Левщанов С.В.
ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОНИТОРИНГА ТЕХНИКИ БЕЗОПАСНОСТИ НА СТРОИТЕЛЬНЫХ ПЛОЩАДКАХ *
Аннотация:
данная статья отражает практики применения нейронных сетей для мониторинга техники безопасности на строительных площадках. В статье рассматриваются типы применяемых в строительной отрасли нейронных сетей. Оцениваются преимущества и недостатки каждого из них. При помощи анализа опыта применения разных типов нейронных сетей выявлены критерии их правильного выбора исходя из условий и нужд индустрии.
Ключевые слова:
техника безопасности; нейронные сети; мониторинг; машинное обучение
DOI 10.24412/2712-8849-2024-776-247-251
Строительные площадки являются опасной средой, и обеспечение безопасности работников является важнейшей задачей. Несоблюдение правил техники безопасности, недостаточная подготовка, неадекватная оценка рисков могут привести к несчастным случаям, травмам и даже смертельному исходу [1, с. 1]. Из-за высоких рисков для безопасности жизни и здоровья персонала есть потребность в мониторинге поведения и условий труда работников в режиме реального времени, потому что такой подход позволяет предотвращать потенциальные несчастные случаи на строительных площадках [2-4].Использование сверточной нейронной сети (CNN) автоматизировало выявление рисков для безопасности персонала. Процесс совместного мониторинга включает сбор данных на строительной площадке с помощью БПЛА, передача этих данных посредством беспроводной передачи изображений в программный комплекс с CNN, где алгоритмы обученной модели их обрабатывают и выявляют нарушения [3].Для мониторинга техники безопасности на строительных площадках широкое распространение получили два типа свёрточных нейронных сетей, это Faster R-CNN и YOLOv3. Faster R-CNN Faster R-CNN состоит из четырех основных частей: слоев свертки, RPN, слоя пула ROI и классификатора [4, с. 3]. И имеет двухэтапную схему, требующей больше времени для обработки изображений, но за счёт этого обеспечивается более высокая точность обработанных данных [2, с. 8]. YOLOv3 состоит из трех основных частей: магистральной сети, шейной сети и головной сети (выходной уровень) и обладает одноэтапным модулем и за счёт этого работает быстрее. Разница в точности между Faster R-CNN и YOLOv3 небольшая [4, с. 5].Рис. 1. Результаты тестирования модели Faster R-CNN [2].Рис. 2. Результаты тестирования модели Faster R-CNN показали некоторые ошибки при индентифицировании [2].Основываясь на практике применения Faster R-CNN обладает следующими характеристиками: устойчивостью к различным по сложности условиям строительных площадок; удовлетворяет потребность в практическом инженерном подходе за счет своей высокой точности; позволяет осуществить мониторинг ношения шлемов у персонала в режиме реального времени [2, с. 19].Рис. 3. Результаты тестирования модели YOLOv3 на крупных и мелких объектах [2]YOLOv3 - You Only Look Once version 3 так же обнаруживает объекты в режиме реального времени в том числе более мелких целей с более высокой скоростью на крупномасштабных площадках, что пока не доступно с Faster R-CNN [2, с. 19].Что делает YOLOv3 особенно популярным на строительных площадках линейных сооружений, таких, как например автомагистрали [3].Рис. 4. Результаты тестирования модели YOLOv3 на строительной площадке линейного сооружения [3]Выводы. Использование сверточных нейронных сетей позволяет осуществлять мониторинг техники безопасности и условий труда в режиме реального времени, автоматизировав многие процессы для повышения, эффективности, точности и экономии ресурсов и времени. Алгоритм YOLOv3 обладает лучшей способностью по сравнению Faster R-CNN для мониторинга более мелких целей с более высокой скоростью, что необходимо на крупномасштабных площадках или линейных сооружений.
Номер журнала Вестник науки №7 (76) том 4
Ссылка для цитирования:
Левщанов С.В. ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОНИТОРИНГА ТЕХНИКИ БЕЗОПАСНОСТИ НА СТРОИТЕЛЬНЫХ ПЛОЩАДКАХ // Вестник науки №7 (76) том 4. С. 247 - 251. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/16925 (дата обращения: 22.01.2025 г.)
Вестник науки СМИ ЭЛ № ФС 77 - 84401 © 2024. 16+