Мұнай ұңғымаларын жерасты және күрделі жөндеу кезінде қолданылатын жеке қорғаныс құралдары мен құрал-саймандарын автоматты түрде сегменттеуге арналған датасет

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Негіздеу. Қауіпті өндірістік объектілерде жұмыс істеген кезде қызметкерлер жеке қорғаныс құралдарын (бұдан әрі – ЖҚҚ) киіп жүруге және қауіпсіздік шараларын сақтауға міндетті. Инциденттердің алдын алу, қызметкерлерге теріс әсерді азайту және өндірістік қауіпсіздік деңгейін арттыру үшін компьютерлік көру әдістерін қолдана отырып, мониторинг жүргізу және қауіпті жағдайлар туралы автоматтандырылған хабарландыру беру қажет. Аталған әдістер нормалардың сақталуын бақылауға және адам факторының әсерін азайтуға мүмкіндік береді, бірақ олардың тиімділігі сапалы деректердің болуына байланысты, бұл мамандандырылған датасет құру қажеттілігін көрсетеді. Мақалада қауіпті технологиялық операцияларда, сондай-ақ ұңғымаларды жерасты және күрделі жөндеу кезінде қолданылатын ЖҚҚ мен құрал-саймандарды автоматты түрде сегментациялауға арналған датасет берілген. Датасет нақты өндіріс жағдайларын ескере отырып жасалған.

Мақсаты. Қауіпті жағдайларды автоматты түрде анықтау және өндіріс орындарындағы қауіпсіздікті арттыру үшін компьютерлік көру әдістерін қолдана отырып, ЖҚҚ мен құрал-саймандарды сегменттеу үшін датасет құру және оқыту.

Материалдар мен әдістер. Датасетті қалыптастыру үшін Жетібай кен орнындағы ұңғымаларды күрделі жөндеу бригадасынан бейнематериалдар жиналды. Деректерді белгілеу CVAT құралының көмегімен жүзеге асырылды және сегментация Segment Anything Model арқылы жеделдетілді. Оқыту үшін YOLOV8 нейрондық желісінің моделі қолданылды.

Нәтижелері. Құрылған датасет жинағы 16 классты қамтиды, соның ішінде жеке қорғаныс құралдары ЖҚҚ (дулыға, көзілдірік, күртеше, қолғап, шалбар, етік) және олардың болмауы (теріс класстар), сондай-ақ негізгі өндірістік элементтері: технологиялық құбырлар, гидравликалық кілт, элеватор және адам бар. Аталған датасет компьютерлік көру модельдерін оқытуда қолданылады. Нәтижесінде, осы жиынтықты қолдана отырып, дайындалған модельдер нақты өндіріс жағдайында тұрақты жұмыс жүйесін көрсетті.

Корытынды. Құрылған датасет пен модель өндіріс орындарында қауіпсіздікті бақылау жүйелерін дамытудағы маңызды қадам болып табылады. Мұндай жүйелер нақты уақыт режимінде ЖҚҚ пайдалануды бақылауға, қауіпсіздікті бұзу жағдайларын тіркеуге және қауіпсіздік туралы есеп беруге қабілетті. Болашақта датасет басқа өндірістік жағдайларға бейімделіп, жаңа класстар есебімен кеңейтіліп, өнеркәсіптік қауіпсіздікті басқарудың үлкен платформаларына біріктірілуі мүмкін.

Толық мәтін

##article.viewOnOriginalSite##

Авторлар туралы

Ә. Н. Әлімова

ҚМГ Инжиниринг

Хат алмасуға жауапты Автор.
Email: a.alimova@kmge.kz
ORCID iD: 0000-0002-5155-2417

PhD

Қазақстан, Астана қаласы

Ғ. С. Әбдіманап

ҚМГ Инжиниринг; Қ.И. Сәтбаев атындағы ҚазҰТЗУ

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

К. А. Бостанбеков

ҚМГ Инжиниринг

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

PhD

Қазақстан, Астана қаласы

Б. Қурметбек

ҚМГ Инжиниринг

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

Т. Т. Болтайханова

ҚМГ Инжиниринг

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

Д. Б. Нұрсейітов

ҚМГ Инжиниринг; Қ.И. Сәтбаев атындағы ҚазҰТЗУ

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

канд. физ.-мат. наук, ассоциированный профессор

Қазақстан, Астана қаласы; Алматы қаласы

Әдебиет тізімі

  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.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Рисунок 1. Инструментарий по разметке CVAT. Систематизация данных

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

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

Жүктеу (58KB)
Метадеректер
5. Рисунок 4. Матрица ошибок

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

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

Жүктеу (232KB)
Метадеректер

© Әлімова Ә.Н., Әбдіманап Ғ.С., Бостанбеков К.А., Қурметбек Б., Болтайханова Т.Т., Нұрсейітов Д.Б., 2025

Creative Commons License
Бұл мақала лицензия бойынша қол жетімді 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».