Интеллектуальные системы распознавания опасных зон и предотвращения аварий на строительных площадках: нейросети в управлении безопасностью машин
Ключевые слова:
интеллектуальные системы безопасности, глубокое обучение, компьютерное зрение, распознавание опасных зон, предотвращение аварий, YOLO, строительные площадки, IoT, управление безопасностью машин, производственный травматизмАннотация
Интеллектуальные системы распознавания опасных зон и предотвращения аварий становятся критически важным элементом обеспечения безопасности на современных строительных площадках. Данное исследование представляет комплексный анализ применения технологий нейронных сетей в системах мониторинга опасных зон и управления безопасностью строительной техники. Методология исследования включает анализ различных архитектур нейронных сетей, механизмов распознавания образов и алгоритмов обработки данных с различных источников, включая камеры, датчики и IoT-устройства. В результате разработана интегрированная модель выявления опасных зон, основанная на комбинации сверточных нейронных сетей (CNN) и алгоритмов YOLO, которая достигает точности распознавания 94,7% при идентификации рабочих без защитного снаряжения и 93,2% при определении запрещенных зон. Проведенные эксперименты демонстрируют, что внедрение предложенной системы снижает количество инцидентов на строительных площадках на 78% и минимизирует риски аварий с тяжелой техникой на 82% по сравнению с традиционными методами контроля. Исследование показывает, что интеграция предложенных технологий может значительно повысить эффективность систем безопасности на строительных объектах, обеспечивая превентивное выявление потенциальных угроз и автоматическое предотвращение аварийных ситуаций. Полученные результаты имеют практическую ценность для совершенствования методов управления безопасностью в строительной отрасли и снижения производственного травматизма.
Библиографические ссылки
Ding L., Fang W., Luo H., Love P.E.D., Zhong B., Ouyang X. A deep hybrid learning model to detect unsafe behavior: Integrating convolution neural networks and long short-term memory // Automation in construction. 2018. № 86. pp. 118-124.
Ding L., Fang W., Luo H., Love P.E.D., Zhong B., Ouyang X. A deep hybrid learning model to detect unsafe behavior: Integrating convolution neural networks and long short-term memory. Automation in Construction. 2018. № 86. pp. 118-124.
Fang Q., Li H., Luo X., Ding L., Rose T.M., An W., Yu Y. A deep learning-based method for detecting non-certified work on construction sites // Advanced engineering informatics. 2018. № 35. pp. 56-68.
Forcina A., Introna V., Silvestri A. Future of process safety: Insights, approaches, and potential developments // Process safety and environmental protection. 2024. № 187. pp. 234-249.
Gondia A., Siam A., El-Dakhakhni W., Nassar A.H. (2020). Machine learning algorithms for construction projects delay risk prediction // Journal of Construction Engineering and Management. 2020. № 146(1).рр. 401-9085.
Khoury H.M., Kamat V.R. Evaluation of position tracking technologies for user localization in indoor construction environments // Automation in construction. 2009. № 18(4). pp. 444-457.
Kim K., Kim K., Jeong S. Application of YOLO v5 and v8 for recognition of safety risk factors at construction sites // Sustainability. 2023. 15(20). pp. 15-179.
Liu H., Wang G., Huang T., He P., Skitmore M., Luo X. Manifesting construction activity scenes via image captioning. Automation in Construction. 2020. № 119. pp. 103-334.
Nath N.D., Behzadan A.H., Paal S.G. Deep learning for site safety: Real-time detection of personal protective equipment. Automation in Construction. 2020. № 112. pp. 85-103.
Redmon J., Farhadi A. YOLOv3: An incremental improvement // arXiv preprint arXiv:1804.02767. 2018.
Wang J., Zhang S., Teizer J. Geotechnical and safety protective equipment planning using range point cloud data and rule checking in building information modeling // Automation in construction. 2015. № 49. pp. 250-261.
Wang M., Wong P.K.-Y., Luo H., Kumar S., Delhi V.-S.K., Cheng J.C.-P. (2019). Predicting safety hazards among construction workers and equipment using computer vision and deep learning techniques // Proceedings of the 36th Inter. symposium on automation and robotics in construction (ISARC) (21-24 May 2019, Banff). 2019. pp. 1-8.
Zhang S., Teizer J., Lee J.K., Eastman C.M., Venugopal M. Building Information Modeling (BIM) and safety: automatic safety checking of construction models and schedules // Automation in construction. 2013. № 29. pp.183-195.
Zhang Y., Gill E.Z., Cardone D., Amelio A. Revolutionizing the construction industry by cutting edge artificial intelligence approaches: a review // Frontiers in artificial intelligence. 2024. № 7. pp. 932-1474.
Zhao Z., Zheng P., Xu S., Wu X. Object detection with deep learning: A review // IEEE Transactions on neural networks and learning systems. 2019. 30(11). pp. 3212-3232.
