Muhammad, M., Syahrull, S., Muhammad, R., & Addzrull, S. (2012). Clinical Infant Pain Trial Based on k-NN Algorithm. International Symposium on Instrumentation & Measurement, Sensor Network and Automation (IMSNA), 2, 371-373.
Natchanan, C. (2016). Accidents in Children: Situation and Prevention. The Journal of Faculty of Nursing Burapha University, 24(3), 1-12.
PETacular.(2019). Babies Escaping Cribs Video Compilation (Video file). Retrieved from https://www.youtube.com/watch?v=5oaxNuOChdY
Rabua, C., Siham, M., Oussama, A., & El hadi, K. (2020). An Intelligent Baby Monitoring System based on Raspberry PI, IoT Sensors and Convolutional Neural Network. 2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI) (pp. 365-371). Las Vegas, NV, USA.
Statistics of Child Health Emergencies. (2016). Newsletter of the National Institute for Emergency Medicine. Retrieved from http://www.niems.go.th/1/Upload/migrate/File/ 256103221110087879 TOQBStXAB8C3NZcF.pdf
Yang, M., & Chuang M. (2013). Fall Risk Assessment and Early-Warning for Toddler Behaviors at Home. Sensors, 13(12), 16987-17002.
Yogita, D., & Sachin, D. (2019). Baby Monitoring System using Image Processing and IoT. International Journal of Engineering and Advanced Technology (IJEAT), 8(6), 4961-4964.
