Kiểm soát an toàn lao động trên công trường bằng lai ghép mô hình trí tuệ nhân tạo

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA HỒ NHẬT QUANG KIỂM SOÁT AN TỒN LAO ĐỘNG TRÊN CƠNG TRƯỜNG BẰNG LAI GHÉP MƠ HÌNH TRÍ TUỆ NHÂN TẠO CONTROLING OF WORK SAFETY ON THE CONSTRUCTION BY ALTERNATIVE ARTIFICAL INTELLIGENT MODEL Chuyên ngành: Quản lý Xây dựng Mã số ngành: 8580302 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 01 năm 2023 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập - Tự Do - Hạnh Phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: HỒ NHẬT QUANG MSHV: 2070060 Ngày, tháng, năm sinh: 20/07/1997 Chuyên ngành: Quản lý Xây dựng I TÊN ĐỀ TÀI: Nơi sinh: Tiền Giang Mã số: 8580302 KIỂM SỐT AN TỒN LAO ĐỘNG TRÊN CƠNG TRƯỜNG BẰNG LAI GHÉP MƠ HÌNH TRÍ TUỆ NHÂN TẠO CONTROLLING AND MANAGING SAFETY ON THE CONSTRUCTION SITE BY USING ARTIFICIAL INTELLIGENCE MODEL II NHIỆM VỤ LUẬN VĂN - Nhận định tình hình an tồn lao động nước ta, đặc biệt vấn đề tai nạn lao động liên quan đến thiết bị bảo hộ lao động - Giới thiệu Trí tuệ nhân tạo, Machine learning (học máy), Deep learning (học sâu) ứng dụng chúng đời sống đại ngày - Ứng dụng mơ hình Trí tuệ nhân tạo, tạo cơng cụ giúp kiểm sốt cơng tác an tồn thiết bị bảo hộ lao động III NGÀY GIAO NHIỆM VỤ : 05/09/2022 IV NGÀY HOÀN THÀNH NHIỆM VỤ : 08/01/2023 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: PGS TS TRẦN ĐỨC HỌC CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN PGS.TS TRẦN ĐỨC HỌC i TRƯỞNG KHOA XÂY DỰNG LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG LỜI CẢM ƠN Trong thời gian học tập nghiên cứu để hoàn thành khố học, ngồi nỗ lực thân cịn có hướng dẫn, giúp đỡ nhiệt tình thầy cơ, đồng nghiệp, bạn bè gia đình Tơi xin bày tỏ lòng biết ơn sâu sắc đến PGS.TS Trần Đức Học, người tận tình hướng dẫn hết lịng giúp đỡ tơi suốt thời gian hồn thành luận án Tôi xin chân thành tri ân sâu sắc đến thầy cô môn Thi công Quản lý XD thầy cô trực tiếp giảng dạy thời gian học tập trường Tôi xin chân thành cảm ơn quan tâm động viên giúp đỡ bạn bè đồng nghiệp tạo điều kiện tốt để tơi hồn thành khoá học Cuối xin gửi đến Cha Mẹ gia đình lịng biết ơn vơ hạn ln động viên cho thời gian học tập Xin chân thành cảm ơn! Tp HCM, ngày 18 tháng 12 năm 2022 Hồ Nhật Quang ii LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG TÓM TẮT LUẬN VĂN HTĐT, CSVC yếu tố cần đáp ứng ưu tiên để phát triển quốc gia, có Việt Nam Trên đường CNH-HĐH Việt Nam, ngành XD đóng vai trị vơ quan trọng, giúp thiết lập tảng cần thiết cho đơn vị, tổ chức toàn xã hội Sự phát triển ngành XD tạo điều kiện thuận lợi để lĩnh vực khác phát triển theo Có nhiều yếu tố ảnh hưởng đến ngành XD, tích cực tiêu cực Trong đó, khắc phục vấn đề tiêu cực tồn đọng vơ cấp thiết ATLĐ số Trong năm trở lại đây, tai nạn lao động mối bận tâm lớn cấp quản lý, nhà lãnh đạo Trong kỷ nguyên công nghiệp 4.0 bùng nổ, trí tuệ nhân tạo (Artificial Intelligence -AI) coi ngành công nghệ hàng đầu, giúp người giải nhiều vấn đề sống Lĩnh vực thu hút quan tâm tồn cầu nói chung nước ta nói riêng Sự ứng dụng lĩnh vực cần thiết cho đường phát triển bền vững hội nhập quốc tế Luận văn nghiên cứu phát triển cơng cụ tích hợp mơ hình AI thuật tốn, mơ hình phổ biến YOLOv5, DEEP SORT,… để nhận diện TB BHLĐ công trường người đối tượng công nhân, kỹ sư giám sát Công cụ nghiên cứu lắp đặt cổng vào công trường phát cách tự động công nhân, kỹ sư hay người làm việc công trường mà không đảm bảo đầy đủ thiết bị bảo hộ lao động từ giúp cơng tác quản lý, kiểm soát dễ dàng hơn, ngăn ngừa rủi ro đáng tiếc xảy liên quan đến an toàn lao động iii LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG ABSTRACT The construction sector plays a very important role in the process of industrialization and modernization Development of the construction sector has created favorable conditions for development of other sectors There are many factors that influencing the construction industry in both positive and negative ways In recent years, injury at work has always been a great concern to managers and leaders In the booming of 4.0 industry era, Artificial Intelligence (AI) is considered a leading technology industry, which helps people to solve many problems in normal life The AI field is interesting both in this country and around the world The application of AI field is critical for the country in its path of sustainable development and international integration This article introduced an integrated tool of artificial intelligence model with YOLOv5 algorithms to identify protection equipment on the subjects of workers, engineers and supervisor at the construction site This research tool is installed at the entrance of the construction site and can automatically detect workers, engineers or people working in the construction site without adequate protective equipment thereby making management and control easier, preventing unfortunate risks related to occupational safety iv LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG LỜI CAM ĐOAN Tôi xin cam đoan cơng việc tơi thực hướng dẫn Thầy PGS TS Trần Đức Học Các kết Luận văn thật chưa công bố nghiên cứu khác Tôi xin chịu trách nhiệm cơng việc thực Tp HCM, ngày 18 tháng 12 năm 2022 Hồ Nhật Quang v LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG MỤC LỤC NHIỆM VỤ LUẬN VĂN THẠC SĨ i TÓM TẮT LUẬN VĂN iii ABSTRACT iv LỜI CAM ĐOAN v MỤC LỤC vi DANH MỤC HÌNH ẢNH viii DANH MỤC CÁC CHỮ VIẾT TẮT x CHƯƠNG 1: GIỚI THIỆU .1 1.1 ĐẶT VẤN ĐỀ 1.2 MỤC TIÊU NGHIÊN CỨU 1.3 ĐỐI TƯỢNG NGHIÊN CỨU 1.4 ĐÓNG GÓP CỦA LUẬN VĂN CHƯƠNG 2: CƠ SỞ LÝ THUYẾT .4 2.1 TÓM TẮT QUY TRÌNH – SƠ ĐỒ KHỐI 2.1.1 Tóm tắt quy trình 2.1.2 Sơ đồ khối 2.2 CÁC KHÁI NIỆM CHÍNH – CƠ SỞ LÝ THUYẾT 10 2.2.1 An toàn lao động 10 2.2.2 Trí tuệ nhân tạo – Artificial intelligence (AI) 11 2.2.3 Machine learning (ML) – Deep learning (DL) 15 2.2.4 Tập liệu – Dataset 16 2.2.5 Cấu trúc mạng CNN - Convolutional Neural Networks 18 2.2.6 Các công cụ 23 CHƯƠNG 3: QUY TRÌNH NGHIÊN CỨU CHI TIẾT 37 3.1 YÊU CẦU BÀI TOÁN VÀ HƯỚNG GIẢI QUYẾT 37 3.1.1 Yêu cầu toán 37 3.1.2 Hướng giải toán 37 3.2 XÂY DỰNG MƠ HÌNH NHẬN DIỆN TB BHLĐ (OBJECT DETECTION) 38 3.3 XÂY DỰNG CHỨC NĂNG NHẬN DIỆN ĐỐI TƯỢNG NGƯỜI (PERSON DETECTION) VÀ THEO DÕI ĐỐI TƯỢNG (TRACKING) 49 3.4 XÂY DỰNG CHỨC NĂNG NHẬN DIỆN KHN MẶT (FACE DETECTION) 56 3.5 TÍCH HỢP VÀO VIDEO CLIP THỰC TẾ 58 CHƯƠNG 4: ĐÁNH GIÁ KẾT QUẢ - ĐỀ XUẤT QUY TRÌNH QUẢN LÝ 71 4.1 ĐÁNH GIÁ KẾT QUẢ 71 vi LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG 4.1.1 Đánh giá kết mơ hình 71 4.1.2 So sánh hiệu suất với mơ hình khác – nhận xét 73 4.1.3 Xây dựng quy trình quản lý thực tế sử dụng mơ hình lai ghép 76 4.2 ĐỀ XUẤT 78 4.2.1 Các hạn chế 78 4.2.2 Đề xuất 78 CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ 79 5.1 KẾT LUẬN – KIẾN NGHỊ 79 5.2 HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI 80 TÀI LIỆU THAM KHẢO 81 LÝ LỊCH TRÍCH NGANG 83 vii LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG DANH MỤC HÌNH ẢNH Hình Hoạt động sơ AI, ML DL Hình Các trang TB BHLĐ Hình Yêu cầu trang TB BHLĐ Hình Thị giác máy tính phát triển kéo theo AI 12 Hình Tầm ảnh hưởng AI 13 Hình AI nhận diện khuôn mặt người 14 Hình AI xe tự hành 15 Hình Mối liên hệ AI, ML DL 16 Hình Vai trị mạng CNN DL 18 Hình 10 Cấu tạo điển hình Nơron sinh học 19 Hình 11 Cấu tạo điển hình Nơron nhân tạo 20 Hình 12 Các tầng (Layer) mạng CNN có 03 chiều 20 Hình 13 Cấu trúc mạng CNN 23 Hình 14 YOLO ứng dụng phát đối tượng (Object Detection) 25 Hình 15 Phương thức hoạt động YOLO 26 Hình 16 Giao diện thư viện Kaggle 28 Hình 17 Giao diện thư viện Paperswithcode 28 Hình 18 Giao diện thư viện UCI ML Repository 28 Hình 19 Giao diện thư viện Registry of Open Data on AWS 29 Hình 20 Giao diện thư viện Microsoft Research Open Data 29 Hình 21 Thư mục Data chứa hình ảnh đầu vào 30 Hình 22 Giao diện gán nhãn cho ảnh 30 Hình 23 Ảnh gán nhãn 30 Hình 24 Phương thức hoạt động YOLO 36 Hình 25 Một số hình ảnh liệu Datasets từ Kaggle 42 Hình 26 TB BHLĐ cần nhận diện 42 Hình 27 Thuộc tính đối tượng 43 Hình 28 Các lớp (Layers) đối tượng 43 Hình 29 So sánh thơng số kết mơ hình 44 Hình 31 Biểu đồ đường cong Precision – Confidence Curve thiết bị bảo hộ 45 Hình 32 Biểu đồ đường cong Recall - Confidence Curve thiết bị bảo hộ 46 Hình 33 Biểu đồ đường cong Precision – Recall Curve thiết bị bảo hộ 47 Hình 34 Biểu đồ đường cong F1 – Confidence Curve thiết bị bảo hộ 47 Hình 35 Kết sau training mơ hình nhận diện TB BHLĐ 48 Hình 36 Đối tượng/vật thể bị che lấp 51 Hình 37 Ví dụ phân tích tương quan 52 viii LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG Hình 38 Độ lớn hệ số tương quan 52 Hình 39 Các mơ hình trạng thái DEEP SORT 55 Hình 40 Dữ liệu khn mặt đối tượng người 56 Hình 41 Giao diện khởi động ứng dụng 59 Hình 42 Tùy chọn App ứng dụng 60 Hình 43 Cửa sổ thư mục chứa Video Clip sử dụng 61 Hình 44 Cửa sổ xử lý Video Clip 61 Hình 45 Cửa sổ Video Clip sau xử lý 62 Hình 46 Cửa sổ Person Management dùng để quản lý thông tin đối tượng 62 Hình 47 Cửa sổ Statistic hiển thị thông tin đối tượng sau xử lý 63 Hình 48 Cửa sổ Video Management 63 Hình 49 Một số hình ảnh thực tế cơng trường lấy từ video clip 68 Hình 50 Kết tích hợp mơ hình vào Video clip thực tế 69 Hình 51 Chuyển định dạng tập tin CSV thành tập tin Excel 70 Hình 52 Các thông số hồi quy, phân loại đối tượng mơ hình YOLOv5 71 Hình 53 Độ xác Epochs 72 ix LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG Hình 49 Kết tích hợp mơ hình vào Video clip thực tế ❖ Công tác quản lý Như kết ta thấy q trình tích hợp, mơ hình nhận diện thiết bị bảo hộ bao gồm nón bảo hộ, áo bảo hộ, giày bảo hộ trang khuôn mặt đối tượng công nhân cách tương đối xác Để dễ dàng cơng tác quản lý từ đưa quy định, biện pháp chế tài hợp lý để kiểm soát cải thiện vấn đề đảm bảo đầy đủ yêu cầu TB BHLĐ, ta thể kết tập tin định dạng CSV Download Data as CSV Sau xuất tập tin CSV, ta chuyển định dạng thành Excel thao tác đây: 69 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG Hình 50 Chuyển định dạng tập tin CSV thành tập tin Excel Trong tập tin xuất thể đầy đủ thông tin cần thiết cho công tác quản lý như: số thứ tự, tên đối tượng (Name), tình trạng (Details), đánh giá (Status) thời gian (Time) → Ví dụ: đối tượng người tên An, có số thứ tự 1, tình trạng: khơng đeo trang (No mask), đánh giá không đảm bảo thiết bị ATLĐ (Not archive) vào thời điểm (Time) 22/11/2022 lúc 0:36 70 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG CHƯƠNG 4: ĐÁNH GIÁ KẾT QUẢ - ĐỀ XUẤT QUY TRÌNH QUẢN LÝ 4.1 ĐÁNH GIÁ KẾT QUẢ 4.1.1 Đánh giá kết mơ hình Kết việc huấn luyện mơ hình YOLOv5 sau: Hình 51 Các thơng số hồi quy, phân loại đối tượng mơ hình YOLOv5 Qua kết thực ta nhận thấy YOLOv5 mang lại hiệu tốt toán nhận diện TB BHLĐ với thông số hiệu suất đặc trưng: Mơ hình YOLOv5 nhận diện TB BHLĐ Độ xác (Precision) 0.74 Chỉ số gợi nhớ (Recall) 0.66 Giá trị xác trung bình (mAP) 0.67 F1 score 0.70 Với mơ hình thử nghiệm, độ xác 74.1% giá trị xác trung bình 64.4% kết tương đối tốt trường hợp tập sở liệu dùng để huấn luyện (Training) mơ hình chưa tối ưu độ lớn chất lượng Về thời gian tốc độ nhận diện, mơ hình đạt kết tốt Đối với Video Clip có độ phân giải cao phổ biến 1920 x 1080 pixel, tức 01 giây qt 30 khung hình (Frame), mơ hình với tốc độ xử lý khung hình giây (6 frames/s) tần suất xử lý khung hình lần (5 frames/lần) đáp ứng tốt tốn khoảng thời gian 30s cho Video Clip có thời lượng 15s 71 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG Các thơng số q trình xử lý mơ hình: Hình 52 Độ xác mơ hình Với việc sử dụng mơ hình nhận diện khn mặt thư viện OpenVino thuật tốn áp dụng mơ hình giúp tối ưu tốc độ xử lý với kết 30/30 khung hình/giây, tối ưu phần cứng sử dụng làm tảng thư viện phát triển cho máy tính sử dụng vi xử lý Intel - phù hợp với điều kiện CSVC đại đa số đối tượng học viên nghiên cứu, hay đơn vị quản lý có quy mơ vừa nhỏ Tương tự mơ hình nhận diện TB BHLĐ, tập sở liệu dùng để huấn luyện mơ hình Video clip áp dụng thực tế chưa thực tối ưu chất lượng, kết nhận diện khuôn mặt đối tượng, đặc biệt trường hợp khn mặt có góc 72 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG nghiêng bé, điều kiện ánh sáng, chất lượng ảnh không cao, tương đối tốt mức thử nghiệm 4.1.2 So sánh hiệu suất với mơ hình khác – nhận xét 4.1.2.1 Cơ sở so sánh – mơ hình khác Với tập liệu Datasets sử dụng bước xây dựng mô hình nhận diện TB BHLĐ, ta tiến hành xây dựng với mơ hình khác làm tiền đề so sánh hiệu suất chúng Cùng với mơ hình YOLOv5 sử dụng, mơ hình khác là: YOLOv4, FasterRCNN MobilenetV3, Faster-RCNN Resnet50 Các mơ hình tùy chỉnh sử dụng thư viện kiến trúc Pytorch để đưa hệ quy chiếu, thuận tiện cho bước so sánh Với thư viện kiến trúc, số dùng làm sở để so sánh đánh giá là: Precision (độ xác), Recall (chỉ số khả thu hồi) F1 score (trung bình điều hịa Precision Recall - Precision: thể chuẩn xác việc phát điểm tích cực (Positive) Số cao mơ hình nhận điểm Positive chuẩn - Recall: Thể khả phát tất postivie, tỷ lệ cao cho thấy khả bỏ sót điểm Positive thấp - F1 score: F1 score số dung hòa Recall Precision giúp ta có để lựa chọn mơ hình F1 cao mơ hình xác F1 score xác định sau: ∗ Precision ∗ Recall 𝐹1 − 𝑠𝑐𝑜𝑟𝑒 = Precision + Recall a/ YOLOv4 Tiến hành xây dựng mơ hình YOLOv4, kết huấn luyện mơ sau: Các số: Mơ hình YOLOv4 nhận diện TB BHLĐ Độ xác (Precision) 0.73 Chỉ số gợi nhớ (Recall) 0.62 F1 score 0.67 73 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG b/ Faster-RCNN MobilenetV3 Tiến hành xây dựng mơ hình Faster-RCNN MobilenetV3, kết huấn luyện mơ sau: Các số: Mơ hình Faster-RCNN MobilenetV3 nhận diện TB BHLĐ Độ xác (Precision) 0.59 Chỉ số gợi nhớ (Recall) 0.54 F1 score 0.57 c/ Faster-RCNN Resnet50 Tiến hành xây dựng mơ hình Faster-RCNN Resnet50, kết huấn luyện mơ sau: Các số: Mơ hình Faster-RCNN Resnet50 nhận diện TB BHLĐ Độ xác (Precision) 0.65 Chỉ số gợi nhớ (Recall) 0.58 F1 score 0.61 4.1.2.2 So sánh hiệu suất mô hình 74 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG Chỉ số Mơ hình Precision Recall F1 score YOLOv5 0.74 0.66 0.70 YOLOv4 0.73 0.62 0.67 Faster-RCNN MobilenetV3 0.59 0.54 0.57 Faster-RCNN Resnet50 0.65 0.58 0.61 Nhận xét: Với việc sử dụng tập liệu để huấn luyện mơ hình xây dựng chung kiến trúc Pytorch, mơ hình YOLOv5 với số cao chứng tỏ hiệu suất vượt trội So với “người anh em” phiên trước YOLOv4, số YOLOv5 khơng q vượt trội, nhìn chung thể hiệu phiên cải tiến mặt Đối với 02 mô hình cịn lại, kết cho thấy họ mơ hình sử dụng RCNN MobilenetV3 Resnet50 chưa thể chiếm vị trí YOLO nói chung YOLOv5 nói riêng hiệu mức độ ứng dụng 75 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG 4.1.3 Xây dựng quy trình quản lý thực tế sử dụng mơ hình lai ghép 4.1.3.1 Lưu đồ quy trình quản lý Lắp đặt camera, PC có cài đặt phần mềm Phối hợp phòng ban để thu thập quản lý thông tin cá nhân công nhân/kỹ sư Bắt đầu Công nhân/kỹ sư qua camera giám sát tích hợp vào cổng cơng trường Màn hình hiển thị thông tin cá nhân Bổ sung TB BHlĐ đầy đủ (nếu vi phạm) N Kết hiển thị Y Tổng hợp liệu toàn công trường, phân chia rõ ràng cho phận, đội nhóm vào cuối tuần Quản lý phận, đội nhóm rà sốt, tổng hợp tuần gửi thư ký CT, CHP vào cuối tháng gui Tổng hợp liệu phận, đội nhóm, hồn tất vào ngày tháng sau trình CHT phê duyệt N gui CHT, QS phê duyệt Nhập liệu chấm công có kết hợp liệu vi phạm TB BHLĐ, hồn tất vào ngày tháng sau gui Kiểm tra liệu tính lương, trình bảng lương kèm ghi mục vi phạm (nếu có) lên CHT, QS N Duyệt bảng lương Y Trả lương chậm vào ngày tháng sau Gửi bảng lương cho công nhân/kỹ sư – người lao động Kết thúc 76 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG 4.1.3.2 Quy trình chi tiết • Bước 1: Mơ hình AI tích hợp vào thiết bị camera giám sát lắp đặt vị trí cổng cơng trường, nơi quan sát toàn đối tượng người vào công trường tất thời điểm Loại camera đề xuất camera IP Wifi ngồi trời tính thơng minh, tiện dụng như: hình ảnh rõ ràng, sắc nét, cần kết nối với hệ thống Wifi cơng trường theo dõi nơi lắp đặt Thiết bị không lắp đặt ngồi trời mà cịn lắp đặt mái hiên (nhà bảo vệ), cổng phụ, Phần mềm quan sát cài đặt miễn phí vào điện thoại thơng minh người chịu trách nhiệm bảo vệ công trường kĩ sư giám sát an toàn Ngoài ra, máy tính PC có cài đặt phần mềm quan sát phục vụ công tác quản lý hồ sơ, trang bị cabin bảo vệ Bộ PC kết nối với thiết bị camera giám sát, gồm tối thiểu 03 hình: 01 hình cabin bảo vệ phục vụ cho bước sau, 02 hình lớn lắp đặt cổng cơng trường phục vụ công tác giám sát quản lý thời gian thực (real-time) • Bước 2: Thu thập liệu cá nhân tất công nhân/kỹ sư làm việc cơng trường Với nhà thầu chính, bước tương đối dễ dàng liệu có sẵn từ lúc công nhân/kỹ sư đơn vị ký kết hợp đồng lao động Với nhà thầu phụ bước phức tạp chút Các nhà thầu phụ hạng mục giai đoạn phải cung cấp liệu đội nhóm huy phó cơng trường người quản lý đội nhóm thầu phụ Dữ liệu cá nhân công nhân/kỹ sư cần thiết cho công tác quản lý bao gồm: Tên, số CCCD/CMND, ảnh khuôn mặt chụp từ 04 góc cạnh trước, sau, trái, phải Các liệu thu thập cách phối hợp phòng ban, mà quan trọng phịng hành – nhân • Bước 3: Vì số lượng cơng nhân/kỹ sư tham gia cơng trường lớn nên cần lắp đặt 02 thiết bị camera tích hợp cổng vào cơng trường Bắt đầu ngày làm việc, công nhân/kỹ sư vào cổng theo 02 lối tương ứng với 02 vị trí lắp đặt camera Các công nhân/kỹ sư không cần thiết phải nhìn vào camera vào cổng, cần giữ tác phong bình thường, khơng chen lấn xơ đẩy Điều tạo nên thoải mái cho người bắt đầu ngày làm việc mới, đảm bảo việc ứng dụng cơng nghệ vào quy trình quản lý diễn cách tự nhiên hợp tác Tương tự hình 49, cơng nhân/kỹ sư qua camera giám sát, hình điện thoại người quản lý PC có cài đặt phần mềm hiển thị thông tin đối tượng người Các thơng tin bao gồm: khn mặt (góc trái hình), tên (góc trái khung hình bao quanh đối tượng), TB BHLĐ mà đối tượng có trang bị (trong số 04 TB BHLĐ mà mơ hình phát triển) • Bước 4: 77 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG Dựa vào thơng tin trình chiếu 02 hình lớn, người quản lý theo dõi nhận biết đối tượng không trang bị đủ TB BHLĐ Các đối tượng vị phạm yêu cầu bổ sung đầy đủ để vào bên công trường Đồng thời, thông tin trường hợp vi phạm mơ hình AI hệ thống ghi nhận lại lưu trữ Thông qua kết lưu trữ, người quản lý nắm thơng tin xác cá nhân, phận công tác, phận chịu trách nhiệm đối chiếu với liệu ban đầu cá nhân phận hành - nhân hay liệu công trường dạng tập tin mềm Điều khắc phục vấn đề khách quan lẫn chủ quan trình theo dõi/giám sát người quản lý, tránh tranh cãi xảy Từ liệu vi phạm đối tượng, Ban huy công trường, hay phận quản lý trực tiếp đối tượng có biện pháp xử lý 4.2 ĐỀ XUẤT 4.2.1 Các hạn chế Mơ hình nhận diện đối tượng có độ xác tương đối, chưa đạt tối đa Điều xuất phát từ số lý sau: - Tập sở liệu (Datasets) có kích thước cịn hạn chế, liệu tìm kiếm nguồn internet, hay mơ hình áp dụng thư viện Kaggle, sai số thời gian tương đối ngắn để lọc xử lý tập liệu - Chất lượng Video Clip thực tế dùng để áp dụng có chất lượng chưa cao - Đây mơ hình thử nghiệm, chưa có tính đến yếu tố khác như: chi phí triển khai, điều kiện CSVC, mơi trường áp dụng - Giao diện ứng dụng bản, chưa bật tối ưu Muốn phát triển phương diện thương mại cần giao diện rõ ràng, đầu tư bắt mắt 4.2.2 Đề xuất Để mơ hình phát huy hết khả năng, đạt độ xác cao ứng dụng rộng rãi, cần cải thiện yếu tố: - Cần tập liệu lớn hơn, xác mơi trường làm việc thực tế công trường nước Việt Nam - Cần nhiều thời gian để việc lọc tập liệu huấn luyện mơ hình tối ưu - Cơ sở hạ tầng (phần cứng) thiết bị cần nâng cấp so với phiên sử dụng, cải thiện chất lượng đường truyền mạng 78 LUẬN VĂN THẠC SĨ CHƯƠNG 5: HVTH: HỒ NHẬT QUANG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 KẾT LUẬN – KIẾN NGHỊ Trong bối cảnh giới chứng kiến bùng nổ thời đại khoa học kỹ thuật công nghệ thông tin, đặc biệt công nghệ AI AI ứng dụng vô mạnh mẽ nhiều lĩnh vực đời sống, ngành XD nói chung cơng tác quản lý ATLĐ nói riêng khơng ngoại lệ Có nhiều ngun nhân dẫn đến hàng ngàn vụ TNLĐ xảy năm nước ta, gây thiệt hại lớn người Nhưng phải nhìn nhận cách khách quan rằng, yếu tố người nguyên nhân chủ yếu Sự chủ quan, thiếu trách nhiệm khâu quản lý kiểm soát cá nhân, đơn vị dẫn đến cố đáng tiếc Và từ giúp cấp quản lý, lãnh đạo ngành XD nhận phương pháp quản lý, kiểm sốt thủ cơng sử dụng khơng cịn phù hợp thời đại Do đó, hỗ trợ công cụ công nghệ thông tin, đặc biệt AI vô cần thiết quan trọng Với việc sử dụng thuật toán nhận diện đối tượng truy xuất thông tin thông dụng giới YOLOv5, Deep Sort,…đã mang lại cơng cụ nhận diện mang độ xác độ tin cậy cao dù phiên thử nghiệm Ứng dụng lên ý tưởng triển khai với mục đích trở thành cơng cụ quản lý hiệu cho cơng ty XD nói chung cá nhân cấp quản lý nói riêng Xuất phát từ ATLĐ - vấn đề từ lâu trở thành mối quan tâm hàng đầu, công cụ nhận diện giúp phát sớm trường hợp không tuân thủ quy định thiết bị an tồn bảo hộ lao động, trích xuất thơng tin đối tượng vi phạm, từ hỗ trợ nhiều cho người quản lý cơng tác kiểm sốt Ngồi ra, công cụ giúp người công nhân nhận biết thiếu sót việc trang bị TB BHLĐ, từ nâng cao ý thức chấp hành quy định, ngăn ngừa cố đáng tiếc xảy cho thân họ người xung quanh Để công cụ đạt hiệu tối ưu qua giúp cơng tác quản lý dễ dàng, đạt hiệu cao, cần có đầu tư thiết thực vào CSVC, công tác thu thập tập liệu, cải tiến chủ trương, sách áp dụng công nghệ, tuyên truyền đến cá nhân, đơn vị ngành XD cơng cơng nghiệp hóa, đại hóa Sự kiểm sốt ATLĐ nói chung đảm bảo điều kiện trang TB BHLĐ nói riêng, đề tài mang tính khách quan trước xuất phát từ chủ trương, sách cơng ty XD Điều vơ hình trung gây mối nguy hiểm ln tiềm tàng, ảnh hưởng nhiều đến quyền lợi người lao động Đây hứa hẹn cơng cụ hữu ích người quản lý nói riêng ngành XD nói chung tương lai 79 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG 5.2 HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI Các hướng mở rộng mơ hình ứng dụng đa dạng tích hợp để quản lý nhiều cơng tác khác phạm vi công trường XD, không riêng vấn đề thiết bị ATLĐ Ví dụ như: - Cơng tác quản lý kiểm định thiết bị, máy móc công trường như: máy xúc kéo, máy ủi, máy đào,… - Cơng tác kiểm sốt xe hai bánh, xe tô, xe giới vào công trường - Công tác kiểm sốt hành vi, thao tác cơng nhân, kỹ sư giám sát làm việc Nếu đầu tư, nghiên cứu để phát triển cách toàn diện, tương lai gần mơ hình lai ghép AI dùng để nhận diện TB BHLĐ đóng vai trị quan trọng cơng tác kiểm sốt, quản lý cơng trường, từ giúp tối ưu thời gian, chi phí XD dự án giảm thiểu tối đa rủi ro liên quan đến TNLĐ Rộng nữa, góp phần thúc đẩy q trình cơng nghiệp hóa, đại hóa ngành XD nói riêng kinh tế nước ta nói chung 80 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG TÀI LIỆU THAM KHẢO [1] [2] [3] F Moavenzadeh and J A K Rossow, The Construction Industry in Developing Countries, 2nd, Technology Adaptiation Program, Massachusetts Institute of Technology, 1976 N Wang, “The role of the construction industry in China’s suitainable urban development,” Habitat International, vol 44, pp 442-450, 2014, 10.1016/j.habitint.2014.09.008 J Lopes, “Construction in the economy and it’s role in socio-economic development: role of construction in socio-economic development,” New Perspectives on Construction in Developing Countries, G Ofori, Abingdon, London, 2011, pp 408- [4] [5] 440 P M Hillebrandt, Economic Theory and the Construction Industry, 3rd ed., Basingstoke, UK: Macmillan, 2000 S Durdyev and S Ismail, “Role of the construction industry in economic development of Turkmenistan,” Energy Education Science and Technology Part A: [6] Energy Science and Research, vol 29, 2, pp 883-890, 2012 D Phong, “Năm 2022, ngành xây dựng phấn đấu tăng trưởng GDP đạt từ 5-5.6%.” [7] Internet: https://baoxaydung.com.vn/nam-2022-nganh-xay-dung-phan-dau-tangtruong-gdp-dat-tu-5-56-326138.html, Feb 2, 2022 Bộ Lao động – Thương binh Xã hội “Thông báo số 843/TB-LĐTBXH Tình hình tai nạn lao động năm 2021.” 843/TB-LĐTBXH, Mar 22, 2022 [8] Z Tsiga et al., “Critical Success Factors For The Construction Industry,” PM World Journal, vol 5, 8, pp 1-12, 2016 [9] L T Tân, “Virtual Reality đào tạo an toàn lao động cho ngành xây dựng Tp Hồ Chí Minh,” Luận văn Thạc sĩ, Đại học Bách khoa Tp.HCM, 2018 [10] S K Baduge et al., “Artificial intelligence and smart vision for building and construction 4.0: Machine and DL methods and applications,” Automation in Construction, vol 141, 2022 104440 [11] R A Oliveira and M H J Bollen, “DL for power quality, “Electric Power Systems Research, vol 214, 2022 [12] R Yamashita et al., “Convolutional neural networks: an overview and application in radiolody,” Insights Into Imaging, vol 9, pp 611-629, 2018 [13] T V Thắng, “Ứng dụng BIM công tác lập kế hoạch an tồn lao động cơng trường xây dựng,” Luận văn Thạc sĩ, Đại học Bách khoa Tp HCM, 2017 81 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG [14] B T Tùng, “Những yếu tố quan trọng ảnh hưởng tới thực chương trình an tồn lao động dự án xây dựng Việt Nam,” Luận văn Thạc sĩ, Đại học Bách khoa Tp HCM, 2010 [15] J Xu et al., “Implementing safety leading indicators in construction: Toward a proactive approach to safety management,” Safety Science, vol 157, 2022, 10.1016/j.dibe.2021.100045 [16] Y Xu et al., “ML in construction: From shallow to DL,” Developments in the Built Environment, Vol 6, 2021, 10.1016/j.autcon.2022.104440 [17] S Yesilmen and B Tatar, “Efficiency of convolutional neutral networks (CNN) based image classification for monitoring construction related activities: A case study on aggregate mining for concrete production,” Case Studies in Construction Materials, vol 17, 2022, 10.1016/j.cscm.2022.e10372 [18] N M Hùng, “Nghiên cứu mạng Neutral Convolutional, áp dụng vào toán nhận dạng đối tượng lĩnh vực thị giác máy tính,” Luận văn Thạc sĩ, Đại học Công nghệ Tp Hà Nội, 2019 [19] J Redmon et al., “You Only Look Once: Unified, Real-Time Object Detection,” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp 779788, 2016, 10.1109/CVPR.2016.91 [20] S Tan et al., “Improved YOLOv5 Network Model and Application in Safety Helmet Detection,” Proceedings of the 2021 IEEE International Conference on Intelligence and Safety for Robotics, Nagoya, Japan: 2021, pp 330-333 [21] Y Jamtsho et al., “Real-time license plate detection for non-helmeted motorcyclist using YOLO,” ICT Express, vol 7, pp 104-109, 2021 82 LUẬN VĂN THẠC SĨ HVTH: HỒ NHẬT QUANG LÝ LỊCH TRÍCH NGANG Họ tên: HỒ NHẬT QUANG Ngày, tháng, năm sinh: 20/07/1997 Nơi sinh: Tiền Giang Địa liên lạc: 3/6 Lê Thị Hồng Gấm, Phường 6, Tp Mỹ Tho, Tỉnh Tiền Giang Điện thoại: 0834.699.997 Email: hnquang.sdh20@hcmut.edu.vn QUÁ TRÌNH ĐÀO TẠO 2015 – 2019: Học kỹ thuật XD dân dụng công nghiệp, Trường Đại học Bách Khoa Tp.HCM 2020 – 2022: Học viên cao học chuyên ngành Quản lý XD, Trường Đại học Bách Khoa Tp.HCM Q TRÌNH CƠNG TÁC 2020 – 2022: Kỹ sư thiết kế kết cấu Công ty Cổ phần XD Nền Tảng Vàng 83