Датасет для автоматической сегментации средств индивидуальной защиты и инструментов, применяемых при подземном и капитальном ремонте нефтяных скважин
- Авторы: Алимова А.Н.1, Әбдіманап Ғ.С.1,2, Бостанбеков К.А.1, Курметбек Б.1, Болтайханова Т.Т.1, Нурсеитов Д.Б.1,2
-
Учреждения:
- КМГ Инжиниринг
- КазНИТУ им. К.И. Сатпаева
- Выпуск: Том 7, № 2 (2025)
- Страницы: 73-83
- Раздел: Цифровые технологии
- URL: https://journals.rcsi.science/2707-4226/article/view/310170
- DOI: https://doi.org/10.54859/kjogi108784
- ID: 310170
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.
Полный текст
Открыть статью на сайте журналаОб авторах
А. Н. Алимова
КМГ Инжиниринг
Автор, ответственный за переписку.
Email: a.alimova@kmge.kz
ORCID iD: 0000-0002-5155-2417
PhD
Казахстан, АстанаҒ. 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, АстанаБ. 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; АлматыСписок литературы
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- github.com [интернет]. Ultralytics. Дата обращения: 26.05.2024. Доступ по ссылке: https://github.com/ultralytics/ultralytics.
- 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.
- 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.
- 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.
- 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.
- 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
