此外，一個關鍵的考慮因素是這些人工智慧技術如何適應和徹底改變高價值和高需求基礎設施（例如機場、飛機和各種先進移動系統）內的現有生態系統。

利用創新的人工智慧技術，發揮克蘭菲爾德大學的平台優勢， 應用人工智慧理學碩士課程 旨在培養跨不同工程領域的應用人工智慧的未來領導者。其主要目標是加快全球安全關鍵應用的可靠人工智慧技術的開發和部署。

小組設計專案（GDP）是一個基於問題的學習模組，GDP的目的是讓學生設計、實現、驗證和測試基於人工智慧的即時系統來解決現實世界的問題。 GDP 還旨在為學生提供參與協作工程專案、滿足潛在客戶的要求並遵守截止日期的經驗。

2022 年和 2023 年，就讀應用人工智慧理學碩士的學生被分配了一個刺激且要求較高的小組設計專案。目標是利用從課程中獲得的應用人工智慧知識來開發創新且更安全的機場產品。學生們以六人組成的小團隊的形式工作，其任務是設計解決方案，包括軟體和硬體架構、人工智慧模型開發和測試，以及現實世界的參與方面。

該計畫的主題有意廣泛，要求學生在小組內合作，根據他們的集體專業知識和興趣探索和完善感興趣的特定領域。這種方法培養了創造力、團隊合作精神，並加深了對人工智慧技術在現實場景中實際應用的理解。

每個小組被要求開發智慧機場的即時人工智慧解決方案，以實現以下功能：

1. 該系統應能夠檢測人類用戶，並基於精確的姿勢檢測和追蹤來估計他們的姿勢和行為。
2. 系統應能夠對不同的人群行為進行分類，並闡明其原因、重要性和可行性。
3. 人工智慧模型應該在準確性、計算和推理方面使用不同的指標進行交叉驗證。
4. 人工智慧模型應該能夠即時實施，以了解目前人工智慧技術在這些安全關鍵應用中的優點和缺點。
5. 該系統可以依賴不同的感測器來源作為輸入，以實現感測器融合以獲得強大的性能，但是，成本非常低但高效的解決方案也受到歡迎。

案例研究 1：飛機維修環境中的跌倒偵測。

維護環境會帶來重大危險，包括無人看管的機械、危險區域附近圍欄或物理防護措施不足以及工作空間雜亂。在這些風險中，致命的墜落傷害非常常見。及時發現並報告非致命事件可以防止進一步的傷害或死亡。因此，這項工作提出了一種基於視覺的整合系統，用於在飛機維護活動期間監控員工，提高安全性並防止事故發生（見下圖）。

從設計模型的初始訓練和驗證結果來看，明顯缺乏現成的機場機庫維護資料集，這可能會對從接近主體的垂直攝影機角度捕獲的影片中的影像產生偏差。利用克蘭菲爾德大學的優勢，本計畫選擇並使用克蘭菲爾德大學維修機庫進行資料收集。

總共錄製了大約 50 個模擬維護活動的短影片（兩到五分鐘），其中一些有跌倒，有些則沒有。捕獲的影片被分割成幀，並使用 MoveNet 姿勢估計軟體庫進行註釋，並產生主體關鍵關節位置的向量圖。下圖顯示了一些實驗數據的快照。

我們的學生測試了 1-D、2-D 和 3-D 卷積神經網路方法，以定量評估最強大的 AI 模型的設計。下圖是 3-D 卷積解決方案的示範。

最後，所提出的人工智慧解決方案對跌倒行為取得了良好的檢測結果，如下圖所示。可以得出一些結論。首先，該模型的 FP 分類為 0，這表示模型不會對跌倒進行錯誤分類。其次，每個模型有 940 個真負例，這可能是因為每個測試數據在演員跌倒之前都包含一部分非跌倒（分類為 0）。

案例二：利用電腦視覺和邊緣AI檢測心肌梗塞生命徵象

邊緣人工智慧是指在實體環境中的設備中部署人工智慧應用程式。在最終用戶遇到現實挑戰的情況下，經濟性和易用性是採用人工智慧演算法的關鍵因素。在這個計畫中，我們的學生提出了一種低成本、輕量級的心臟病發作檢測模型，用於機場的快速反應和救援。該過程由四個主要階段組成，如下圖所示。

第一階段包括適當選擇和準備影像資料集，以及類別邊界框的必要註釋（胸痛、跌倒）。

此外，第二階段是透過遷移學習訓練我們的目標偵測器模型。具體階段是在 Google Colab 中使用 PyTorch 進行的。隨後，在完成訓練階段後，該模型被插入到 NVIDIA 的 Jetson Nano 中，這是我們選擇用於 Edge AI 電腦視覺應用的嵌入式裝置。

我們系統設計的第三階段是對模型進行適當的轉換和最佳化，使其在 Jetson Nano 上更有效率地運作。我們的模型的最佳化是使用NVIDIA的TensorRT推理引擎進行的，具體過程是在Jetson Nano中執行的（如下圖所示）。

最後一步是優化模型在 Jetson Nano 上的執行，使用從網路攝影機接收的影格作為輸入，執行即時物件偵測過程並偵測我們的類別（胸痛、跌倒）。伴隨著這個過程，在 Jetson Nano 上運行的推理程式碼中，有兩個特定的場景。最終的推理結果如下圖所示。

案例研究 3：人群監測和社交距離分析

機場每天都有大量客流湧入，與其他擁擠的場所和組織類似，機場必須確保公共安全，並確保採取適當的措施來減輕疫情期間的風險。在這個計畫中，我們的學生提出了一個基於電腦視覺的整合系統，該系統可以在整個機場提供多功能人群監控和分析。該系統的輸出旨在透過提供基於人群的分析和情報，使機場管理人員和乘客受益。

該系統由一個整合平台（見下圖）組成，用於使用視訊監控來源來分析和監控公共場所的人群。重點特別是智慧機場，但基本框架適用於分析和監控人群特徵有用的任何公共環境。

系統下游模型使用從場景中提取的姿勢特徵來執行獨特的任務。這包括人數統計、人際距離估計、面具物件偵測、狀態分類（坐、站、走、躺等）和社交聚類。然後將結果組合起來形成整合的儀表板和監控系統。除了姿勢特徵的常見使用之外，這些任務代表​​了不同建模方法的獨特挑戰。幸運的是，由於模組化系統設計，可以抽象化每個任務並讓不同的團隊成員開發它們。

最後，設計了一個可互動的介面，將所有下游輸出整合到一個視窗中（見下圖）。該應用程式將下游模型創建的資料檔案即時上傳到儀表板，以便分析場景的當前狀態。在任何給定時間，都可以查看場景的原始鏡頭，以及從鄰近視訊播放器上的每個人提取的姿勢特徵。決策者可以在箱線圖視圖和熱圖視圖之間切換，然後變更從兩個下拉式選單接收資料的片段。有關場景的統計資訊顯示在視窗的最右側。這些統計數據包括總人數口罩狀態、總風險狀況、總人數姿勢狀態、總人數、社交距離比例和比例箱線圖。

案例研究 4：機場暴力檢測

最後，我們的一個小組旨在開發一種暴力檢測框架，該框架可以估計人體姿勢並對監視錄影中的暴力行為進行分類（如下圖所示）。該框架沒有直接從視訊幀中提取特徵，而是使用 ViTPose 檢測每個幀中的人體姿勢，然後對關鍵點資訊進行預處理和提取特徵。

透過使用多個資料集（基於角度、基於距離、1秒和2秒序列）以及總共162個超參數組合對各種模型進行綜合分析，團隊最終確定了幾個符合特定評估標準的有前景的模型。可以得出結論，模型可以利用身體關鍵點的距離特徵來提取有關暴力行為的有價值的信息，如下圖所示。

最後，透過與英國薩博合作，我們的學生可以開發他們的人工智慧模型並將其與工業級平台（SAFE）集成，這是一個強大的態勢感知平台，廣泛應用於英國許多警察局的監控。 KAFKA網關跟隨AI引擎應用並轉發至客戶端進一步顯示和提醒。如果在帶有邊界框的截獲視頻中檢測到任何暴力行為，它將觸發我們專門為我們的模型配置的警報，在SAFE 客戶端佈局中顯示截獲視頻，它將向我們提供包含詳細信息的警報消息。最終，我們的學生成功部署了 DARTeC 中心的 AI 模型，並與 Saab SAFE 系統進行通信，以增強人類態勢感知能力。

培養未來的應用人工智慧工程師

這些只是 AAI 理學碩士課程中精選的一些有趣的 GDP 專案範例。最近，我們目前的學生承擔了更具挑戰性的 GDP 項目，涉及與人工智慧的可解釋介面、自主運動規劃的因果推理、自動駕駛車輛的物理資訊人工智慧以及未來空域管理。我們相信我們的碩士生很快就會完成更多令人興奮的研究。

查看我們的學生在 GDP 期間發表的以下研究出版物，以了解最終解決方案和結果的有趣之處：

• Osigbesan、Adeyemi、Solene Barrat、Harkeerat Singh、Dongzi Xia、Siddharth Singh、Yang Xing、WeisiGuo 和 Antonios Tsourdos。 “飛機維護環境中基於視覺的跌倒檢測與姿勢估計。” 2022 年 IEEE 智慧系統多感測器融合與整合國際會議 (MFI)，第 1-6 頁。 IEEE，2022。
• Fraser、Benjamin、Brendan Copp、Gurpreet Singh、Orhan Keyvan、Tongfei Bian、Valentin Sonntag、Yang Xing、WeisiGuo 和 Antonios Tsourdos。 “透過基於人工智慧的人群監控和社交距離分析來減少病毒傳播。” 2022 年 IEEE 智慧系統多感測器融合與整合國際會議 (MFI)，第 1-6 頁。 IEEE，2022。
• Üstek, I.、Desai, J.、Torrecillas, IL、Abadou, S.、Wang, J.、Fever, Q.、Kasthuri, SR、Xing, Y.、Guo, W. 與 Tsourdos, A., 2023,八月。在智慧機場使用 ViTPose 和分類模型進行兩階段暴力檢測。 2023 年 IEEE 智能世界大會 (SWC)（第 797-802 頁）。 IEEE。
• 伯努瓦、保羅、馬克·布列松、楊興、郭偉思和安東尼奧斯·索多斯。 “透過閉路電視攝影機進行基於視覺的即時暴力行為檢測和姿勢估計。” 2023 年 IEEE 智慧世界大會 (SWC)，第 844-849 頁。 IEEE，2023。