Датасет для автоматической сегментации средств индивидуальной защиты и инструментов, применяемых при подземном и капитальном ремонте нефтяных скважин

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. При работе на опасных производственных объектах работники обязаны носить средства индивидуальной защиты (далее – СИЗ) и соблюдать меры техники безопасности. Для предотвращения инцидентов, снижения негативного воздействия на работников и повышения уровня производственной безопасности необходим мониторинг с использованием методов компьютерного зрения и автоматизированное оповещение об опасных ситуациях. Данные методы позволяют контролировать соблюдение норм и минимизировать влияние человеческого фактора, но их эффективность зависит от наличия качественных данных, что подчёркивает необходимость создания специализированных датасетов. В статье представлен датасет для автоматической сегментации СИЗ и инструментов, используемых при опасных технологических операциях, а также во время подземного и капитального ремонта скважин. Датасет разработан с учётом реальных условий производства.

Цель. Создание и обучение датасета для сегментации СИЗ и инструментов с использованием методов компьютерного зрения для автоматического обнаружения опасных условий и повышения безопасности на производственных площадках.

Материалы и методы. Для формирования датасета были собраны видеоматериалы с месторождения Жетыбай от бригады капитального ремонта скважин. Разметка данных выполнялась с помощью инструмента CVAT, а сегментация была ускорена с использованием модели Segment Anything Model. Для обучения использовалась модель нейросети YOLOv8.

Результаты. Созданный датасет охватывает 16 классов, включая как СИЗ (каска, очки, жакет, перчатки, штаны, ботинки), так и их отсутствие (негативные классы), а также ключевые производственные элементы: технологические трубы, гидравлический ключ, элеватор и человек. Данный датасет применяется в обучении моделей компьютерного зрения. В результате модели, обученные с использованием данного набора, показали стабильную работу в условиях реального производственного фона.

Заключение. Созданный датасет и модель являются важным шагом в разработке систем мониторинга безопасности на производственных площадках. Такие системы способны в реальном времени отслеживать использование СИЗ, фиксировать нарушения и формировать отчётность по безопасности. В дальнейшем датасет может быть адаптирован под другие производственные условия, расширен за счёт новых классов и интегрирован в более крупные платформы управления промышленной безопасностью.

Об авторах

А. Н. Алимова

КМГ Инжиниринг

Автор, ответственный за переписку.
Email: a.alimova@kmge.kz
ORCID iD: 0000-0002-5155-2417

PhD

Казахстан, Астана

Ғ. С. Әбдіманап

КМГ Инжиниринг; КазНИТУ им. К.И. Сатпаева

Email: g.abdimanap@kmge.kz
ORCID iD: 0000-0003-1676-4075
Казахстан, Астана; Алматы

К. А. Бостанбеков

КМГ Инжиниринг

Email: k.bostanbekov@kmge.kz
ORCID iD: 0000-0003-2869-772X

PhD

Казахстан, Астана

Б. Курметбек

КМГ Инжиниринг

Email: b.kurmetbek@kmge.kz
ORCID iD: 0009-0001-7510-2445
Казахстан, Астана

Т. Т. Болтайханова

КМГ Инжиниринг

Email: tomiris.boltaikhanova@gmail.com
ORCID iD: 0009-0009-9965-7419
Казахстан, Астана

Д. Б. Нурсеитов

КМГ Инжиниринг; КазНИТУ им. К.И. Сатпаева

Email: d.nurseitov@kmge.kz
ORCID iD: 0000-0003-1073-4254

канд. физ.-мат. наук, ассоциированный профессор

Казахстан, Астана; Алматы

Список литературы

  1. Kelm A., Laußat L., Meins-Becker A., et al. Mobile passive Radio Frequency Identification (RFID) portal for automated and rapid control of Personal Protective Equipment (PPE) on construction sites // Automation in Construction. 2013. Vol. 36. P. 38–52. doi: 10.1016/j.autcon.2013.08.009.
  2. Zhang H., Yan X., Li H., et al. Real-time alarming, monitoring, and locating for non-hard-hat use in construction // Journal of Construction Engineering and Management. 2019. Vol. 145. P. 1–13. doi: 10.1061/(asce)co.1943-7862.0001629.
  3. Wang Z., Wu Y., Yang L., et al. Fast personal protective equipment detection for real construction sites using deep learning approaches // Sensors. 2021. Vol. 21, N 10. doi: 10.3390/s21103478.
  4. Wu J., Cai N., Chen W., et al. Automatic detection of hardhats worn by construction personnel: A deep learning approach and benchmark dataset // Automation in Construction. 2019. Vol. 106. doi: 10.1016/j.autcon.2019.102894.
  5. Vukicevic A.M., Djapan M., Isailovic V., et al. Generic compliance of industrial PPE by using deep learning techniques // Safety Science. 2022. Vol. 148. doi: 10.1016/j.ssci.2021.105646.
  6. zenodo.org [интернет]. Openсv/Cvat: v1.1.0. 2020. Zenodo. Дата обращения: 26.05.2024. Доступ по ссылке: https://doi.org/10.5281/zenodo.4009388.
  7. github.com [интернет]. Ultralytics. Дата обращения: 26.05.2024. Доступ по ссылке: https://github.com/ultralytics/ultralytics.
  8. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection // IEEE Conference on computer vision and pattern recognition; June 27–30, 2016; Las Vegas, NV, USA. Available from: https://ieeexplore.ieee.org/document/7780460.
  9. Bai M., Urtasun R. Deep watershed transform for instance segmentation // IEEE Conference on computer vision and pattern recognition; July 21–26, 2017; Honolulu, HI, USA. Available from: https://ieeexplore.ieee.org/document/8099788.
  10. Gao N., Shan Y., Yupei W., et al. SSAP: Single-shot instance segmentation with affinity pyramid // IEEE/CVF International Conference on Computer Vision; October 27 – November 2, 2019; Seoul, Korea (South). Available from: https://ieeexplore.ieee.org/document/9010302.
  11. Dai J., He K., Sun J. Instance-aware semantic segmentation via multi-task network cascades // IEEE Conference on computer vision and pattern recognition; June 27–30, 2016; Las Vegas, NV, USA. Available from: https://ieeexplore.ieee.org/document/7780712.
  12. He K., Gkioxari G., Dollar P., Girshick R. Mask R-CNN // IEEE International Conference on computer vision; October 22–29, 2017; Venice, Italy. Available from: https://ieeexplore.ieee.org/document/8237584.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рисунок 1. Инструментарий по разметке CVAT. Систематизация данных

Скачать (216KB)
3. Рисунок 2. Инструментарий по разметке CVAT

Скачать (324KB)
4. Рисунок 3. Визуальное распределение классов в датасете

Скачать (58KB)
5. Рисунок 4. Матрица ошибок

Скачать (137KB)
6. Рисунок 5. Кривая F1 – Уверенность по ограничивающим прямоугольникам

Скачать (220KB)
7. Рисунок 6. Кривая F1 – Уверенность по сегментации экземпляров

Скачать (232KB)

© Алимова А.Н., Әбдіманап Ғ.С., Бостанбеков К.А., Курметбек Б., Болтайханова Т.Т., Нурсеитов Д.Б., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».