The safety and health monitoring of the elderly, especially those living alone, has gained significant interest from all walks of life due to the aging of the population and the increased demand for quality of life. The rapid growth of the Internet, sensors, and artificial intelligence technology has made remote monitoring of the elderly possible. However, traditional surveillance cameras use visible light to generate images, causing many elderly to worry about privacy leaks. In this study, a low-resolution infrared sensor is employed to locate humans and recognize their behavior, such as sitting, standing, and lying down. We acquired the data from a low-cost infrared device and pre-processed them to train the YOLO-v5 network. We developed and tested an infrared technology-based system consisting of 32×24 thermal input. Our proposed Yolov5-based lightweight detection model has been trained on 3 864 low-resolution images and made publicly available. The trained YOLO-v5 model achieved a mean Average Precision (mAP) of 96.34% using our designed lightweight and low-cost activity recognition device. We also performed T-SNE-based dimensionality reduction visualization analysis on the whole dataset of 89268 images. Furthermore, based on this, we verified the feasibility of multiple tasks based on this dataset. We designed and labeled a variety of classification tasks. When we trained and validated multiple classification tasks using seven common classification models, even the lowest accuracy rate reached 92%, with the highest reaching 97.73% in the human/background classification task. We proposed Artificial Intelligence of Things (A-IoT) system can be used either as a stand-alone data collection such as an IoT device, or as a data processing and analysis sub-center. Our system consists of a low-power edge computing device and a cost-effective low-resolution infrared module.
고령화와 삶의 질에 대한 수요 증가로 노인, 특히 독거노인에 대한 안전보건 모니터링이 각계의 큰 관심을 얻고 있습니다. 인터넷, 센서, 인공지능 기술의 급속한 성장은 노인들의 원격 모니터링을 가능하게 했습니다. 그러나 전통적인 감시 카메라는 가시광선을 사용하여 이미지를 생성하여 많은 노인들이 사생활 유출에 대해 걱정하게 합니다. 이 연구에서, 저해상도 적외선 센서는 인간의 위치를 파악하고 앉고, 서고, 눕는 것과 같은 그들의 행동을 인식하기 위해 사용됩니다. 우리는 저비용 적외선 장치에서 데이터를 획득하여 YOLO-v5 네트워크를 훈련시키기 위해 사전 처리했습니다. 우리는 32x24 열 입력으로 구성된 적외선 기술 기반 시스템을 개발하고 테스트했습니다. 우리가 제안한 Yolov5 기반 경량 감지 모델은 3864개의 저해상도 이미지에 대해 훈련되어 공개되었습니다. 훈련된 YOLO-v5 모델은 당사가 설계한 경량 및 저비용 활동 인식 장치를 사용하여 평균 정밀도(mAP) 96.34%를 달성했습니다. 또한 89268 이미지의 전체 데이터 세트에 대해 T-SNE 기반 차원 축소 시각화 분석을 수행했습니다. 또한, 이를 기반으로 이 데이터 세트를 기반으로 여러 작업의 실현 가능성을 검증했습니다. 우리는 다양한 분류 작업을 설계하고 레이블을 지정했습니다. 7개의 공통 분류 모델을 사용하여 여러 분류 작업을 훈련하고 검증했을 때, 가장 낮은 정확도도도 92%에 달했고, 인간/배경 분류 작업에서 가장 높은 정확도는 97.73%에 달했습니다. 우리는 인공 사물 지능(A-IoT) 시스템을 IoT 장치와 같은 독립형 데이터 수집 또는 데이터 처리 및 분석 하위 센터로 사용할 수 있다고 제안했습니다. 우리 시스템은 저전력 에지 컴퓨팅 장치와 비용 효율적인 저해상도 적외선 모듈로 구성되어 있습니다.