Вестник нефтегазовой отрасли Казахстана

2707-42262957-806X

KMG Engineering

109018

10.54859/kjogi109018

Цифровой мониторинг использования средств индивидуальной защиты на промышленных объектах на основе применения нейросетевых архитектур

Әбдіманап

Ғалымжан Сейтахметғалиұлы

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

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/0009-0000-2265-2091Нурсеитов

Данияр Борисович

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

КМГ ИнжинирингSatbayev University83

22062026

30072026

АННОТАЦИЯ Актуальность. Обеспечение производственной безопасности работников на объектах нефтегазовой отрасли является актуальной задачей, поскольку традиционные методы контроля использования средств индивидуальной защиты (СИЗ) основаны на визуальных осмотрах и подвержены влиянию человеческого фактора. Существующие системы компьютерного зрения, как правило, ограничиваются детекцией 2–6 классов СИЗ и не учитывают анатомическое соответствие защитного оборудования частям тела работника. Цель. Разработка и апробация метода цифрового мониторинга соблюдения требований по использованию СИЗ на основе нейросетевых архитектур, интегрирующего алгоритмы обнаружения объектов, оценки позы человека и анатомического матчинга элементов СИЗ в режиме реального времени. Материалы и методы. Для обучения модели создан собственный уникальный датасет из 16 352 изображений (после аугментации), содержащий 13 классов объектов, включая 6 типов СИЗ и 6 негативных классов. Для детекции объектов использована модель YOLOv8, для оценки позы человека – HRNet. Реализована двухуровневая архитектура обработки видеопотока, объединяющая трекинг объектов (BoT-SORT), пространственный и анатомический матчинг, а также квантизацию TensorRT для повышения производительности системы. Результаты. На этапе обучения модель YOLOv8 достигла значений Precision=0,98, Recall=0,97 и F1=0,94. При тестировании разработанной системы на 16 видеофайлах, полученных с месторождений достигнуты система достигнуты Precision = 96,58%, Recall = 68,48% и F1-меры 0,8014. Детекция мелких объектов (перчатки) на обрезанных изображениях позволяет повысить эффективность обнаружения объектов в 2-3 раза по сравнению с полнокадровой обработкой. Заключение. Разработанный подход, объединяющий модели YOLOv8, HRNet и алгоритм анатомического матчинга, обеспечивает эффективный цифровой мониторинг соблюдения требований по использованию СИЗ в реальных производственных условиях. Полученные результаты подтверждают перспективность его применения при создании интеллектуальных систем мониторинга производственной безопасности на промышленных предприятиях.

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.