Аналіз згорткових нейронних мереж для розпізнавання порушення правил охорони праці на робочому місці.

O. Проніна; O. Яремко

doi:10.36910/6775-2524-0560-2021-44-21

O. Проніна Державний вищий навчальний заклад «Приазовський державний технічний університет» https://orcid.org/0000-0001-7085-8027
O. Яремко Державний вищий навчальний заклад «Приазовський державний технічний університет» https://orcid.org/0000-0002-0650-5048

DOI: https://doi.org/10.36910/6775-2524-0560-2021-44-21

Ключові слова: машинне навчання, згорткова нейронна мережа, охорона праці, розмітка даних, labelImg, Python.

Анотація

Охорона праці являє собою ряд заходів і засобів, спрямованих на збереження здоров'я і працездатності людини. На різних виробництвах співробітники схильні до впливу на їх здоров'я різних негативних факторів, наприклад, носіння каски може врятувати співробітника від руйнування кісток черепа, струс головного мозку, всі ці травми відносяться до розряду важких з усіма наслідками, що випливають. Робота присвячена пошуку найкращої моделі згорткової нейронної мережі, яка буде мати найкращі показники у визначенні об'єктів, на яких модель навчилася і оптимальна у використанні програмного забезпечення. Для подальшого аналізу розмітка даних проводилася за допомогою програми labelImg, всі інші етапи навчання і тестування проводилися в середовищі Python. Набір даних включає в себе кілька розмічених класів, а саме: людина з каскою і без, людина в діелектричних рукавичках і без рукавичок, людина з сигаретою і без неї, людина в спеціального робочого взуття і без неї, людина в робочому одязі і в звичайній.

Посилання

Di Benedetto, Marco & Carrara, Fabio & Meloni, Enrico & Amato, Giuseppe & Falchi, Fabrizio & Gennaro, Claudio. (2021). Learning accurate personal protective equipment detection from virtual worlds. Multimedia Tools and Applications. 80. 1-13. 10.1007/s11042-020-09597-9.

Souto Maior, Caio & Santana, João & Nascimento, Lucas & Macedo, July & Moura, Marcio & Isis, D.L. & Droguett, Enrique. (2018). Personal protective equipment detection in industrial facilities using camera video streaming. 10.1201/9781351174664-359.

Wang, Zijian & Wu, Yimin & Yang, Lichao & Thirunavukarasu, Arjun & Evison, Colin & Zhao, Yifan. (2021). Fast Personal Protective Equipment Detection for Real Construction Sites Using Deep Learning Approaches. Sensors. 21. 3478. 10.3390/s21103478.

Racheed, Dora & Muin, Rahmatullah & Jaylan, Ahmed. (2020). Object detection and object classification using machine learning Algorithms. International Journal of Information Technology and Applied Sciences (IJITAS). 2. 21-29. 10.52502/ijitas.v2i3.12.

Cooley, Christopher & Coleman, Sonya & Gardiner, B. & Scotney, Bryan. (2017). Saliency Detection and Object Classification.

Morabia, Keval & Arora, Jatin & Vijaykumar, Tara. (2020). Attention-based Joint Detection of Object and Semantic Part.

Shah, Syed. (2013). Automatic object detection using objectness measure.

Chao, Yu-Wei & Liu, Yunfan & Liu, Michael & Zeng, Huayi & Deng, Jia. (2017). Learning to Detect Human-Object Interactions.

Anshul Pundhir, Deepak Verma, Puneet Kumar, & Balasubramanian Raman. (2021). Region extraction based approach for cigarette usage classification using deep learning.

Zhibo Fan, Yuchen Ma, Zeming Li, & Jian Sun. (2021). Generalized Few-Shot Object Detection without Forgetting.

Alexey Bochkovskiy, Chien-Yao Wang, & Hong-Yuan Mark Liao. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection.

He, K., Zhang, X., Ren, S., & Sun, J. (2014). Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition. Lecture Notes in Computer Science, 346–361.