Применение нейронной сети YOLOv5 для распознавания наличия средств индивидуальной защиты

Аннотация

В статье рассматривается вопросы применения нейронной сети YOLO для автоматического обнаружения и идентификации средств индивидуальной защиты у персонала предприятий на цифровых изображениях. Приведен сравнительный анализ различных архитектур сети YOLOv5 в зависимости от скорости обучения нейронной сети и точности распознавания. Рассмотрены инструменты для обучения нейронной сети на языке Python в среде Google Сolab, которая позволяет эффективно использовать удаленные вычислительные мощности графических процессоров. Рассмотрен пример обучения сети на основе собранного датасета с шестью классами для распознавания наличия средств индивидуальной защиты (с маской; без маски; маска надета неправильно; с головным убором; без головного убора; спец. одежда). Описаны настройки нейронной сети YOLOv5 и рекомендации по улучшению распознавания объектов посредством дополнения датасета изображениями с определенными условиями. Произведены 4 варианта обучения сети с применением архитектуры YOLOv5s и YOLOv5l, а также с различным количеством эпох. Подобрана оптимальная архитектура нейронной сети и количество необходимых эпох. Рассмотрено понятие средней точности (Mean Average Precision - mAP) и приведен сравнительный анализ точности предсказания от выбранной архитектуры сети и настроек. Приведен практический пример распознавания наличия средств индивидуальной защиты на цифровых изображениях с помощью обученной нейронной сети YOLOv5. В среднем точность распознавания составляет 0,7, что является неплохим результатом для решения данного класса задач. В работе рассматриваются вопросы по повышению точности распознавания объектов. Приводятся планы по обнаружению и детекции новых классов средств индивидуальной защиты, а также подтверждение факта прохождения регламентных процедур персоналом предприятий на основе цифрового видеоряда.