РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ С ПОМОЩЬЮ YOLO АРХИТЕКТУРЫ

Авторы

  • Сергей Стаценко Иркутский национальный исследовательский технический университет
  • Жанна Афанасьева Иркутский национальный исследовательский технический университет

Ключевые слова:

нейронная сеть, компьютерное зрение, средства индивидуальной защиты, архитектура класса YOLO, датасет, распознавание объектов, безопасность

Аннотация

В статье приведены результаты исследований по разработке и применению модели нейронной сети для распознавания средств индивидуальной защиты – касок и защитных жилетов. Для данной задачи применялась сверточная нейронная сеть архитектуры класса YOLO. Выполнено обоснование выбора архитектуры YOLO для решения задачи распознавания средств индивидуальной защиты. Показано, каким образом происходит обработка поступившего в нейронную сеть изображения и получение выходного результата в виде распознанных объектов на этом изображении. Описаны метрики и параметры, влияющие на выходной результат. Аргументирован выбор версии и размерности используемой модели нейронной сети.
Для обучения модели распознаванию средств индивидуальной защиты (каски и защитные жилеты) использовались два набора данных: собственный набор данных и готовый, имеющий разметку, датасет с платформы Kaggle. Проведено сравнение выходных результатов работы модели на собственных изображениях и готовом датасете, отмечены плюсы и минусы каждого из подходов.
Данное исследование выполнено в рамках реализации проекта по совершенствованию контроля техники безопасности на промышленном предприятии. Результаты исследования могут быть рекомендованы для внедрения в систему контроля соблюдения техники безопасности на предприятии.

Библиографические ссылки

Использование метода компьютерного зрения для обеспечения безопасности производственных процессов, Емельянов А. А., Санкт-Петербургский государственный экономический университет (дата обращения: 20.03.2023)

Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3 [Электронный ресурс]. – Режим доступа. – URL: https://jonathan-hui.medium.com/real-time-object-detection-with-yolo-yolov2-28b1b93e2088 (дата обращения: 19.03.2023)

Ultralytics YOLOv8 [Электронный ресурс]. – Режим доступа. – URL: https://habr.com/ru/articles/710016/ (дата обращения: 11.03.2023)

Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля Tensorflow, Багаев И.И., Математическое и программное обеспечение систем в промышленной и социальной сферах, Магнитогорский государственный технический университет им. Г.И. Носова (дата обращения: 20.03.2023)

Распознавание объектов на изображении с использованием Faster R-CNN, Фаустова И.Л., Фаустов Б.А., актуальные проблемы инновационного развития ядерных технологий, научная сессия НИЯУ МИФИ, 2017 (дата обращения: 10.03.2023)

Алгоритм YOLO простым языком [Электронный ресурс]. – Режим доступа. – URL: https://medium.com/nuances-of-programming (дата обращения: 11.03.2023)

Intersection over Union (IoU) in Object Detection & Segmentation [Электронный ресурс]. – Режим доступа. – URL: https://learnopencv.com/intersection-over-union-iou-in-object-detection-and-segmentation/ (дата обращения: 15.03.2023)

Как работает Object Tracking на YOLO и DeepSort [Электронный ресурс]. - Режим доступа: https://habr.com/ru/articles/514450/ (дата обращения: 10.03.2023)

Как работает инструмент вычисление точности для выявления объектов [Электронный ресурс]. – Режим доступа. – URL: https://pro.arcgis.com/ru/pro-app/latest/tool-reference/image-analyst/how-compute-accuracy-for-object-detection-works.htm (дата обращения: 27.03.2023)

YOLO v8! The real state-of-the-art? [Электронный ресурс]. – Режим доступа. – URL: https://medium.com/mlearning-ai/yolo-v8-the-real-state-of-the-art-eda6c86a1b90(дата обращения: 12.03.2023)

Performance Benchmark of YOLO v5, v7 and v8 [Электронный ресурс]. – Режим доступа. – URL: https://www.stereolabs.com/blog/performance-of-yolo-v5-v7-and-v8/ (дата обращения: 12.03.2023)

Construction Site Safety Image Dataset Roboflow [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/datasets/snehilsanyal/construction-site-safety-image-dataset-roboflow (дата обращения: 20.03.2023)

How to Train YOLOv8 Object Detection on a Custom Dataset [Электронный ресурс]. - Режим доступа. – URL: https://blog.roboflow.com/how-to-train-yolov8-on-a-custom-dataset/ (дата обращения: 21.03.2023)

Train Custom Data [Электронный ресурс]. – Режим доступа: – URL: https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data (дата обращения: 21.03.2023)

Peiyuan Jiang, Daji Ergu, Fangyao Liu, Ying Cai, and Bo Ma. A review of yolo algorithm developments. Procedia Computer Science, 199:1066–1073, 2022. (дата обращения: 23.03.2023)

Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLO by Ultralytics (Version 8.0.0) [Электронный ресурс]. – Режим доступа. – URL: https://github.com/ultralytics/ultralytics (дата обращения: 27.03.2023)

Helmet Wearing Recognition of Construction Workers Using Convolutional Neural Network [Электронный ресурс]. – Режим доступа. – URL:

https://www.hindawi.com/journals/wcmc/2022/4739897/ (

дата обращения: 27.03.2023)

Опубликован

2023-10-06

Как цитировать

Стаценко, С., & Афанасьева, Ж. (2023). РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ С ПОМОЩЬЮ YOLO АРХИТЕКТУРЫ. Электронный научный журнал "Молодая наука Сибири", (2(20). извлечено от https://ojs.irgups.ru/index.php/mns/article/view/1321

Выпуск

Раздел

Безопасность жизнедеятельности и экология