کاربرد هوش مصنوعی در پایش و ارزیابی ایمنی فردی در محیط های ساخت و ساز

امروزه ایمنی فردی در محیط های ساخت و ساز یکی از عوامل مهم در کاهش حوادث کاری و حفظ سلامت نیروی انسانی است. با توجه به پیچیدگی و پویایی این محیط ها نظارت سنتی توسط نیروی انسانی با محدودیت هایی مواجه است. در سال های اخیر هوش مصنوعی (Artificial Intelligence) و به ویژه بینایی ماشین (Computer Vision) به عنوان ابزاری نوین برای پایش خودکار وضعیت ایمنی افراد در محیط های کاری مطرح شده اند. ما در این مقاله به بررسی عملکرد مدل You Only Look One (YOLOv۱۱) مبتنی بر شبکه عصبی کانولوشنال در تشخیص تجهیزات حفاظت فردی (PPE) با استفاده از یک مجموعه داده تصویری دقیق می پردازیم. برای آموزش مدل از مجموعه داده ای شامل ۲۶۰۵ تصویر برای آموزش، ۱۱۴ تصویر برای ارزیابی و ۸۲ تصویر برای آزمایش مدل با برچسب هایی نظیر NO-Hardhat، Hardhat، vehicle، machinery، Safety Cone، Person، NO-Safety Vest، Safety Vest، NO-Mask، Mask استفاده شد. مدل YOLOv۱۱ طی ۱۰۰ دوره آموزشی با این داده ها آموزش داده شد. ارزیابی عملکرد مدل با استفاده از معیارهای دقت (precision)، بازخوانی (recall)، میانگین دقت در آستانه ۵۰ درصد (۵۰-mAP) انجام گرفت. همچنین سرعت پردازش مدل در مراحل مختلف اندازه گیری شد. نتایج نشان داد که مدل YOLOv۱۱ عملکرد قابل قبولی در تشخیص تجهیزات ایمنی دارد. مقدار دقت مدل برابر با ۹۲.۸ و بازخوانی برابر با ۷۱.۴ درصد بود. میانگین دقت و آستانه ۵۰ در درصد برابر با ۸۰.۹ گزارش شد. دقت تشخیص نشان دهنده توانایی مناسب مدل در شناسایی تجهیزات ایمنی و تخلفات است. سرعت پردازش و استنتاج مدل ۳.۱۸ میلی ثانیه نیز مناسب استفاده در زمان واقعی بود. استفاده از مدل های یادگیری عمیق مانند YOLOv۱۱ در کنار داده های تصویری دقیق امکان پایش لحظه ای و خودکار وضعیت ایمنی افراد در محیط های ساخت و ساز را فراهم می سازد. این روش می تواند به کاهش خطای انسانی، افزایش سرعت واکنش به تخلفات ایمنی و ارتقای سطح ایمنی پروژه ها کمک کند.

کلیدواژه ها:

ایمنی ، تجهیزات حفاظت فردی ، محیط های ساخت و ساز ، هوش مصنوعی ، YOLOv۱۱