Главная Коллекция "Revolution" Безопасность жизнедеятельности и охрана труда Система обработки изображений для анализа производственных процессов: работа с грузами

Система обработки изображений для анализа производственных процессов: работа с грузами

Применение информационных технологий в обеспечении безопасности на металлургическом производстве. Внедрение автоматизированных средств контроля с использованием компьютерного зрения. Выявление и фиксация нарушений корректности процесса работы с грузом.

Рубрика Безопасность жизнедеятельности и охрана труда
Вид статья
Язык русский
Дата добавления 21.01.2022
Размер файла 251,2 K
рефераты на заказ со скидкой

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.Allbest.Ru/

Череповецкий государственный университет

Кафедра «МПО ЭВМ»

Система обработки изображений для анализа производственных процессов: работа с грузами

Ткач С.В., студент магистратуры

Россия, г. Череповец

Аннотация

Статья посвящена применению современных информационных технологий в производственной безопасности.

Металлургическое производство является производством с повышенной опасностью. Работникам необходимо соблюдать бдительность каждую секунду. Зачастую работники могут игнорировать правила техники безопасности, что, как правило, ведёт к травмам.

Вследствие этого существует необходимость внедрения автоматизированных средств контроля за безопасностью на производстве. Одним из вариантов автоматизированного контроля является использование компьютерного зрения.

Ключевые слова: безопасность на производстве, компьютерное зрение, CV-алгоритмы, нейронные сети, машинное обучение.

Annotation

The article is devoted to the application of modern information technologies in industrial safety. Metallurgical production is a production with an increased risk. Employees need to be vigilant every moment. Often, employees can ignore safety regulations, which usually leads to injuries.

As a result, there is a needfor the introduction of automated controls for safety in production. One of the options for automated control is the use of computer vision.

Keywords: security in production, computer vision, CV algorithms, neural networks, machine learning.

Целью работы является снижение производственных травм при работе с грузом за счёт внедрение автоматизированного контроля за процессом.

Постановка задачи. Необходимо в режиме реального времени отслеживать корректность процесса работы с грузом, выявлять и фиксировать нарушения.

Методы. Для реализации поставленной задачи применялись методы математического моделирования, машинного обучения, а также алгоритмы компьютерной обработки изображений.

Выявляемые нарушения:

• опасные касания при работе с грузом;

• работа с грузом без средств индивидуальной защиты (каска, жилет).

Выявление опасных касаний.

В ходе исследования было установлено, что вариативность грузов очень высока и использование нейронных сетей для их детектирования является невозможным, так как это будет требовать постоянного дообучения модели.

Тем не менее, для решения поставленной задачи было необходимо детектировать другие объекты - человека и руку человека.

Для реализации модели нейронной сети был выбран фреймворк darknet и использование архитектуры сети YoloV4.

Для оценки модели использовались классические для задачи детектирования метрики - precision и recall.

Precision можно интерпретировать как долю объектов, названных классификатором положительными и при этом действительно являющимися положительными, а recall показывает, какую долю объектов положительного класса из всех объектов положительного класса нашел алгоритм.

В валидации учувствовал набор данных, содержащий 900 кадров с камеры видеонаблюдения. Количество детектируемых объектов в валидационной выборке по классам:

• класс «Человек» - 714 экземпляров;

• класс «Рука» - 1055 - экземпляров.

Метрики итоговой модели представлены в табл. 1.

Таблица 1

Метрики модели обученной нейронной сети

Класс

Precision

Recall

Человек

0.98

0.97

Рука

0.94

0.90

На базе обученной нейронной сети было необходимо разработать алгоритмы для решения поставленных задач.

информационный компьютерный зрение металлургический безопасность

Алгоритм определения груза

Рис. 1. Оригинальное изображение

1. В ходе обработки видеопотока с камеры наблюдения, на изображении выделяется прямоугольная область, в которой в теории может опускаться груз.

2. Посредством нейронной сети определяется нахождение человека в этой зоне. Если человек найден, то слева от него выделяется предполагаемая зона опускания груза. Также нейронная сеть обучена на нахождение рук человека отдельно.

3. Посредством вычитания кадров производится определение движения в области рядом с человеком. На полученной матрице с разницей кадров ищутся контуры. Если контуры найдены - значит груз движется и возможно опасное действие. Определяется нижняя точка груза и рассчитывается расстояние до пола.

Рис. 2. Бинаризированное изображение с вычитанием кадров

4. По контурам определяется правую центральная точка груза. Посредством нейронной сети определяется рука человека. Если ширина руки хотя бы в 1.5 раза больше её высоты, значит рука вытянута. На вытянутой руке фиксируются координаты левой центральной точки.

Рис. 3. Поиск контуров

5. Производится подсчёт расстояния между точкой груза и точкой руки. Если данное расстояние меньше 10 пикселей и расстояние от груза до пола больше 1.2 метров, то фиксируется нарушение: сохраняется кадр и отправляется почтовое оповещение ответственному мастеру.

Выявление случаев работы без средств индивидуальной защиты

Область детектируемого объекта (человека) разделяется на 2 части: верхняя часть - голова, средняя часть - туловище. Полученные изображения переводятся в цветовую схему HSV, оптимальную для задач компьютерного зрения. Для них подбираются цветовые диапазоны. Суть подбора - захватить максимальное количество пикселей нужного цвета и отсечь остальные.

При применении фильтра диапазона на выходе получается бинарное изображение (рис. 4), где белые пиксели - искомые цвета.

При наличии в кадре более 50 пикселей подобранного диапазона в течении процесса приёма груза наличие СИЗ считается засчитанным.

Рис. 4. Определение наличия средств индивидуальной защиты

Использованные источники

1. Визильтер, Ю.В. Обработка и анализ изображений в задачах машинного зрения / Ю.В. Визильтер и др. - М.: ФИЗМАТКН, 2010. - 672 с.

2. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2012. - 1104 с.

3. Ерош, И.Л. Обработка и распознавание изображений в системах превентивной безопасности: Учебное пособие / И.Л. Ерош, М.Б. Сергеев, Н.В. Соловьев. - СПб.: ГОУ ВПО СПб ГУАП, 2012. - 154 с.

4. Селянкин, В.В. Компьютерное зрение. Анализ и обработка изображений: Учебное пособие / В.В. Селянкин. - СПб.: Лань, 2019. - 152 с.

5. Яне, Б. Цифровая обработка изображений / Б. Яне. - М.: Техносфера, 2007. - 584 с.

6. Научные публикации и статьи о программировании [Электронный ресурс].

Размещено на allbest.ru

...

Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены