การตรวจจับการสวมใส่อุปกรณ์ป้องกันอันตรายส่วนบุคคลด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบตรวจจับการสวมใส่อุปกรณ์ป้องกันอันตรายส่วนบุคคล (PPE) โดยใช้เทคนิคการเรียนรู้เชิงลึกร่วมกับอัลกอริทึม YOLOv7 เพื่อวิเคราะห์ภาพแบบต่อเนื่อง อุปกรณ์ที่สามารถตรวจจับได้ประกอบไปด้วย หมวกนิรภัย เสื้อสะท้อนแสง แว่นตานิรภัย และที่ครอบหูลดเสียง โดยระบบได้รับการฝึกจากชุดข้อมูลที่จัดเตรียมขึ้นจากการเก็บข้อมูลภาพการสวมใส่อุปกรณ์ป้องกันอันตรายที่ถูกต้อง ทำการประเมินผลด้วยค่าตัวชี้วัด เช่น Precision, Recall, mAP@0.5 และ mAP@0.5:0.95 ผลการทดลองแสดงให้เห็นว่าโมเดลสามารถตรวจจับอุปกรณ์ PPE ด้วยค่าความแม่นยำที่สูง โดยได้ค่าผลรวม Precision 0.956, Recall 0.928, mAP@0.5 0.966, mAP@0.5:0.95 0.744 และสามารถตรวจจับการสวมใส่อุปกรณ์ PPE ที่ถูกต้องได้ผลดีตามเงื่อนไขที่ตั้งไว้ นอกจากนี้โมเดลยังสามารถแจ้งเตือนเมื่อพบการไม่ปฏิบัติตามเงื่อนไข และสามารถส่งการแจ้งเตือนได้ตอบสนองทางเวลาแบบทันกาล พร้อมบันทึกข้อมูลไว้ตรวจสอบในภายหลังได้ ในการทดสอบการตรวจจับโดยการจำลองสถานการณ์การทำงานจริง โมเดลสามารถตรวจจับภาพการสวมใส่ PPE แบบต่อเนื่องได้ขณะผู้ปฏิบัติงานทำงาน แต่ก็ยังมีข้อจำกัดในเรื่องของการตรวจสอบลักษณะการสวมใส่อุปกรณ์ที่ไม่ถูกต้องบางประการ ระบบที่พัฒนาขึ้นนี้สามารถประยุกต์ใช้เพื่อเพิ่มความปลอดภัยในสถานที่ทำงาน และเป็นพื้นฐานสำหรับการพัฒนาระบบตรวจสอบความปลอดภัยที่ดียิ่งขึ้นในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของ วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยอุบลราชธานี และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
เอกสารอ้างอิง
Social Security Office. 2024. Occupational Injury or Illness Situation Due to Work 2019-2023. https://www.sso.go.th/wpr/assets/upload/files_storage/sso_th/1675d2a95c38687dd649989003beb08a.pdf. Accessed 11 December 2024. (in Thai)
Thai RSC. 2025. Comparison of Road Accident Statistics in Thailand. https://www.thairsc.com/data-compare. Accessed 11 December 2024. (in Thai)
The Bureau of Registration Administration. 2023. Announcement of the Central Registration Office Regarding the Number of People throughout the Kingdom of Thailand According to the Population Registration Evidence. https://stat.bora.dopa.go.th/stat/pk/pk_66.pdf. Accessed 24 January 2025. (in Thai)
Office of the National Economic and Social Development Council. 2023. Thai Social Conditions, Fourth Quarter and Overall Picture, Year 2023. https://www.nesdc.go.th/the-story-of-thai-social-conditions-in-the-fourth-quarter-and-the-overall-picture-of-2023/. Accessed 24 January 2025. (in Thai)
Ferdous, M. and Ahsan, S.M.M. 2022. PPE detector: A YOLO-based architecture to detect personal protective equipment (PPE) for construction sites. PeerJ Computer Science. 8: e999.
Lo, J.H., Lin, L.K. and Hung, C.C. 2023. Real-time personal protective equipment compliance detection based on deep learning algorithm. Sustainability. 15(1): 391.
Wang, C.Y., Bochkovskiy, A. and Liao, H.Y.M. 2022. YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors. https://arxiv.org/pdf/2207.02696. Accessed 22 December 2024.
Dwyer, B. and Gallagher, J. 2023. Getting Started with Roboflow. https://blog.roboflow.com/getting-started-with-roboflow/. Accessed 29 January 2025.
Bochkovskiy, A., Wang, C.Y. and Liao, H.Y.M. 2020. YOLOv4: Optimal Speed and Accuracy of Object Detection. https://arxiv.org/pdf/2004.10934. Accessed 22 December 2024.
Redmon, J. and et al. 2016. You only look once: Unified, real-time object detection. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition, 27-30 June 2016. Las Vegas, Nevada, USA.
Redmon, J. and Farhadi, A. 2017. YOLO9000: Better, faster, stronger. In: Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition, 21-26 July 2017. Honolulu, Hawaii, USA.
Redmon, J. and Farhadi, A. 2018. YOLOv3: An Incremental Improvement. https://arxiv.org/pdf/1804.02767. Accessed 15 December 2024.
Department of Labour Protection and Welfare. 2018. Announcement of the Department of Welfare and Labor Protection Regarding the standards of light intensity. https://greenoffice.rsu.ac.th/law/law4_2.pdf. Accessed 15 December 2024. (in Thai)
Kaur, P., Khehra, B.S. and Mavi, B.S. 2021. Data augmentation for object detection: A review. In: Proceedings of the 2021 IEEE International Midwest Symposium on Circuits and Systems, 09-11 August 2021. Online Conference.
Lin, T.Y. and et al. 2014. Microsoft COCO: Common objects in context. In: Proceedings of the 13th European Conference on Computer Vision, 6-12 September 2014. Zurich, Switzerland.
Wong, K.Y. 2023. yolov7. https://github.com/WongKinYiu/yolov7. Accessed 24 January 2025.
Cheng, Y. and et al. 2017. A Survey of Model Compression and Acceleration for Deep Neural Networks. https://arxiv.org/pdf/1710.09282v1. Accessed 12 January 2025.
Gou, J. and et al. 2021. Knowledge distillation: A survey. International Journal of Computer Vision. 129: 1789-1819.
