Защитный жилет/СИЗ является важным дополнением для всех, кто принимает участие в любой промышленной деятельности или на строительной площадке. Жилет безопасности необходим при работе на обочине дороги, где другие люди могут легко идентифицировать жилет. Он играет важную роль в обеспечении безопасности рабочих.
Итак, наличие защитного жилета и шлема с флуоресцентными цветами, такими как зеленый, желтый и оранжевый, облегчает поиск любого человека в любых условиях освещения. Кроме того, предприятия могут контролировать, носят ли их работники защитные жилеты, из любого места. Наличие жилета может снизить риск поражения электрическим током, поражения электрическим током и предотвратить несчастные случаи с пожаром.
Многие крупные отрасли и компании по всему миру заботятся о безопасности своих работников и следят за тем, чтобы каждый соблюдал протокол во время работы. Но как они их отслеживают? Видеонаблюдение поможет следить за их передвижением, но не определяет, носит ли человек СИЗ/жилет безопасности или нет. Давайте посмотрим, как мы можем отслеживать в режиме реального времени.
Что мы увидим:
- Определение проблемы
- Сбор данных
- Предварительная обработка
- Построение модели
- НИОКР и результаты
Сбор данных:
Иметь хороший и качественный объем данных — огромная задача. Многие нарушения происходят на рабочем месте, например, ракурс камеры, условия освещения и т. д. Мы создаем собственный набор данных, содержащий изображения со средствами индивидуальной защиты и без средств индивидуальной защиты, собирая их из видео на YouTube. Мы создали около 2200 изображений СИЗ и без СИЗ для обучающего набора и 600 изображений для тестового набора.
Предварительная обработка:
Для предварительной обработки мы разделяем синюю маску и зеленую маску, используя диапазон из CV2. (мы используем эту технику перед модулем классификации).
Затем мы накладываем их друг на друга, а затем накладываем на входное изображение. (мы устанавливаем альфа на 0,5)
Построение модели/обучение:
Построение любой модели с меньшим объемом данных — огромный риск. Чтобы преодолеть это, мы используем трансферное обучение. В модели трансферного обучения начальные слои используются в качестве отправной точки для нашей модели, а более поздние слои обучаются на нашем наборе данных. Это экономит время и усилия по созданию всей модели с нуля.
У нас есть две модели обнаружения СИЗ:
Модель детектора человека:
Для обнаружения людей мы используем архитектуру MobileNet SSD, которая использует разделяемые по глубине свертки для создания легких глубоких нейронных сетей. Нажмите сюда, для получения дополнительной информации". Что дает нам ограничивающие рамки, содержащие людей. который передается в модуль классификации СИЗ.
Модель классификации СИЗ:
Мы использовали архитектуру MobileNet (нагруженную кокосовыми весами) и добавили к ней плотный слой из 128 единиц и, наконец, выходной сигмовидный слой. После классификации и вывода создается изображение со всеми ограничивающими рамками, цвет которых основан на классификации.
НИОКР и результаты:
Мы пробовали без маски-наложения в кастомной модели и получили точность ниже 40 процентов. Затем мы попытались добавить наложение маски, что немного увеличило точность. Мы подумали о более глубокой модели и выбрали Mobilenet, что дало нам точность около 50 процентов.
Передача маски вместо фактического изображения в модель детектора человека приводила к плохой точности.
Ниже приведены примеры вывода видео и изображений.
