面向辅助技术应用的鲁棒计算机视觉施工场地检测
密码学与安全
2025-03-07 v1 分布式、并行与集群计算
摘要
目的：在城市环境中导航对盲人或低视力人群构成重大挑战，尤其是在受施工影响的区域。施工区引入了诸如不平整表面、障碍物、危险材料、过度噪音和改变路线等危险因素，这些因素会阻碍熟悉的路径并危及安全。尽管导航工具有助于行程规划，但它们通常忽略这些临时障碍物。现有的危险检测系统也难以应对施工场地的视觉多样性。方法：我们开发了一个基于计算机视觉的辅助系统，集成了三个模块：一个开放词汇目标检测器用于识别多样化的施工相关元素，一个专门用于检测脚手架和杆件的基于YOLO的模型，以及一个光学字符识别模块用于解读施工标识。结果：在七个施工场地使用多静止视角图像进行静态测试时，系统实现了88.56%的总体准确率。系统在2至10米范围内以及高达75°的接近角度下始终识别出相关物体。在2至4米距离处，所有角度的检测均完美（100%）。即使在10米处，七个场地中的六个在15°接近角范围内仍可检测。在动态测试中，沿一条包含八个施工场地的0.5英里城市路线，系统分析了第一人称步行视频的每一帧。系统在区分施工与非施工区域时实现了87.26%的准确率，经50帧多数投票滤波器处理后提升至92.0%。结论：该系统能够实时且在足够远的距离下可靠地检测施工场地，为视力障碍者提供提前预警，使其能够做出更安全的移动决策，如谨慎前行或重新规划路线。
引用
@article{arxiv.2503.04140,
title = {LiteChain: A Lightweight Blockchain for Verifiable and Scalable Federated Learning in Massive Edge Networks},
author = {Handi Chen and Rui Zhou and Yun-Hin Chan and Zhihan Jiang and Xianhao Chen and Edith C. H. Ngai},
journal= {arXiv preprint arXiv:2503.04140},
year = {2025}
}