一种融合基础模型与深度学习模型的鞋类防滑性能评估新型流水线

《IEEE Canadian Journal of Electrical and Computer Engineering》：A Novel Fusion Pipeline of Foundational and Deep Learning Models for Footwear Slip Resistance Evaluation

　　

摘要：

滑倒和跌倒仍然是重大的公共卫生问题，尤其在冬季以及老年人中尤为突出。使用防滑鞋履是降低滑倒风险的重要因素，但这一特性通常仅在实验室中评估，公众难以获取相关信息。在本文中，我们提出了一种新颖的人工智能驱动流水线，可以直接从鞋底图像中估算鞋履的防滑评分。我们的方法将基础模型与领域适应的深度学习方法相结合，包含四个核心阶段：1）使用分割一切模型（SAM）进行微调分割，以检测鞋底接触区域；2）基于卷积神经网络（CNN）和视觉Transformer（ViT）的瓦片式材料分类，这些网络在精选的鞋履材料数据集上进行训练；3）构建可视化叠加层以增强可解释性；4）多输出CNN回归以估算防滑评分。我们在150张具有实验验证防滑评分的鞋履图像上评估了该系统，平均绝对百分比误差（MAPE）在18.56%至31.04%之间。本工作实现了可及的、基于图像的滑倒风险评估，是迈向人工智能驱动的现实世界伤害预防的重要一步。

一、引言

滑倒和跌倒事故仍然是各种环境中重大的安全问题，尤其在冬季更为严重。鞋履防滑性能的评估涉及在不同条件下鞋底纹路与各表面之间复杂交互作用的分析[1]、[2]、[3]、[4]。总体而言，现有的鞋履滑溜性测量方法和技术的三类主要分类为：1）力学测试；2）以人为中心的测试；以及3）计算模型。力学测试方法已被广泛用于评估防滑性能，范围从简单的拖拽测试到精密的机器人模拟器[5]、[6]、[7]、[8]、[9]、[10]。以人为中心的测试方法通过人类参与者直接测量滑倒结果，通过地面反力测量和滑倒力学分析提供生态效度。研究人员已建立多种指标，包括所需摩擦系数（RCOF）和最大可达角度（MAA），以量化步行试验中的滑倒风险[11]、[12]、[13]、[14]、[15]、[16]、[17]。传统的防滑评估依赖于资源密集型的人为测试或力学测试方案，在鞋履安全评估中存在显著局限性。因此，计算建模已成为实验测试的有效替代方案。有限元分析模型模拟鞋底纹路在动态载荷条件下的表现，为几何图案如何影响防滑性能提供了洞见[20]、[21]。与此同时，机器学习方法已实现基于鞋履特征预测滑倒风险，近期模型达到了80%至93%之间的分类准确率[18]、[19]、[22]。这些方法减少了大量实验测试的需求，同时提供了有价值的设计指导。研究已确定了几项影响防滑性能的关键鞋履特征。纹路设计，特别是图案几何形状、方向和间隙尺寸，显著影响防滑性能[20]、[21]。材料成分和硬度影响在不同表面上的牵引力。鞋底与地面之间的接触面积影响摩擦特性，磨损区域尤其存在滑倒隐患[23]。