인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
This study presents a real-time object detection-based safety management framework designed for recognizing dangerous behaviors in swimming pool environments. A custom dataset was constructed using images that reflect real-world swimming pool scenarios and annotated across five action categories: Swimming, Normal, Slipping, Drowning, and Floundering. To address data imbalance, especially in rare but critical behaviors such as Drowning and Floundering, class-specific augmentation techniques were applied. The performance of two representative model families was compared: the CNN-based YOLO series (YOLOv9, YOLOv10, YOLOv11) and the Transformer-based RT-DETR series (RT-DETR, RT-DETRv2). Experimental results demonstrate that YOLOv11L achieved the best balance between accuracy, inference speed, and computational efficiency, making it a suitable candidate for real-time safety monitoring systems. Although the RT-DETR models exhibited strong precision and recall, their higher computational cost and lower FPS make them less favorable in latency-sensitive scenarios. Furthermore, while the Slipping class was derived from simulated images, it did not negatively impact the detection performance of other classes. Future work will focus on improving the generalization of the detection system by incorporating real-world Slipping data and evaluating performance across diverse swimming pool conditions.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-094043472
