Koruyucu baret kullanım ihlallerinin tespiti

Abstract

Tehlikeli çalışma alanlarında çalışan kişiler için koruyucu baret kullanımı hayati öneme sahiptir ve kullanımları yasal bir zorunluluktur. Baret kullanılması gereken alanlarda çalışanların bu kuralı ihlal edip etmediklerinin tespiti görüntü tanıma teknikleri kullanılarak yapılabilmektedir. Bu çalışmada, derin öğrenme yöntemi ile gerçek zamanlı nesne tanıma modeli kullanılarak baret kullanım ihlali tespiti problemine bir çözüm geliştirilmiştir. Geliştirilen algoritma güvenlik kameralarından alınan video görüntüleri üzerinde gerçek zamanlı olarak çalışabilmektedir ve iki temel aşamaya sahiptir. İlk aşamada, bilinen bir veri seti ile eğitilmiş derin öğrenme modeli kullanılarak video karesindeki kişilerin yerleri tespit edilmektedir. Kişilerin bulunduğu bölgeler kırpılarak oluşturulan görüntüler ikinci aşama için giriş olarak uygulanmaktadır. İkinci aşamada ise bu çalışma için oluşturulan özgün veri seti ile eğitilen You Only Look Once (YOLO) olarak adlandırılan gerçek zamanlı nesne tespiti modeli kullanılarak kişilerin baret kullanıp kullanmama durumu tespit edilmektedir. Önerilen yöntem, test setinde baretli sınıf için %96, baretsiz sınıf için ise %97 oranında doğru sınıflandırma başarısına sahiptir.Usage of protective helmets is vital for persons, who working in hazardous working areas and also it is a legal obligation. In areas, where helmets should be used, it is possible to determine whether the employees violate this rule by using image recognition techniques. In this study, a solution to the problem of helmet usage violation detection was developed by using deep learning based real time object detection model. The developed algorithm can work in real time on video footage taken from security cameras and it has two basic stages. In the first stage, the locations of the people in the video frame were determined by using a deep learning model trained with a known data set. The images created by cropping the areas where the people are located were applied as an input to the second stage. In the second stage, the real-time object detection model called YOLO, which was trained with the original data set created for this study, was used to determine whether or not the helmets were used. According to the test results, the correct detection success was 96% for the helmet class and 97% for the no helmet class.