Transfer öğrenmeli ve transfer öğrenmesiz derin ağlar ile inşaat alanında kask tespiti

Creative Commons License

Türkdamar M. U.

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, vol.12, no.1, pp.39-51, 2023 (Peer-Reviewed Journal)

Abstract

The widespread use of systems that prioritize human life
provides holistic benefits to societies. In order to avoid
respiratory contagious diseases, wearing a mouth-nose
mask has become mandatory with the Covid-19 pandemic,
and workers working in building construction are required
to wear a head helmet at the construction site. It is tiring
and error-prone to visually check whether the workers
working on the construction sites are wearing their helmets.
In this age, where artificial intelligence-based computer
technologies are developed, the existence of systems that
make our lives easier in every sense is promising. In this
study, it is proposed to make helmet wearing control
automatic with convolutional neural network (CNN) based
deep learning in which the image data is meaningful. The
limited data set problem was overcome with the transfer
learning technique applied to the YOLO V4, V5 and Faster
R-CNN models. The effectiveness of the method was
examined by including the trainings in which transfer
learning was not applied in the experiments. As a result, it
was observed that the YOLO V5 model with transfer
learning was the most successful among 6 different model
trainings with an f1 score of 98%.

İnsan yaşamını önceleyen sistemlerin yaygınlaşması toplumlara bütüncül fayda sağlamaktadır. Solunum yoluyla bulaşıcı hastalıklardan sakınmak için ağız-burun maskesi takmanın Covid-19 pandemisi ile zorunlu hâle geldiği gibi yapı inşaatında çalışan işçilerin inşaat alanında kafa kaskı takması zorunludur. İnşat alanlarında çalışan işçilerin kaskını takıp takmadığının kontrolünü göz ile yapmak yorucu ve hataya açıktır. Yapay zekâ tabanlı bilgisayar teknolojilerinin geliştiği bu çağda hayatımızı her anlamda kolaylaştıran sistemlerin varlığı ümit vaat etmektedir. Bu çalışmada görüntü verisinin anlamlandığı evrişimli sinir ağı (ESA) tabanlı derin öğrenme ile kask takma kontrolünün otomatik yapılması önerilmiştir ve YOLO V4, V5 ve Faster R-CNN modellerine uygulanan transfer öğrenme tekniği ile kısıtlı veri seti probleminin üstesinden gelinmiştir. Deneylerde transfer öğrenme uygulanmayan eğitimlere de yer verilerek yöntemin etkinliği incelenmiştir. Sonuçta transfer öğrenmeli YOLO V5 modelinin %98 f1 skor ile 6 farklı model eğitimi arasında en başarılı olduğu gözlemlenmiştir.