Қазақстанның мұнай-газ саласының хабаршысы

2707-42262957-806X

KMG Engineering

109018

10.54859/kjogi109018

Нейрондық желі архитектураларын қолдану негізінде өнеркәсіптік объектілерде жеке қорғаныс құралдарын пайдалануды сандық мониторингтеу

Әбдіманап

Ғалымжан Сейтахметғалиұлы

g.abdimanap@kmge.kzhttps://orcid.org/0000-0003-1676-4075Әлімова

Анель Нурданбековна

PhDa.alimova@kmge.kzhttps://orcid.org/0000-0002-5155-2417Бостанбеков

Кайрат Аратович

PhDk.bostanbekov@kmge.kzhttps://orcid.org/0000-0003-2869-772XАбдрахманов

Ренат Ермекұлы

r.abdrakhmanov@kmge.kzhttps://orcid.org/0009-0004-1997-9818Өренқызы

Дана

d.orenkyzy@kmge.kzhttps://orcid.org/0009-0000-2265-2091Нұрсейітов

Данияр Борисович

канд. физ.-мат. наук, ассоциированный профессорd.nurseitov@kmge.kzhttps://orcid.org/0000-0003-1073-4254

ҚМГ ИнжинирингSatbayev University83

22062026

30072026

АҢДАТПА Негіздеме. Мұнай-газ саласы объектілеріндегі қызметкерлердің өндірістік қауіпсіздігін қамтамасыз ету өзекті міндет болып табылады, себебі жеке қорғаныс құралдарын (ЖҚҚ) пайдалануды бақылаудың дәстүрлі әдістері визуалды тексерулерге негізделген және адами фактордың әсеріне ұшырайды. Қолданыстағы компьютерлік көру жүйелері, әдетте, ЖҚҚ-ның 2–6 класын ғана анықтаумен шектеледі және қорғаныс құралдарының қызметкер дене бөліктеріне анатомиялық сәйкестігін ескермейді. Мақсаты. Нейрондық желі архитектуралары негізінде ЖҚҚ пайдалану талаптарының сақталуын сандық мониторингтеу әдісін әзірлеу және апробациялау, нақты уақыт режимінде объектілерді анықтау, адамның позасын бағалау және ЖҚҚ элементтерінің анатомиялық сәйкестендіру алгоритмдерін біріктіру. Материалдар мен әдістер. Модельді оқыту үшін 16 352 кескіннен тұратын өзіндік бірегей деректер жиынтығы (аугментациядан кейін) құрылды, ол ЖҚҚ-ның 6 түрін және 6 теріс класты қамтитын 13 объект класынан тұрады. Объектілерді детекциялау үшін YOLOv8 моделі, ал адамның позасын бағалау үшін HRNet пайдаланылды. Жүйенің өнімділігін арттыру мақсатында объектілерді бақылауды (BoT-SORT), кеңістіктік және анатомиялық сәйкестендіруді, сондай-ақ TensorRT квантизациясын біріктіретін бейнеағынды өңдеудің екі деңгейлі архитектурасы іске асырылды. Нәтижелер. Оқыту кезеңінде YOLOv8 моделі Precision=0,98, Recall=0,97 және F1=0,94 мәндеріне қол жеткізді. Кен орындарынан алынған 16 бейнефайлда әзірленген жүйені тестілеу барысында Precision = 96,58%, Recall = 68,48% және F1-өлшемі = 0,8014 нәтижелеріне қол жеткізілді. Кесілген кескіндердегі ұсақ объектілерді (қолғаптарды) детекциялау толық кадрлы өңдеумен салыстырғанда объектілерді анықтау тиімділігін 2–3 есе арттыруға мүмкіндік береді. Қорытынды. YOLOv8 және HRNet модельдерін, сондай-ақ анатомиялық сәйкестендіру алгоритмін біріктіретін әзірленген тәсіл нақты өндірістік жағдайларда ЖҚҚ пайдалану талаптарының сақталуын тиімді сандық мониторингтеуді қамтамасыз етеді. Алынған нәтижелер оның өнеркәсіптік кәсіпорындарда өндірістік қауіпсіздікті мониторингтеудің зияткерлік жүйелерін құру кезінде қолданылу перспективаларын растайды.

industrial safety, personal protective equipment (PPE), computer vision, YOLOv8 neural network, HRNet, human pose estimation, object detection.

өндірістік қауіпсіздік, жеке қорғаныс құралдары (ЖҚҚ), компьютерлік көру, YOLOv8 нейрондық желісі, HRNet, адамның позасын бағалау, объектілерді детекциялау.

производственная безопасность, средства индивидуальной защиты (СИЗ), компьютерное зрение, нейросеть YOLOv8, HRNet, оценка позы человека, детекция объектов

1. Kelm A., Laußat L., Meins-Becker A., Platz D., et al., Mobile passive Radio Frequency Identification (RFID) portal for automated and rapid control of Personal Protective Equipment (PPE) on construction sites // Automation in Construction. 2013. Vol. 36, P. 38–52. doi: 10.1016/j.autcon.2013.08.009

2. Zhang H., Yan X., Li H., Jin R. and Fu H. Real-Time Alarming, Monitoring, and Locating for Non-Hard-Hat Use in Construction // Journal of Construction Engineering and Management. 2019. Vol. 145, P.1–13. doi: https://doi.org/10.1061/(ASCE)CO.1943-7862.000162

3. Dubey S. Dixit M. A comprehensive survey on human pose estimation approaches // Multimedia Systems. 2022. Vol. 29, P. 167–195. doi: 10.1007/s00530-022-00980-0

4. Xiong R., Tang P. Pose guided anchoring for detecting proper use of personal protective equipment // Automation in Construction. 2021. Vol.130, Article 103828. 17 p. doi: https://doi.org/10.1016/j.autcon.2021.103828.

5. Chen S. and Demachi K. A vision-based approach for ensuring proper use of personal protective equipment (PPE) in decommissioning of Fukushima Daiichi nuclear power station // Applied Sciences. 2020. Vol.10, Article 5129. 14 p. doi: https://doi.org/10.3390/app10155129.

6. Delhi V.S.K., Sankarlal R. and Thomas A. Detection of Personal Protective Equipment (PPE) Compliance on Construction Site Using Computer Vision Based Deep Learning Techniques // Frontiers in Built Environment. 2020. Vol. 6, Article 136. 10 p. doi: https://doi.org/10.3389/fbuil.2020.00136.

7. Wang Z., Wu Y., Yang L., Thirunavukarasu A., Evison C. and Zhao Y. Fast Personal Protective Equipment Detection for Real Construction Sites Using Deep Learning Approaches // Sensors. 2021. Vol. 21, Article 3478. 22 p. doi: https://doi.org/10.3390/s21103478.

8. GitHub [Internet]. ZijianWang Z. PPE_detection [cited 2026 Мау 5]. Available from https://github.com/ZijianWang-ZW/PPE_detection.

9. Ma L., Li X., Dai X., Guan Z., Lu Y. A Combined Detection Algorithm for Personal Protective Equipment Based on Lightweight YOLOv4 Model // Wireless Communications and Mobile Computing. 2022. Vol. 2022. Article ID 3574588. 11 p. doi: https://doi.org/10.1155/2022/3574588.

10.

10. Lo J.-H., Lin L.-K., and Hung C.-C. Real-Time Personal Protective Equipment Compliance Detection Based on Deep Learning Algorithm // Sustainability. 2023. Vol. 15, Article 391. 15 p. doi: https://doi.org/10.3390/su15010391.

11.

11. Lee Y.-R., Jung S.-H., Kang K.-S., Ryu H.-C., Ryu H.-G. Deep Learning-Based Framework for Monitoring Wearing Personal Protective Equipment on Construction Sites // Journal of Computational Design and Engineering. 2023. Vol. 10, P. 905–917. doi: https://doi.org/10.1093/jcde/qwad040.

12.

12. Nugraha K.O.P.P., Rifai A.P. Convolutional Neural Network for Identification of Personal Protective Equipment Usage Compliance in Manufacturing Laboratory // Jurnal Ilmiah Teknik Industri. 2023. Vol. 22, P. 11–24. doi: 10.23917/jiti.v22i1.21826.

13.

13. Zhao M., Barati M. Substation Safety Awareness Intelligent Model: Fast Personal Protective Equipment Detection Using GNN Approach // IEEE Transactions on Industry Applications. 2023. Vol. 59, P. 3142 - 3150. doi: 10.1109/TIA.2023.3234515

14.

14. Ngoc-Thoan N., Bui D.-Q. T., Tran C.N.N., and Tran D.-H. Improved Detection Network Model Based on YOLOv5 for Warning Safety in Construction Sites // International Journal of Construction Management. 2023. Vol. 24, P. 1007-1017. doi: https://doi.org/10.1080/15623599.2023.2171836.

15.

15. Wang H. Detection of Personal Protective Equipment (PPE) Using an Anchor Free-Convolutional Neural Network // International Journal of Advanced Computer Science and Applications. 2024. Vol. 15, 9 p. doi: 10.14569/IJACSA.2024.0150239

16.

16. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, P. 1137–1149. doi: 10.1109/TPAMI.2016.2577031.

17.

17. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C.-Y., Berg A.C. SSD: Single Shot MultiBox Detector // Computer Vision. 2016. Lecture Notes in Computer Science. Vol. 9905, Springer. P. 21–37. doi: 10.1007/978-3-319-46448-0_2.

18.

18. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 779–788. doi: 10.1109/CVPR.2016.91.

19.

19. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 770–778. doi: https://doi.org/10.1109/CVPR.2016.90.

20.

20. Newell A., Yang K., Deng J. Stacked Hourglass Networks for Human Pose Estimation // Computer Vision. 2016. Lecture Notes in Computer Science. Vol. 9912, Springer. P. 483–499. doi: https://doi.org/10.1007/978-3-319-46484-8_29.

21.

21. GitHub [Internet]. CMU-Perceptual-Computing-Lab/openpose [cited 2026 Мау 5]. Available from https://github.com/CMU-Perceptual-Computing-Lab/openpose.

22.

22. Wei S.-E., Ramakrishna V., Kanade T., Sheikh Y. Convolutional Pose Machines // IEEE Conference on Computer Vision and Pattern Recognition. 2016. P. 4724–4732. doi: 10.1109/CVPR.2016.511.

23.

23. Sun K., Xiao B., Liu D., Wang J. Deep High-Resolution Representation Learning for Human Pose Estimation // IEEE Conference on Computer Vision and Pattern Recognition. 2019. P. 5686–5696. doi: 10.1109/CVPR.2019.00584.