编辑推荐：
随着老年人口增长，智能养老至关重要，安全问题首当其冲。现有研究多聚焦跌倒检测，忽视家居环境隐患识别。研究人员开展基于红外可见双模式融合的隐患检测与安全评估范式研究，模型检测精度提升，还能降低模型大小。为智能养老提供有力支持。
在全球老龄化加剧的当下，老年人的安全与健康成为社会关注的焦点。智能养老技术虽蓬勃发展，可大多集中在跌倒检测、健康监测等方面，且往往是在危险发生后才做出响应，难以从根本上保障老年人的安全。比如，目前针对家居环境中潜在的安全隐患，像不合理的家居布局、易燃物放置等问题，缺乏全面有效的识别手段。这些隐患就像隐藏在暗处的 “定时炸弹”，随时可能威胁老年人的生命安全。为了改变这一现状，来自未知研究机构的研究人员开展了一项旨在预防危险发生的研究。他们提出了一种基于红外与可见光双模式融合的预防性隐患检测和安全评估范式，这一研究成果意义重大，为提升老年人居家安全水平提供了新的方向和技术支持，相关论文发表在《Array》。
研究人员主要运用了以下关键技术方法：首先，通过红外相机和可见光相机收集图像组成数据集；接着，利用设计的图像融合模块，融合红外和可见光图像，该模块包含双注意力 Transformer 和多尺度融合技术；然后，借助 YOLOv8 模型进行对象检测；最后，采用基于贝叶斯优化的轻量化卷积神经网络（CNN）构建风险评估模块。
研究结果如下：
- 融合图像效果分析：与其他先进的红外和可见光图像融合算法相比，该模型在平衡红外和可见光信息方面表现出色。从互信息、熵和边缘得分等评估指标来看，生成的融合图像能更好地保留两种模态的特征，抑制噪声干扰，使图像更清晰。在目标检测的精度（Precision）、召回率（Recall）、平均精度均值（mAP50）和平均精度均值（mAP50 - 95）等指标上，该模型均取得最高性能，分别达到 0.79628、0.84394、0.81609 和 0.63484 ，展现出显著优势。
- 模型融合模块方法比较：研究发现，采用三个尺度的自适应融合方法在捕捉两种模态的局部和全局互补特征方面效果最佳，能生成更具信息的复合融合图像。对比不同的自适应尺度融合算法，通道注意力机制在所有指标上表现最优，更适合处理复杂的多模态和多尺度融合任务。
- 风险评估结果分析：基于贝叶斯优化的轻量化 CNN 模型在风险评估方面表现良好。在火灾、跌倒、受伤等单一危险场景以及混合危险场景中，风险等级分类和潜在危险判断的准确率均超过 90%。虽然在混合危险场景中合理性得分略有下降，但整体上模型在准确性和合理性方面表现出强大的能力，具备良好的实际应用潜力。
研究结论和讨论部分指出，该研究提出的创新模型框架，将隐患检测和风险评估功能集成，通过融合红外和可见光双模式图像，能自动识别老年人居住环境中的潜在危险并进行风险评估。多尺度融合模块的引入有效提升了隐患检测的准确性和可靠性，基于贝叶斯优化的轻量化 CNN 则提高了模型的运行效率，使其能在资源受限的设备上稳定运行。然而，该模型也存在一些局限性，如训练样本场景简单、数据收集和预处理难度大、数据集较小影响模型泛化能力以及缺乏理想融合图像参考等。未来研究可从增强模型对复杂场景的适应性、改进数据对齐算法、扩大数据集规模等方面展开。总体而言，这项研究为老年人居住环境的安全监测提供了新视角和技术支持，有望在实际应用中为老年人的安全保护做出重要贡献，推动智能养老领域的进一步发展。
