Киселев Алексей Викторович, кандидат технических наук, доцент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Alexey V. Kiselev, Candidate of Sciences (Engineering), Associate Professor of the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Брусенцев Никита Сергеевич, студент кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Nikita S. Brusencev, Student of the Department of Computer Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Кулешова Елена Александровна, кандидат технических наук, доцент кафедры информационной безопасности
ул. 50 лет Октября, д. 94, г. Курск 305040
Elena A. Kuleshova, Candidate of Sciences (Engineering), Associate Professor of the Department of Information Security
50 Let Oktyabrya Str. 94, Kursk 305040
Ермаков Дмитрий Андреевич, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Dmitriy A. Ermakov, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования – повышение качества мониторинга нарушений техники безопасности на энергетических хозяйствах предприятий за счет применения метода автоматизированного обнаружения инцидентов в режиме реального времени, основанного на конвейерном применении нейросетевых моделей.
Методы. В статье предложена конвейерная нейросетевая модель YOLO – Tesseract – YOLO, предназначенная для решения задачи автоматизированного контроля доступа и мониторинга соблюдения техники безопасности в режиме реального времени на энергетических хозяйствах предприятий. Предложен метод контроля доступа и мониторинга соблюдения техники безопасности на энергетических хозяйствах предприятий, заключающийся в конвейерном применении нейросетевых моделей YOLOv8 и Tesseract-OCR с использованием морфологической обработки изображений, позволяющий классифицировать группу допуска по электробезопасности на основе распознанных шаблонов в удостоверении сотрудника и детектировать нарушения техники безопасности при работе с электроустановками в режиме реального времени.
Результаты. Проведен ряд экспериментов, в ходе которых были получены матрицы ошибок, что позволило провести оценку качества классификации конвейерной нейросетевой модели с помощью таких метрик, как Recall, Precision и F1-мера, значения метрик были представлены для всех классов. Значение метрики F1-мера для нейросетевой модели YOLO1, используемой для оценки общей эффективности, равное 0,98, свидетельствует о сбалансированном соотношении между точностью и полнотой модели. Значение метрики F1-мера для нейросетевой модели YOLO2, равное 0,73, говорит о приемлемых результатах работы модели для решения задачи классификации в режиме реального времени, но указывает на необходимость доработки данной части конвейерной нейросетевой модели для повышения общей эффективности.
Заключение. Полученные в ходе исследования результаты указывают на приемлемое качество работы конвейерной нейросетевой модели при решении задачи автоматизированного контроля доступа и мониторинга соблюдения техники безопасности в режиме реального времени.
The purpose of research is improving the quality of monitoring safety violations in energy facilities of enterprises through the use of a method of automated incident detection in real time, based on the conveyor application of neural network models.
Methods. The article proposes a pipeline neural network model YOLO – Tesseract – YOLO, designed to solve the problem of automated access control and monitoring compliance with safety regulations in real time at energy facilities of enterprises. A method for access control and monitoring compliance with safety regulations at energy facilities of enterprises is proposed, consisting in the pipeline application of neural network models YOLOv8 and Tesseract-OCR using morphological image processing, allowing to classify a group of electrical safety clearances based on recognized patterns in an employee's ID card and detect safety violations when working with electrical installations in real time.
Results. A number of experiments were conducted, during which error matrices were obtained, which made it possible to evaluate the classification quality of the pipeline neural network model using such metrics as Recall, Precision and F1-measure, the metric values were presented for all classes. The value of the F1-measure metric for the YOLO1 neural network model used to evaluate the overall efficiency, equal to 0.98, indicates a balanced relationship between the accuracy and recall of the model. The value of the F1-measure metric for the YOLO2 neural network model equal to 0.73 indicates acceptable results of the model for solving the classification problem in real time, but indicates the need to refine this part of the pipeline neural network model to improve the overall efficiency.
Conclusion. The results obtained during the study indicate an acceptable quality of the pipeline neural network model in solving the problem of automated access control and monitoring compliance with safety regulations in real time. Keywords: monitoring, safety engineering, access control, energy facilities of enterprises, pipeline neural network model, Tesseract-OCR, YOLOv8, classification.
The authors declare that there are no conflicts of interest present.