Метод контроля доступа и мониторинга соблюдения техники безопасности на энергетических хозяйствах предприятий на основе конвейерной нейросетевой модели

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.

1. Костюков А. В. Электробезопасность в энергетических хозяйствах предприятий // Известия Тульского государственного университета. Технические науки. 2021. № 8. С. 222–231. https://doi.org/10.24412/2071-6168-2021-8-222-231

2. Статистика несчастных случаев на производстве // Федеральная служба государственной статистики. URL: https://rosinfostat.ru/travmatizm (дата обращения: 09.09.2024).

3. Дарина Н. А., Васильев А. В. Анализ производственного электротравматизма и методы его снижения // Академический Вестник ELPIT. 2020. Т. 5, № 4 (14). С. 5–12.

4. Омаров Е. Н. Управление рисками в области охраны труда, промышленной безопасности в нефтегазовом секторе: проблемы, меры предосторожности и последствия // Yessenov science journal. 2024. № 1. С. 96–109.

5. Брежнев А. В., Томакова Р. А., Брежнева А. Н. Информационная система мониторинга на основе интеллектуальной классификации изображений видеопотоков // Информационное общество. 2023. № 5. С. 134–142. https://doi.org/10.52605/16059921_2023_05_134

6. Ryza S., Nazma N., Harikrishnan R. Safety Helmet Detection // International Journal of Advanced Research in Science, Communication and Technology. 2024. P. 299–305. https://doi.org/10.48175/IJARSCT-19423

7. Левщанов С. В. Применения нейронных сетей для мониторинга техники безопасности на строительных площадках // Вестник науки. 2024. Т. 4, № 7(76). С. 247–251.

8. Давыдова Н. А., Востриков М. В., Тихомиров В. А. Роль охраны труда и электробезопасности в технологических процессах Забайкальской дирекции по энергообеспечению // Молодая наука Сибири. 2021. № 2(12). С. 205–213.

9. An Evaluation of Advancements in YOLO Algorithm / N. Jawaid, N. Imtiaz, K. Pathan, I. Brohi // Journal of Information & Communication Technology. 2024. Vol. 18(1). P. 44–51.

10. Prakisya N., Kusmanto, B., Hatta P. Comparative Analysis of Google Vision OCR with Tesseract on Newspaper Text Recognition // Media of Computer Science. 2024. Vol. 1. P. 31–46. https://doi.org/10.69616/mcs.v1i1.178

11. YOLOv3-Tesseract Model for Improved Intelligent form Recognition / Y.-A. Zhang, Z. Pan, H. Dui, G. Bai // Recent Advances in Computer Science and Communications. 2021. Vol. 14, is. 6. P. 1833–1842. https://doi.org/10.2174/2666255813666191204141610

12. Automatic License Plate Recognition Using YOLOv4 and Tesseract OCR / R. Rai, S. Shitole, P. Sutar, S. Kaldhone, J. D. Jadhav // International Journal of Innovative Research in Computer and Communication Engineering. 2022. Vol. 10(3). P. 1656. https://doi.org/10.15680/IJIRCCE.2022.1003089

13. Киселев А. В., Брусенцев Н. С., Кулешова Е. А. Анализ эффективности применения двухэтапных нейросетевых моделей для раннего обнаружения лесных пожаров // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 1. С. 8–23. https://doi.org/10.21869/2223-1536-2024-14-1-8-23

14. Diwan T., Anirudh G., Tembhurne J. V. Object detection using YOLO: challenges, architectural successors, datasets and applications // Multimedia Tools and Applications. 2023. Vol. 82. P. 9243–9275. https://doi.org/10.1007/s11042-022-13644-y

15. Traffic sign detection in unconstrained environment using improved YOLOv4 / S. Saxena, S. Dey, M. Shah, S. Gupta // Expert Systems with Applications. 2023. Vol. 238(2). P. 121836. https://doi.org/10.1016/j.eswa.2023.121836

16. Лошкарев А. С., Тимофеев И. А. Исследование процесса бинаризации изображений с использованием локальных значений порога // Прикладная информатика. 2021. Т. 16, № 6(96). С. 54-65. https://doi.org/10.37791/2687-0649-2021-16-6-54-65

17. Киселев А. В., Филист С. А., Шаталова О. В. Методы обработки, анализа и классификации медико-биологических сигналов и данных. Старый Оскол: Тонкие наукоемкие технологии, 2023. 328 с.

18. Реализация медианной фильтрации цифровых изображений на основе применения искусственных нейронных сетей / А. В. Велигоша, Н. Н. Малышко, М. В. Морозов, Р. И. Струков // Теория и техника радиосвязи. 2022. № 2. C. 21–26.

19. Joshi K. Study of Tesseract OCR. GLS KALP // Journal of Multidisciplinary Studies. 2024. Vol. 1. P. 41–50. https://doi.org/10.69974/glskalp.01.02.54

20. Chung H.-Y., Choi J., Heo T.-S., Seo S. Significance of Recall in Automatic Metrics for HT Evaluation // The Journal of Translation Studies. 2022. Vol. 23. P. 81–100. https://doi.org/10.15749/jts.2022.23.1.003