Artificial Intelligence- Powered Smart Safety Cap for Farm Workers Using Artificial Intelligence, IoT and Wearable Sensors: A Review
Khade Pranjal Dilip · Dr.Anand. A. Khatri · Bangar Abhishek P. 等 4 人
综述AI智能安全帽用于农场工人动物与蛇类检测的研究进展。
综述可见光/热成像传感、YOLO与Transformer检测、边缘计算与IoT告
检测模型指标达92–98%，但多依赖固定相机与受控数据，缺乏真实田间头戴设备验证。
可研究头戴多摄像头+热成像的边缘实时检测、行为分析与续航告警一体化真实田间验证。
系统综述AI+IoT可穿戴安全帽在农业中的应用，方法梳理扎实但属综述性论文，缺乏实地验证，产业影响有限，可作为技术参考。
在甘蔗田、森林、茶园及其他植被茂密区域作业的农业工人，可能在接近前难以察觉具有危险性的动物和昆虫。传统防护措施，包括棍棒、火把、防护鞋和目视观察，在提前识别隐蔽威胁方面能力有限。通信延迟和医疗救助获取困难会进一步增加此类事件的相关风险。人工智能（Artificial Intelligence, AI）、计算机视觉、热成像、边缘计算、全球定位系统（Global Positioning System, GPS）技术和物联网（Internet of Things, IoT）的最新进展，为开发可穿戴系统以提升农业安全提供了机会。本文对与AI赋能安全帽相关的研究进行了聚焦式叙述性综述，涵盖动物识别、蛇类检测、基于热成像的野生动物监测、边缘部署和物联网支持的警报系统。所综述的方法从三个方面进行讨论：传感方法，包括可见光相机、热传感器及辅助定位或运动传感器；深度学习技术，包括基于YOLO的检测器、Transformer架构、轻量级模型和目标跟踪；以及结合本地处理、离线数据处理和云连接的系统设计。已发表的结果表明，部分动物和蛇类检测模型在选定评价指标上达到约92–98%，而一种热成像野生动物检测方法报告了89.1%的mAP50，参数量约为145万。部分轻量级YOLOv8模型在Jetson级硬件上也已展示出约52–65帧/秒的处理速率，尽管性能可能因设备和实验设置而异。尽管取得了这些进展，现有研究大多依赖固定相机、空中平台或受控数据集。其局限性包括物种覆盖范围有限、数据集划分记录不充分以及在真实农业条件下评估不足。所综述的证据尚不能确立一种集成了行为分析、电池续航评估和紧急警报测试的多摄像头头戴式安全装置的实际现场性能。为弥补这些不足，本文提出了一种概念性的工人到云端架构，结合视觉与热成像传感、基于边缘的推理、多模态警告、可选GPS……