การตรวจจับการหกล้มภายในอาคารด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอการจำแนกภาพการหกล้มภายในอาคารด้วยการเรียนรู้เชิงลึก โดยใช้อัลกอริทึมโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) ในการทำ Regularization ด้วยเทคนิค Dropout ในการทำโมเดลการจำแนก ซึ่งรวบรวมข้อมูลที่เป็นข้อมูลไฟล์วิดีโอ จาก University de Franche-Comté ห้องปฏิบัติการ lmViA โดยมีการแบ่งข้อมูลสำหรับฝึกฝน (Train set) 60% ชุดข้อมูลทดสอบ (Test set) 20% และชุดข้อมูลสำหรับทดสอบและปรับโมเดลตามผลการทดสอบ (Validation set) 20% การทดลองแบ่งเป็น 3 การทดลองหลักตามรูปแบบข้อมูลนำเข้าที่ต่างกัน คือ 1) Grayscale image 2) Motion History Image (HMI) และ 3) MHI รวมกับ Grayscale image การวัดประสิทธิภาพของโมเดลเพื่อคัดเลือกผลการทดลองที่ดีที่สุดตามลักษณะของข้อมูลนำเข้าพบว่า โมเดลที่จำแนกภาพเเบบ Grayscale image ให้ค่าความถูกต้องเท่ากับ 0.9204 โมเดลที่จำแนกภาพเเบบ MHI ให้ค่าความถูกต้องเท่ากับ 0.9193 และโมเดลที่จำแนกภาพเเบบ MHI รวมกับ Grayscale image ได้ค่าความถูกต้องเท่ากับ 0.9575 ซึ่งเป็นโมเดลที่ดีที่สุดจาก 3 การทดลอง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Ahad, M. A. R. (2013). Motion history images for action recognition and understanding. Springer. https://doi.org/10.1007/978-1-4471-4730-5
Bangkok Hospital. (2021). Reducing fall-related accidents in the elderly. https://www.bangkokhospital.com/content/reduce-accidents-in-the-elderly-2
Eppel, S. (2017). Setting an attention region for convolutional neural networks using region selective features, for recognition of materials within glass vessels. arXiv. https://doi.org/10.48550/arXiv.1708.08711
Hu, M., Wang, H., Wang, X., Yang, J., & Wang, R. (2019). Video facial emotion recognition based on local enhanced motion history image and CNN-CTS-LSTM networks. Journal of Visual Communication and Image Representation, 62, 176-185.
Hwang, S., Ahn, D., Park, H., & Park, T. (2017). Poster abstract: Maximizing accuracy of fall detection and alert systems based on 3D convolutional neural network. Proceedings of the IEEE/ACM Second International Conference on Internet-of-Things Design and Implementation (IoTDI) (pp. 343-344). IEEE.
Jaroonphan, P., & Covavisaruch, N. (2013). Utilizing MHI for human’s gesture with repeating-path trajectory. Information Technology Journal, 9(2), 56-61. (in Thai)
Laboratoire ImViA. (2020). Fall detection dataset. https://imvia.u-bourgogne.fr/en/database/fall-detection-dataset-2.html
Li, X., Pang, T., Liu, W., & Wang, T. (2017). Fall detection for elderly person care using convolutional neural networks. Proceedings of the 2017 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) (pp. 1-6). IEEE.
Lu, N., Wu, Y., Feng, L., & Song, J. (2019). Deep learning for fall detection: Three-dimensional CNN combined with LSTM on video kinematic data. IEEE Journal of Biomedical and Health Informatics, 23(1), 314-323. https://doi.org/10.1109/JBHI.2018.2808281
Menacho, C., & Ordoñez, J. (2020). Fall detection based on CNN models implemented on a mobile robot. Proceedings of the 2020 17th International Conference on Ubiquitous Robots (UR) (pp. 284-289). IEEE.
Meng, H., Pears, N., Freeman, M., & Bailey, C. (2009). Motion history histograms for human action recognition. In B. Kisačanin, S. S. Bhattacharyya, & S. Chai (Eds.), Embedded Computer Vision (pp. 139-162). Springer. https://doi.org/10.1007/978-1-84800-304-0_7
Núñez-Marcos, A., Azkune, G., & Arganda-Carreras, I. (2017). Vision-based fall detection with convolutional neural networks. Wireless Communications and Mobile Computing, 2017, 3-17. https://doi.org/10.1155/2017/9474806.
Peng, D., Zhang, Y., & Guan, H. (2019). End-to-end change detection for high-resolution satellite images using improved UNet++. Remote Sensing, 11(11), Article 1382. https://doi.org/10.3390/rs11111382
Promrit, N., & Waijanya, S. (2021). Fundamental of deep learning in practice (1st ed.). Infopress Publisher, Bangkok. (In Thai)
Song, J., Zheng, J., Li, P., Lu, X., Zhu, G., & Shen, P. (2021). An effective multimodal image fusion method using MRI and PET for Alzheimer's disease diagnosis. Frontiers in Digital Health, 3, Article 637386. https://doi.org/10.3389/fdgth.2021.637386.
Subramanyan, T., Jang, Y., Tsogtbaatar, E., & Cho, S. (2020). Fall detection system for elderly people using vision-based analysis. Romanian Journal of Information Science and Technology, 23(1), 69-83.
Wang, K., Cao, G., Meng, D., Chen, W., & Cao, W. (2016). Automatic fall detection of human in video using combination of features. Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1228-1233). IEEE.
Warunsiri, W., & Toontharm, K. (2017). Procentage rice inspection program based on image processing principles. Proceedings of the 10th Rajamangala University of Technology Tawan-ok Research Conference (pp. 56-62). Rajamangala University of Technology Tawan-ok, Chonburi, Thailand. (In Thai)
Zhang, Y., Dong, Z., Chen, X., Jia, W., Du, S., Muhammad, K., & Wang, S.-H. (2019). Image based fruit category classification by 13-layer deep convolutional neural network and data augmentation. Multimedia Tools and Applications, 78, 3613-3632.
Zou, S., Min, W., Liu, L., Wang, Q., & Zhou, X. (2017). Movement tube detection network integrating 3D CNN and object detection framework to detect fall. Electronics, 10(8), 2-16.
