基于物聯(lián)網(wǎng)+YOLO-GhostNet-SE的養(yǎng)老院安全預(yù)警系統(tǒng)設(shè)計(jì)與優(yōu)化

摘 要：隨著人口老齡化趨勢(shì)不斷加劇，養(yǎng)老院的安全與風(fēng)險(xiǎn)管理日益成為重要的研究課題。為應(yīng)對(duì)養(yǎng)老院安全與風(fēng)險(xiǎn)管理面臨的挑戰(zhàn)，旨在設(shè)計(jì)一種多渠道信息傳達(dá)的養(yǎng)老院安全與風(fēng)險(xiǎn)預(yù)警系統(tǒng)。首先，采用深度學(xué)習(xí)算法YOLO-GhostNet-SE實(shí)現(xiàn)對(duì)養(yǎng)老院中潛在危險(xiǎn)的高效檢測(cè)與識(shí)別。其次，構(gòu)建多渠道數(shù)據(jù)傳達(dá)系統(tǒng)，包括視頻監(jiān)控、傳感器網(wǎng)絡(luò)、移動(dòng)應(yīng)用等，以實(shí)時(shí)獲取全方位、多源頭的數(shù)據(jù)信息。然后，提出一種高效的信息傳達(dá)與融合策略，對(duì)來自不同渠道的數(shù)據(jù)進(jìn)行整合與分析，以實(shí)現(xiàn)對(duì)養(yǎng)老院安全狀態(tài)的全面評(píng)估。同時(shí)，引入智能決策與預(yù)測(cè)技術(shù)，對(duì)潛在風(fēng)險(xiǎn)進(jìn)行及時(shí)預(yù)警，并優(yōu)化預(yù)警策略，確保負(fù)責(zé)人及時(shí)、精準(zhǔn)地采取干預(yù)措施。該系統(tǒng)能夠讓養(yǎng)老院管理人員更直觀、便捷地查看養(yǎng)老院的安全狀態(tài)并做出決策。

關(guān)鍵詞：養(yǎng)老院安全；風(fēng)險(xiǎn)預(yù)警；多渠道信息傳達(dá)；YOLO-GhostNet-SE；智能決策；物聯(lián)網(wǎng)技術(shù)；摔倒檢測(cè)

中圖分類號(hào)：TP311.52 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）09-00-05

DOI：10.16667/j.issn.2095-1302.2024.09.007

0 引 言

如今，國內(nèi)外老年人生活服務(wù)產(chǎn)業(yè)正朝著智慧化和智能化方向迅速發(fā)展[1]。已有研究者對(duì)養(yǎng)老院安保系統(tǒng)進(jìn)行了設(shè)計(jì)。例如，Hsu等人[2]研究了基于數(shù)據(jù)驅(qū)動(dòng)的人體跌倒自動(dòng)監(jiān)測(cè)混合傳感平臺(tái)，解決了養(yǎng)老院監(jiān)測(cè)中存在的延時(shí)問題。李佳潤[3]構(gòu)建了多用戶養(yǎng)老服務(wù)系統(tǒng)，能夠滿足老年人“衣、食、住、行、用、養(yǎng)、醫(yī)”等方面的基本需求。Wongpun

等人[4]研發(fā)了在線支持系統(tǒng)OSSEC，該系統(tǒng)能夠?yàn)榉菍Ｂ氄疹櫿咛峁┫鄳?yīng)的知識(shí)，輔助他們照料老人，進(jìn)而減輕他們的負(fù)擔(dān)。

雖然國內(nèi)外的研究都取得了一定成果，但其中關(guān)于養(yǎng)老院的安全與風(fēng)險(xiǎn)管理方面的研究仍然不多。本文設(shè)計(jì)了一套基于物聯(lián)網(wǎng)技術(shù)與YOLO-GhostNet-SE算法的多渠道信息傳達(dá)的養(yǎng)老院安全與風(fēng)險(xiǎn)預(yù)警系統(tǒng)。該系統(tǒng)能夠識(shí)別老年人的動(dòng)作并進(jìn)行等級(jí)評(píng)價(jià)；同時(shí)采用多渠道傳達(dá)的方式，提高急救效率，減少不必要的人力消耗，確保老年人的安全。此外，系統(tǒng)還能夠預(yù)估潛在的風(fēng)險(xiǎn)，使安全指數(shù)得到提高。

1 系統(tǒng)技術(shù)介紹

1.1 軟件部分

（1）視頻編解碼技術(shù)

視頻編解碼技術(shù)[5]的發(fā)展分為3大階段，本系統(tǒng)采用第3

階段的H.265視頻編解碼技術(shù)。與前兩個(gè)階段相比，其具有壓縮率高、時(shí)延短、魯棒性強(qiáng)、獲取碼流快、復(fù)雜度低等

優(yōu)點(diǎn)[6-7]。

（2）深度學(xué)習(xí)算法

目前，根據(jù)采用的數(shù)據(jù)源類型不同，可將基于深度學(xué)習(xí)的人體異常行為識(shí)別網(wǎng)絡(luò)框架分為兩類[8]：基于關(guān)節(jié)點(diǎn)數(shù)據(jù)模態(tài)的異常行為識(shí)別和基于RGB視頻序列的人體異常行為識(shí)別。劉曦澤[9]通過設(shè)計(jì)動(dòng)作判別函數(shù)，實(shí)時(shí)匹配數(shù)據(jù)，實(shí)現(xiàn)動(dòng)作的快速識(shí)別。薛盼盼等人[10]提出了基于擴(kuò)張殘差網(wǎng)絡(luò)和雙分支結(jié)構(gòu)的人體行為識(shí)別方法，其準(zhǔn)確率高于現(xiàn)有其他方法。張紅民等人[11]提出了基于YOLOv3-MSSE的人體異常行為檢測(cè)方法，相比其他方法其檢測(cè)精度和性能都較高。

本文在YOLO-GhostNet-SE算法[12]的基礎(chǔ)上對(duì)其進(jìn)行了優(yōu)化，同時(shí)還引入了注意力機(jī)制。相比其他深度學(xué)習(xí)算法，本文算法具有高效、輕量、識(shí)別精度高等優(yōu)點(diǎn)。

1.2 硬件部分

1.2.1 監(jiān)控?cái)z像頭

系統(tǒng)采用了?？低暰W(wǎng)絡(luò)攝像頭DS-2CD7A87EWDV3-XZS/ZJ、CMOS圖像傳感器[13-14]和Ambarella H3視頻采集處理芯片，能夠?qū)崟r(shí)監(jiān)測(cè)和分析養(yǎng)老院內(nèi)的監(jiān)控畫面以及編碼和解碼H.265標(biāo)準(zhǔn)下的視頻數(shù)據(jù)，并且對(duì)帶寬和存儲(chǔ)空間的要求比較低。

1.2.2 異常行為識(shí)別模塊

本文選取iTop-RK3399開發(fā)板進(jìn)行深度學(xué)習(xí)的圖像識(shí)別處理，它具有較強(qiáng)的計(jì)算能力和圖形處理性能，可通過GPU來提高深度學(xué)習(xí)模型的推理性能。

異常行為識(shí)別模塊通過內(nèi)置傳感器采集數(shù)據(jù)。其中包含LIS2DW12加速度計(jì)、MSP430G2303微處理器單元[15]，二者均具有超低功耗和高性能的特點(diǎn)，可以有效監(jiān)測(cè)摔倒事件并觸發(fā)相應(yīng)救助措施。

2 系統(tǒng)總體設(shè)計(jì)

2.1 系統(tǒng)總體架構(gòu)

如圖1所示，系統(tǒng)總體架構(gòu)主要分成5個(gè)層次：用戶界面層、應(yīng)用程序?qū)印⒎?wù)層、數(shù)據(jù)訪問層、第三方服務(wù)集成。

2.2 系統(tǒng)總體業(yè)務(wù)流程

系統(tǒng)的業(yè)務(wù)流程可以分成3大模塊：數(shù)據(jù)采集與處理模塊、異常行為識(shí)別與處理模塊以及警報(bào)與通知模塊。系統(tǒng)通過攝像頭和Ambarella芯片進(jìn)行數(shù)據(jù)采集，采用YOLO-GhostNet-SE算法進(jìn)行異常行為識(shí)別，通過APP進(jìn)行警報(bào)和通知的分級(jí)傳達(dá)。系統(tǒng)總體業(yè)務(wù)流程如圖2所示。

3 軟件設(shè)計(jì)

3.1 視頻采集設(shè)計(jì)

系統(tǒng)基于H.265視頻編解碼技術(shù)，通過高效壓縮和傳輸視頻，降低了數(shù)據(jù)量并提高了視頻質(zhì)量，為優(yōu)化圖像識(shí)別算法提供了更優(yōu)秀的訓(xùn)練集，從而完善了安保系統(tǒng)的構(gòu)建。H.265視頻編解碼技術(shù)的業(yè)務(wù)流程如圖3所示。

3.2 算法設(shè)計(jì)

3.2.1 優(yōu)化算法

（1）數(shù)據(jù)增強(qiáng)：應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)，例如隨機(jī)裁剪、旋轉(zhuǎn)、縮放、水平翻轉(zhuǎn)等，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)，以擴(kuò)充數(shù)據(jù)集并提高模型的魯棒性。

（2）損失函數(shù)設(shè)計(jì)：使用組合損失函數(shù)來完成目標(biāo)監(jiān)測(cè)任務(wù)，分別是分類損失函數(shù)和定位損失函數(shù)。針對(duì)目標(biāo)不平衡問題，利用Focal Loss損失函數(shù)來解決。

（3）硬件加速：利用GPU加快模型的訓(xùn)練和推斷速度。

（4）學(xué)習(xí)率調(diào)整策略：采用學(xué)習(xí)率衰減方法中的余弦退火策略，以獲得更好的模型收斂性能。

（5）網(wǎng)絡(luò)剪枝和量化：應(yīng)用網(wǎng)絡(luò)剪枝和量化技術(shù)來刪除冗余連接或參數(shù)，減少模型參數(shù)，降低計(jì)算復(fù)雜度。

3.2.2 數(shù)據(jù)集和規(guī)模

在訓(xùn)練圖像識(shí)別算法時(shí)，通過自行采集和使用UCF101、Holly Wood-2等大規(guī)模的公開圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。在進(jìn)行養(yǎng)老院危險(xiǎn)信息識(shí)別時(shí)，采用包含養(yǎng)老院環(huán)境中各種危險(xiǎn)情況的圖像數(shù)據(jù)集，包括摔倒、打架斗毆、虐待、突發(fā)疾病等情況的圖像數(shù)據(jù)。

3.2.3 YOLO-GhostNet-SE算法模型訓(xùn)練

（1）模型訓(xùn)練環(huán)境

基于YOLO-GhostNet-SE算法進(jìn)行模型訓(xùn)練時(shí)，采用Linux操作系統(tǒng)的GPU服務(wù)器提供計(jì)算資源。訓(xùn)練虛擬環(huán)境：Python 3.8.5；工具包：Pycocotools；開發(fā)平臺(tái)：PyTorch；GPU型號(hào)配置：CUDA 11.1；圖形化界面：PyQt 5。

（2）參數(shù)調(diào)整

設(shè)置初始學(xué)習(xí)率為0.001，實(shí)驗(yàn)過程中采用學(xué)習(xí)率衰減策略。批量大小由16改為4，降低過擬合風(fēng)險(xiǎn)。迭代次數(shù)設(shè)為100，并使用早停策略。

（3）模型訓(xùn)練步驟

步驟1：在公開的UCF101、Holly Wood-2等圖像視頻數(shù)據(jù)集中收集異常行為的特征圖，建立一個(gè)數(shù)據(jù)庫。

步驟2：通過RTSP協(xié)議，配置IP地址等參數(shù)，獲取攝像頭的視頻畫面，從中收集實(shí)時(shí)視頻流并將其送入系統(tǒng)中進(jìn)行分析。

步驟3：將傳入系統(tǒng)的實(shí)時(shí)視頻畫面進(jìn)行預(yù)處理，可提高圖像質(zhì)量和系統(tǒng)識(shí)別性能。

步驟4：用收集到的正常和異常行為數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，將特征圖像輸入到Y(jié)OLO-GhostNet-SE算法中來完成模型訓(xùn)練。采用訓(xùn)練好的模型分析視頻畫面并判斷行為是否異常。

3.2.4 算法應(yīng)用

本文采用YOLO-GhostNet-SE算法進(jìn)行深度學(xué)習(xí)訓(xùn)練，進(jìn)而識(shí)別養(yǎng)老院的異常信息。通過OpenCV截取視頻幀作為輸入數(shù)據(jù)?；赑yTorch框架將訓(xùn)練好的模型部署在服務(wù)器端，并通過RESTful API提供實(shí)時(shí)的危險(xiǎn)信息檢測(cè)和報(bào)警處理服務(wù)。手機(jī)端APP/小程序通過調(diào)用服務(wù)器的API對(duì)視頻流進(jìn)行實(shí)時(shí)檢測(cè)。算法與各模塊的關(guān)系如圖4所示。

3.3 APP/小程序設(shè)計(jì)

（1）APP/小程序的警報(bào)業(yè)務(wù)流程

系統(tǒng)收到服務(wù)器發(fā)送的異常信息后，通過深度學(xué)習(xí)算法分析并觸發(fā)警報(bào)，同時(shí)記錄并豐富數(shù)據(jù)庫特征，以便更全面地分析數(shù)據(jù)。客戶端收到異常數(shù)據(jù)后對(duì)其進(jìn)行存儲(chǔ)并解析，系統(tǒng)根據(jù)異常行為等級(jí)發(fā)送警報(bào)和視頻到對(duì)應(yīng)手機(jī)APP終端。

（2）以多渠道分級(jí)的形式傳達(dá)信息給不同對(duì)象

針對(duì)手機(jī)APP發(fā)出的警報(bào)，系統(tǒng)基于事故等級(jí)通過多渠道傳達(dá)方式將通知分級(jí)傳達(dá)給不同對(duì)象來實(shí)現(xiàn)對(duì)老年人行為的監(jiān)控和異常行為的識(shí)別。

① 多渠道傳達(dá)方式

攝像頭識(shí)別到異常行為后，通過手機(jī)APP、電話和短信多種方式向養(yǎng)老院內(nèi)的保安、護(hù)工、管理層人員以及養(yǎng)老院外的老人家屬、醫(yī)院和警察傳達(dá)圖像信息和警報(bào)。

② 基于事故等級(jí)分級(jí)傳達(dá)通知給不同對(duì)象

監(jiān)測(cè)系統(tǒng)根據(jù)事故等級(jí)分級(jí)傳達(dá)通知給不同對(duì)象以便及時(shí)處理問題。

等級(jí)I：通知護(hù)工處理老人的輕微事故；等級(jí)II：通知保安、護(hù)工、老人家屬處理老人間的沖突；等級(jí)III：通知保安、護(hù)工、管理層人員、老人家屬處理職員與老人的沖突；等級(jí)IV：通知所有相關(guān)對(duì)象處理緊急狀況。這樣的分級(jí)傳達(dá)能夠提高資源利用效率，使系統(tǒng)更人性化。APP/小程序多渠道分級(jí)傳達(dá)流程如圖5所示。

4 摔倒檢測(cè)手環(huán)的設(shè)計(jì)

摔倒檢測(cè)手環(huán)是與本文的安全與風(fēng)險(xiǎn)預(yù)警系統(tǒng)配套研發(fā)的，其核心功能為摔倒檢測(cè)，其他功能為輔助功能，如圖6所示。

手環(huán)產(chǎn)品如圖7所示，其中包括嵌入式攝像頭模塊、iTop-RK3399開發(fā)板模塊、內(nèi)置傳感器模塊、手機(jī)應(yīng)用程序模塊。各模塊的具體功能如圖8所示。摔倒檢測(cè)手環(huán)與其他各模塊通信，并進(jìn)行數(shù)據(jù)交互、算法協(xié)作和控制命令傳遞，進(jìn)而實(shí)現(xiàn)摔倒事件檢測(cè)、用戶狀態(tài)監(jiān)測(cè)和緊急求救等

功能。

用戶可直接將手環(huán)佩戴在手腕上，手環(huán)可以作為數(shù)據(jù)采集裝置，通過內(nèi)置的傳感器（如加速度計(jì)）采集用戶的運(yùn)動(dòng)數(shù)據(jù)和生理參數(shù)，捕捉用戶的手腕動(dòng)作和姿態(tài)變化。手環(huán)還可以作為個(gè)人保護(hù)裝置，實(shí)時(shí)監(jiān)測(cè)用戶的身體狀態(tài)和異常事件，具有摔倒檢測(cè)等功能。

5 結(jié) 語

本文設(shè)計(jì)了一款基于物聯(lián)網(wǎng)技術(shù)與YOLO-GhostNet-SE算法的多渠道信息傳達(dá)的養(yǎng)老院安全與風(fēng)險(xiǎn)預(yù)警系統(tǒng)。通過深度學(xué)習(xí)等技術(shù)識(shí)別用戶的異常行為；根據(jù)事故等級(jí)分級(jí)傳達(dá)警報(bào)通知，實(shí)現(xiàn)了信息的多渠道傳達(dá)。本文的研究為養(yǎng)老院工作提質(zhì)增效和保障老人人身安全提供了有效解決方案。

注：本文通訊作者為楊佳米。

參考文獻(xiàn)

[1]孟李雪，張艷，田雨同，等.養(yǎng)老機(jī)構(gòu)智慧養(yǎng)老系統(tǒng)研究進(jìn)展[J].護(hù)理研究，2023，37（6）：1011-1014.

[2] HSU F S，CHANG T C，SU Z J，et al. Smart fall detection framework using hybridized video and ultrasonic sensors [J].Micromachines，2021，12（5）：508.

[3]李佳潤.面向需求的吉林省養(yǎng)老服務(wù)平臺(tái)功能設(shè)計(jì)及其實(shí)現(xiàn)[D].長春：吉林大學(xué)，2021.

[4] WONGPUN S，GUHA S. Caregivers for the elderly in Thailand：development and evaluation of an online support system [J]. Information development，2020，36（1）：112-127.

[5]張碩，王中刊，趙旦峰.高清視頻多路傳輸系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子技術(shù)與軟件工程，2017，6（13）：44-45.

[6] JURAJ B，MIROSLAV U，LUKAS S，et al. Impact of packet loss rate on quality of compressed high resolution videos [J]. Sensors，2023，23（5）：2744.

[7] EVGENY B. An efficient compressive sensed video codec with inter-frame decoding and low-complexity intra-frame encoding [J]. Sensors，2023，23（3）：1368.

[8]姬曉飛，趙東陽.人體檢測(cè)與異常行為識(shí)別聯(lián)合算法[J].科學(xué)技術(shù)與工程，2023，23（8）：3370-3378.

[9]劉曦澤.基于規(guī)則的身體動(dòng)作快速識(shí)別方法[J].科學(xué)技術(shù)與工程，2022，22（2）：606-613.

[10]薛盼盼，劉云，李輝，等.基于時(shí)域擴(kuò)張殘差網(wǎng)絡(luò)和雙分支結(jié)構(gòu)的人體行為識(shí)別[J].控制與決策，2022，37（11）：2993-3002.

[11]張紅民，李萍萍，房曉冰，等.改進(jìn)YOLOv3網(wǎng)絡(luò)模型的人體異常行為檢測(cè)方法[J].計(jì)算機(jī)科學(xué)，2022，49（4）：233-238.

[12]譚金鴻. 基于深度學(xué)習(xí)的人體異常行為識(shí)別[D].成都：電子科技大學(xué)，2022.

[13]嚴(yán)明，白瓊，李剛，等.瞬態(tài)成像模式下高幀頻CMOS圖像傳感器性能研究[J].紅外與激光工程，2022，51（8）：441-449.

[14]劉業(yè)琦，吳治軍，劉昌舉，等.一種應(yīng)用于安防監(jiān)控的CMOS圖像傳感器的自動(dòng)曝光算法研究[J].半導(dǎo)體光電，2017，38（2）：283-287.

[15]陳翔.基于加速度傳感器的摔倒檢測(cè)研究[D].福州：福州大學(xué)，2018.

收稿日期：2023-09-09 修回日期：2023-10-10

基金項(xiàng)目：廣東省重點(diǎn)建設(shè)學(xué)科科研能力提升項(xiàng)目：輕量化聯(lián)邦學(xué)習(xí)范式及其應(yīng)用研究（2022ZDJS058）；廣東省海外名師項(xiàng)目：人工智能與新一代智能制造技術(shù)研究；2021年廣東省教育廳項(xiàng)目：惠州信息技術(shù)類科產(chǎn)教融合實(shí)踐教學(xué)基地（15109220317）

作者簡(jiǎn)介：張曉歡（1983—），女，博士研究生，講師，研究方向?yàn)槿斯ぶ悄?、圖像處理、企業(yè)智能計(jì)算。

楊佳米（2002—），女，研究方向?yàn)槿斯ぶ悄?、圖像處理。

謝琬儀（2003—），女，研究方向?yàn)槿斯ぶ悄?、圖像處理。

傅裕超（2002—），女，研究方向?yàn)槿斯ぶ悄?、圖像處理。

吳嘉偉（2002—），男，研究方向?yàn)槿斯ぶ悄堋D像處理。

楊志杰（2002—），男，研究方向?yàn)槿斯ぶ悄堋D像處理。