Derin öğrenme ve evrişimsel sinir ağları kullanılarak iş güvenliği için baret kullanımı tespiti
| dc.authorid | 0000-0003-2696-0248 | |
| dc.contributor.advisor | Gedik, Alper | |
| dc.contributor.author | Akdere, Rabia Nur | |
| dc.date.accessioned | 2025-01-08T10:27:53Z | |
| dc.date.available | 2025-01-08T10:27:53Z | |
| dc.date.issued | 2023 | |
| dc.department | Enstitüler, Sosyal Bilimler Enstitüsü, Yönetim Bilişim Sistemleri Ana Bilim Dalı | |
| dc.description.abstract | Derin öğrenme ve evrişimli sinir ağlarının (CNN) uygulanması, gelişmiş baret algılama sistemlerini kullanarak iş sağlığı ve güvenliği alanında büyük gelişme yaratmıştır. Bu çalışmada, Python programlama dili ve Thonny IDE kullanılarak bir baret algılama sistemi uygulamak için kapsamlı bir çalışma yapılmıştır. Modeli eğitmek için, büyük bir görüntü veri kümesi, baretin doğru etiketlenmesinin sağlanması için, bazı görseller labelImg aracının yardımıyla etiketlenmiş bazıları ise hazır görsel veri seti sunan Open Images Data set v7 ve roboflow yardımıyla çeşitlendirilmiş olup daha fazla veri seti kullanımına olanak sağlamışlardır. Açıklamalı veri kümesi daha sonra makine öğrenimi görevleri için güçlü bir bulut tabanlı platform olan Google Colab kullanılarak işlenmiş ve eğitilmiştir. Verileri eğitmek için doğru nesne algılama yetenekleriyle tanınan YOLOv5, YOLOv5l, YOLOv5m,Yolov5n algoritmaları kullanılmış ve karşılaştırılmıştır. En yüksek performans gösteren Yolov5l modelinin, görüntülerdeki baret takan ve baret takmayan insanları tanımlamada oldukça etkili olduğu %95 doğruluk oranı ile kanıtlanmıştır. Python, Thonny, LabelImg, Google Colab ve YOLOv5'in entegrasyonu, baret algılama sisteminin geliştirilmesi ve uygulanması için sağlam bir çerçeve sağlamıştır. Modelin performansını değerlendirmek için, farklı ortamlarda çalışanların gerçek görüntüleri ve videoları üzerinde denemeler yapılmıştır. Model, karmaşık ve dağınık görüntülerde bile baret kullanan ve baret kullanmayan kişileri tespit etmede sağlamlık ve doğruluk göstermiştir. Bu çalışma, güvenlik düzenlemelerine uyumu sağlamak ve kazaları önlemek için zamanında uyarmak ve çalışanlar için daha güvenli bir çalışma ortamı oluşturmamıza olanak sağlayabilmektedir. Bu çalışma güvenlik sorunlarının üstesinden gelmek için ileri teknolojileri kullanmanın önemini ve endüstriler genelinde güvenlik standartlarını iyileştirmede otomasyonun önemini vurgulamaktadır. Bu çalışma, iş güvenliğinde baret kullanımını tespit etmek için yeni bir derin öğrenme yaklaşımı sunmaktadır. Yaklaşım potansiyel olarak güvenlik uyumluluğunu artırabilir ve tehlikeli işyerlerinde kafa yaralanmalarını azaltmayı hedeflemektedir. Gelecekteki çalışmalar, modelin performansını iyileştirmeye ve veri kümesini daha çeşitli ortamları ve çalışanları içerecek şekilde genişletmeye odaklanacaktır. | |
| dc.description.abstract | The implementation of deep learning and convolutional neural networks (CNN) has led to significant advancements in occupational health and safety through the utilization of advanced hard hat detection systems. This study undertakes a comprehensive exploration to implement a hard hat detection system using the Python programming language and the Thonny Integrated Development Environment (IDE). To train the model, a large image dataset was utilized, where some images were manually labeled using the labelImg tool to ensure accurate tagging of hard hats, while others were derived from the Open Images Dataset v7 and augmented through roboflow, providing a diverse range of images and facilitating further dataset expansion. The annotated dataset was then processed and trained using the Google Colab platform, a robust cloud-based platform for machine learning tasks. YOLOv5, YOLOv5l, YOLOv5m, and YOLOv5n algorithms, renowned for their accurate object detection capabilities, were employed and compared for training the model. The YOLOv5l model exhibited the highest performance, proving its effectiveness in identifying individuals wearing and not wearing hard hats with a remarkable accuracy rate of 95%. The integration of Python, Thonny, LabelImg, Google Colab, and YOLOv5 provided a solid framework for the development and implementation of the hard hat detection system. To assess the model's performance, tests were conducted on real images and videos of individuals in various environments. The model demonstrated robustness and accuracy in detecting individuals wearing or not wearing hard hats, even in complex and cluttered images. This study contributes to ensuring compliance with safety regulations, timely warnings to prevent accidents, and the creation of a safer working environment for employees. Emphasizing the importance of employing advanced technologies to overcome safety challenges and highlighting the significance of automation in enhancing safety standards across industries, this study introduces a novel deep learning approach for hard hat detection in occupational safety. The proposed approach has the potential to enhance safety compliance and aims to reduce head injuries in hazardous workplaces. Future research will focus on improving the model's performance and expanding the dataset to encompass more diverse environments and workers. | |
| dc.identifier.citation | Akdere, R, N. (2023). Derin öğrenme ve evrişimsel sinir ağları kullanılarak iş güvenliği için baret kullanımı tespiti. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/53672 | |
| dc.identifier.yoktezid | 841862 | |
| dc.language.iso | tr | |
| dc.publisher | Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Evrişimsel Sinir Ağları(CNN) | |
| dc.subject | İş Sağlığı ve Güvenliği | |
| dc.subject | Görüntü işleme | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | YOLOv5 | |
| dc.subject | Deep Learning | |
| dc.subject | Convolutional Neural Networks (CNN) | |
| dc.subject | Occupational Health and Safety | |
| dc.subject | Image processing | |
| dc.subject | Machine Learning | |
| dc.title | Derin öğrenme ve evrişimsel sinir ağları kullanılarak iş güvenliği için baret kullanımı tespiti | |
| dc.title.alternative | Safety helmet detection using deep learning and convolutional neural networks | |
| dc.type | Master Thesis |
