Исследование и разработка нейросетевой модели для детектирования наличия касок на изображениях людей : магистерская диссертация

Abstract

В дипломной работе исследуется применение моделей машинного обучения в системах видеонаблюдения на строительных объектах для повышения безопасности и эффективности процессов. Цель – создание нейросетевой модели для автоматического обнаружения защитных касок на изображениях людей на строительных площадках. Задача – разработка инструмента, способного оперативно и точно выявлять использование защитной экипировки в различных условиях. В ходе исследования выполнены: анализ существующих методов обнаружения объектов на изображениях, изучение архитектур нейронных сетей, разработка методики обучения модели, проведение экспериментального исследования с использованием реальных данных, сравнительный анализ разработанной методики и других методов, а также анализ результатов. Исследование охватило модели EfficientNetB0 и YOLOv8. Модели показали высокую точность распознавания объектов, но YOLOv8 выделяется возможностью работы в реальном времени. Практическая значимость работы – оперативное выявление нарушений использования защитной экипировки, что способствует повышению уровня безопасности.

The thesis explores the application of machine learning models in video surveillance systems at construction sites to enhance safety and efficiency. The goal is to create a neural network model for the automatic detection of protective helmets on images of people at construction sites. The task is to develop a tool capable of promptly and accurately identifying the use of protective equipment under various shooting conditions. The research included: analyzing existing methods for object detection in images, studying neural network architectures, developing a model training methodology, conducting experimental research using real data, comparative analysis of the developed methodology and other methods, and analyzing the results. The study covered the models EfficientNetB0 and YOLOv8. Both models demonstrated high object recognition accuracy, but YOLOv8 stands out for its real-time operation capability. The practical significance of the work lies in the rapid identification of violations in the use of protective equipment, contributing to increased safety levels.