İnsan anormal duruşu tespiti için hafif YOLOv8n tabanlı bir yöntem

Neden sıra dışı beden pozisyonlarını fark etmek önemli

Düşmeler, ani göğüs ağrısı veya birinin koridorda bayılması genellikle saniyeler içinde gerçekleşir ve yanlarında kimse yoksa yardım çok geç gelebilir. Bu makale, güvenlik veya bakım evi kameralarından gelen sıradan videoyu izleyip gerçek zamanlı olarak tehlikeli, anormal duruşları otomatik olarak işaretleyebilen kompakt bir yapay zeka sistemi sunar. Yazılımı hem doğru hem de hafif hale getirerek, araştırmacılar güvenilir düşme ve sağlık olayı tespitini hastane monitörlerinden yaşlıların evlerindeki düşük maliyetli kameralara kadar günlük cihazlara taşımayı hedefliyor.

Basit kameralardan daha akıllı gözetime

Modern izleme sistemleri zaten insanları tespit etmek ve hareketlerini takip etmek için bilgisayarla görmeyi kullanıyor, ancak sıra dışı duruşları tespit etmek özellikle zordur. Bir kişi ayakta dururken, göğsünü tutarken, kusarken veya zeminde yatarken çok farklı görünebilir; bu olaylar kısa, çeşitli ve sıklıkla mobilya ya da kötü aydınlatma ile kısmen örtülüdür. Mevcut algoritmalar oldukça doğru olabilir, ama çoğu hantal ve yavaştır; güçlü donanım ve dikkatli ayar gerektirir. Yazarlar, tespitin hem hızlı hem de hesaplama kaynakları açısından tutumlu olmasını sağlayarak, yaygın grafik kartlarında veya gömülü cihazlarda bile güvenilirliği feda etmeden çalıştırılabilmesini amaçlıyorlar.

Riskli pozları tanımak için daha yalın bir zihin

Çalışmanın özü, popüler bir nesne algılama modeli olan YOLOv8n’in geliştirilmiş bir versiyonudur. Araştırmacılar, PSD‑YOLOv8n adını verdikleri daha hafif, daha odaklı bir varyant inşa ediyorlar. İlk olarak, ağın kişinin vücudunun en bilgi verici kısımlarına yoğunlaşmasına ve dağınık arka planları görmezden gelmesine yardımcı olan yeni bir dikkat modülü, PoseMSA, ekliyorlar. Bu, görüntü genelinde ve farklı özellik katmanları arasında bakmayı taklit eden, hesaplama sayısını düşük tutan sadeleştirilmiş işlemlerle duruş için önemli sinyalleri güçlendiriyor. İkinci olarak, modelin ayrıntılara "yeniden yakınlaşma" şeklini KA‑Sample yükseltme bloğu ile yeniden tasarlıyorlar; bu blok baş, gövde ve uzuvlar gibi temel vücut noktalarının etrafındaki alanları keskinleştirmeyi öğrenerek bükülmüş veya çökmüş pozların daha net öne çıkmasını sağlıyor.

Daha keskin kutular ve daha net kararlar

Anormal duruşların çevreleriyle bulanıklaşabildiğini kabul eden yazarlar, son karar aşaması olan algılama başlığını da baştan ele alıyorlar. Detect‑PSA modülleri, çoklu ölçeklerden gelen bilgileri harmanlıyor ve olasılığa dayalı bir sınır kutusu çizme yöntemi uyguluyor. Bir kişinin nerede başladığı ve bittiği konusunda tek bir sert kenar tahmin etmek yerine sistem, kutunun her kenarını olası pozisyonların küçük bir dağılımı olarak temsil edip bunları ortalıyor. Bu yaklaşım, uzuvlar kısalmış, örtülmüş veya zemine paralel uzanmış olduğunda konturların daha kararlı olmasını sağlayarak zorlu sahnelerde insan tarafından çizilmiş gerçek değerle daha yakın eşleşen kutular elde ediyor.

Sistemi teste koymak

Tasarımın pratikte ne kadar iyi çalıştığını görmek için ekip, SSHDataset adlı özel bir görüntü koleksiyonu oluşturdu; bu koleksiyon, çok açılı iç mekân videolarından normal, göğüs ağrısı, kusma ve düşme olmak üzere dört durumu gösteren insanları içeriyor. Titiz el etiketleme ve veri artırma sonrasında PSD‑YOLOv8n ile bir dizi rakip modeli aynı ayarlar altında eğittiler. Standart doğruluk ölçütlerinde yöntemleri, yaygın bir örtüş eşiğinde %97,8 tespit puanına ulaştı ve daha sıkı kriterlerde bile güçlü performansını korudu. Aynı zamanda yalnızca yaklaşık iki milyon parametre ve 4,5 megabaytlık bir ağırlık dosyası kullandı—orijinal YOLOv8n’den yaklaşık üçte bir daha az parametre ve üçte birden fazla daha az hesaplama—ve saniyede 80’in üzerinde kare hızında çalıştı. Bağımsız bir açık düşme‑tespiti veri kümesi üzerinde yapılan testler, kazanımların yeni verilere de taşındığını ve özellikle gerçek düşmeleri fark etmede güçlü iyileşmeler olduğunu gösterdi.

Günlük güvenlik için bunun anlamı

Düz bir ifadeyle, çalışma canlı video izleyip birinin beden pozisyonu tehlike sinyali verdiğinde bunu güvenilir şekilde fark edebilen kompakt dijital bir "can kurtaran" sunuyor. Modelin vücut bölgelerine nasıl odaklandığı, ince ayrıntıları nasıl yeniden oluşturduğu ve insanların etrafına kutuları nasıl çizdiği üzerinde özenle yapılan değişikliklerle yazarlar, yüksek doğruluk, hız ve küçük boyutun nadir bir kombinasyonuna ulaşıyor. Böyle bir sistem hastane monitörlerine, akıllı ev merkezlerine veya halka açık alan kameralarına gömülebilir ve dağınık odalarda ve farklı aydınlatma koşullarında bile düşme veya ani sıkıntılar için zamanında uyarılar tetikleyebilir. Yaklaşım daha da geliştirilip daha uzun video dizilerine ve yeni ortamlara genişletildikçe, sürekli insan gözetimi gerektirmeden savunmasız kişileri daha güvende tutmaya yardımcı olacak sessiz, her zaman açık yeni bir koruyucu nesil için temel oluşturabilir.

Atıf: Li, G., Zhang, J., Ji, Q. et al. A lightweight YOLOv8n-based method for human abnormal posture detection. Sci Rep 16, 7222 (2026). https://doi.org/10.1038/s41598-026-37903-2

Anahtar kelimeler: düşme tespiti, insan duruşu, bilgisayarla görme, hafif yapay zeka, yaşlı bakımı