- 简介工作场所事故仍然对人类安全构成重大风险,尤其是在建筑和制造业等行业,有效的个人防护设备(PPE)合规性变得越来越重要。我们的研究重点是开发基于目标检测(OD)和卷积神经网络(CNN)的非侵入式技术,以检测和验证各种类型的PPE的正确使用,如头盔、安全眼镜、口罩和防护服。本研究提出了SH17数据集,包含8,099个带注释的图像,包括来自不同工业环境的75,994个17类实例,用于训练和验证OD模型。我们已经训练了最先进的OD模型进行基准测试,初步结果表明,You Only Look Once(YOLO)v9-e模型变体在PPE检测方面的准确性超过了70.9%。模型在跨领域数据集上的验证表现表明,整合这些技术可以显著提高安全管理系统的效率,为努力满足人类安全法规并保护其员工的行业提供可扩展和高效的解决方案。该数据集可在https://github.com/ahmadmughees/sh17dataset上获取。
- 图表
- 解决问题论文旨在通过开发基于目标检测和卷积神经网络的非侵入性技术,检测和验证各种个人防护设备的正确使用,以解决工作场所事故对人员安全造成的重大风险问题。
- 关键思路论文的关键思路是使用目标检测和卷积神经网络来检测和验证各种个人防护设备的正确使用。该论文提出了SH17数据集,用于训练和验证目标检测模型。
- 其它亮点该论文使用了SH17数据集,该数据集包含8,099个带有注释的图像,包含来自不同工业环境的75,994个17个类的实例。研究人员训练了最先进的目标检测模型,并取得了有希望的准确性水平。该论文的方法可以显著提高安全管理系统的性能,为工业企业提供可扩展和高效的解决方案。
- 最近的相关研究包括:1. "Real-time detection of helmet uses for construction safety management using deep learning";2. "A novel approach for PPE detection and tracking using deep learning";3. "A deep learning-based safety helmet wearing monitoring system for construction workers"。
沙发等你来抢
去评论
评论
沙发等你来抢