校园楼梯间学生跌倒检测算法的改进与现场实验研究

校园楼梯间在特定短时间内具有人员高度密集的特征，存在较高的跌倒风险，并可能引发危险的踩踏事故。准确的跌倒检测对于预防此类事故至关重要。然而，现有研究缺乏兼顾高精度与轻量化设计的检测模型，且缺乏评估实际可行性的现场实验验证。本研究通过提出一种基于 YOLOv7 的改进型跌倒识别模型并进行现场实验验证，弥补了这些研究空白。研究建立了校园楼梯间跌倒数据集，记录了楼梯间人员的多种行为。提出了四种 YOLOv7 改进方案，并通过数值对比实验确定了结合 DO-DConv 和 Slim-Neck 模块的最佳性能模型。该模型的平均精度（mAP）达到 88.1%，比传统 YOLOv7 提高了 2.41%，同时将 GFLOPs 从 105.2 降至 38.2，训练时间缩短了 4 h。在小规模人群和不同光照条件下对 22 组受试者进行的现场实验初步证实，该模型的准确率处于可接受范围内。实验结果还分析了不同人群规模和光照条件下检测置信度的变化，为模型的进一步改进及其在实际中的应用提供了宝贵的见解。