Safety Clothes Detection on Raspberry Pi 3 using yolo tiny

Thực hiện hệ thống giám sát trên thời gian thực để nhận diện bảo hộ lao động sử dụng raspberry pi 3, mô hình dectect là yolov3 tiny với độ chính xác trên 70%. Hệ thống phát hiện người không thực hiện bảo hộ lao động và phát ra cảnh báo qua loa

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN VIỄN THÔNG -o0o - BÁO CÁO BÀI TẬP LỚN HỆ THỐNG GIÁM SÁT ĐỒNG PHỤC BẢO HỘ LAO ĐỘNG SỬ DỤNG MƠ HÌNH MẠNG YOLO Giáo viên hướng dẫn Sinh viên thực MỤC LỤC CHƯƠNG GIỚI THIỆU HỆ THỐNG GIÁM SÁT ĐỒNG PHỤC BẢO HỘ LAO ĐỘNG 1.1 Tính cấp thiết đề tài 1.2 Tình hình nghiên cứu nước 1.3 Đối tượng phạm vi nghiên cứu 1.3.1 Đối tượng 1.3.2 Phạm vi nghiên cứu 1.4 Nhiệm vụ đề tài CHƯƠNG KIẾN TRÚC YOLO VÀ MẠNG YOLOV3 2.1 Mơ hình mạng YOLO 2.2 Kiến trúc YOLOV3 15 2.3 Kiến trúc YOLOv3 tiny 22 CHƯƠNG THIẾT LẬP VÀ KẾT NỐI RASPBERRY PI 24 3.1 Giới thiệu Raspberry Pi model B+ 24 3.2 Thiết lập kết nối RPI 27 3.2.1 Cài đặt hệ điều hành cho RPI 27 4.2.2 Kết nối với RPI 27 CHƯƠNG NHẬN DIỆN ĐỒNG PHỤC BẢO HỘ LAO ĐỘNG TRÊN RASPBERRY PI 29 4.1 Xây dựng tập liệu cho toán nhận diện đồ bảo hộ lao động 29 4.1.1 Xác định yêu cầu toán 29 4.1.2 Thu thập liệu gán nhãn 30 4.2 Huấn luyện mô hinh YOLO tiny Google Colab 31 4.3 Chương trình nhận diện đồng phục bảo hộ lao động camera Raspberry Pi 36 4.4 Thiết kế chương trình nhận diện cảnh báo Raspberry Pi 38 4.5 Nhúng mơ hình huấn luyện lên Raspberry Pi 39 CHƯƠNG ĐÁNH GIÁ MƠ HÌNH 40 VÀ KẾT QUẢ THỰC HIỆN 40 5.1 Đánh giá hệ thống huấn luyện 40 5.1.1 Các thông số đánh giá 40 5.1.2 Đánh giá hệ thống tập validation: 41 5.2 Khảo sát hệ thống thực tế 43 5.3 Ưu điểm, nhược điểm hệ thống 45 CHƯƠNG KẾT LUẬN VỀ KHẢ NĂNG THỰC HIỆN CỦA HỆ THỐNG VÀ HƯỚNG PHÁT TRIỂN 46 6.1 Kết luận 46 6.2 Hướng phát triển 47 TÀI LIỆU THAM KHẢO 48 CHƯƠNG GIỚI THIỆU HỆ THỐNG GIÁM SÁT ĐỒNG PHỤC BẢO HỘ LAO ĐỘNG Chương giới thiệu tính câp thiết đề tài, tình hình nghiên cứu ngồi nước lĩnh vực trí tuệ nhân tạo Từ đề mục tiêu, nhiệm vụ phạm vi nghiên cứu đề tài giám sát đồng phục bảo hộ lao động 1.1 Tính cấp thiết đề tài Hiện nay,trên giới nước xảy nhiều vụ tai nạn lao động Những cố sập tường, sập giàn giáo, giật điện… khiến số người chết bị thương gia tăng Trong đó, cơng trường xây dựng nơi có nhiều rủi ro như: Vật rơi từ cao xuống; Hóa chất hít vào gây ảnh hưởng đến da, đường hô hấp Những vật dụng sắc nhọn bị rơi mặt đất dẫm vào làm bị thương Nguồn điện rò rỉ gây giật điện,… Một số vụ tai nạn lao động Việt Nam: Bức tường cao 8m, dài 109 m bất ngờ bị sập, làm 10 người chết, 15 người bị thương cơng trình xây dựng Đồng Nai; Sập giàn giáo Hiệp Bình Chánh, Thủ Đức làm người bị thương nặng,… Hình 1.1 Hiện trường sập tường Trảng Bom,Đồng Nai[1] Hình 1.2 Hiện trường sập giàn giáo Hiệp Bình Chánh, Thủ Đức[2] Để hạn chế rủi ro trên, việc tuân thủ quy định an toàn lao động vấn đề quan trọng Đồ bảo hộ lao động giúp bảo vệ người lao động tránh tác nhân gây hại, cụ thể: Bảo vệ người lao động tránh bụi bẩn, dầu nhớt, chất thải môi trường tia UV,… Tránh vật nhọn va quẹt gây thương tích Bảo vệ phần đầu nón bảo hộ Bảo vệ đơi chân tránh đạp phải đinh, vật nặng rơi trúng giày bảo hộ Bảo vệ khí quản trang bảo hộ;… Tuy nhiên, số lượng người lao động công trường khoảng từ vài chục đến vài trăm người Việc kiểm soát mắt thường khó khăn khó kiểm sốt Do đó, cần hệ thống giám sát tự động để nhắc nhở, cảnh báo đến người lao động chưa tuân thủ quy định đồng phục bảo hộ lao động Ưu điểm hệ thống độ xác cao, khơng tốn nhân cơng hồn tồn tự động 1.2 Tình hình nghiên cứu ngồi nước Để thực hệ thống tự động nhận diện vật thể, nhóm chúng em lựa chọn phương pháp học sâu, cụ thể mạng nơ- ron tích chập Dưới tình hình nghiên cứu trí tuệ nhân tạo mạng nơ- ron tích chập giới Việt Nam Trên giới, Trí tuệ nhân tạo (Artificial Intelligence) ngày trở nên phổ biến với xuất cách mạng công nghiệp lần thứ diễn phạm vi toàn cầu Trí tuệ nhân tạo (AI), máy học (ML) hay học sâu (DL) ngày nghiên cứu hỗ trợ nhiều [1] Máy móc chưa thể thay người Tuy nhiên, ngấm vào sống người, ảnh hưởng đến cách sống, làm việc giải trí Từ trợ lý cá nhân hỗ trợ giọng nói Siri Alexa, cơng nghệ thuật tốn hành vi, tìm kiếm gợi ý phương tiện tự lái xe có khả dự đốn mạnh mẽ, độ xác cao Ngày nay, hệ thống sử dụng trí tuệ nhân tạo thực hệ thống tự học, cải thiện lần lặp lại khứ, ngày thông minh nhận thức rõ hơn, cho phép nâng cao khả kiến thức [3] Một số ứng dụng tiếng trí tuệ nhân tạo như: Siri: Được phát triển Apple, Siri trợ lý cá nhân quen thuộc nhiều người Cơ máy tính kích hoạt giọng nói thân thiện mà người dùng tương tác hàng ngày Cơ giúp tìm kiếm thơng tin, đường, thêm kiện vào lịch, giúp gửi tin nhắn,… Cô sử dụng công nghệ máy học để thơng minh dự đốn, hiểu câu hỏi yêu cầu ngôn ngữ tự nhiên tốt [3] Ơ tơ điện Tesla: Được sản xuất hãng xe Tesla, Mĩ Chiếc xe điện Tesla sở hữu khả trợ lái nâng cao với tính điều khiển xe đường, kiểm soát hành trình thích ứng, tự đỗ xe, giúp giảm đáng kể thao tác xử lí đường mà đảm bảo an tồn Tesla khơng ngừng phát triển kỹ Hãng thử nghiệm tính nhận diện đáp ứng biển báo giao thông [4] Trong việc hình thành tính này, trí tuệ nhân tạo sử dụng để đưa định dựa điều kiện đường xá xung quanh phương tiện chẳng hạn hướng di chuyển, điểm đến theo kế hoạch hành vi phương tiện giao thông khác vùng lân cận Dữ liệu camera xử lý cơng nghệ thị giác máy tính (là phần trí tuệ nhân tạo) cho phép xe hiểu “nhìn thấy” đưa phản ứng tương ứng[4] Mạng nơ- ron tích chập (CNN hay ConvNet) mạng nơ-ron phổ biến dùng cho liệu ảnh, bên cạnh lớp liên kết đầy đủ (Fully Connected), CNN với lớp ẩn đặc biệt giúp phát trích xuất đặc trưng xuất ảnh Chính tích chập làm CNN trở nên khác biệt so với mạng nơ-ron truyền thống hoạt động hiệu tốn phân tích ảnh CNN đước ứng dụng cho toán nhận diện gương mặt, nhận diện hành động, phân loại ảnh, dự đoán tư người,…[4] Trên giới, có nhiều cơng ty sản xuất hệ thống phát người lao động có mặc tiêu chuẩn an tồn lao động hay không Tại công ty Kapernikov, họ sản xuất hệ thống giám sát sử dụng deep learning để phát người xuất camera có đội mũ bảo hộ hay khơng [5] Hình 1.3 thể việc nhận diện hệ thống Hình 1.3 Canera giám sát, nhận diện người đội mũ bảo hộ Kapernikov [5] Tại Việt Nam, bối cảnh phát triển hội nhập quốc tế, với phát triển mạnh mẽ cách mạng công nghiệp 4.0, Việt Nam xác định tập trung phát triển cơng nghê trí tuệ nhân tạo, dự báo trở thành ngành công nghệ đột phá 10 năm tới.Nhiều cộng đồng AI hình thành.Các tập đoàn lớn FPT, Vingroup, CMC nghiên cứu, phát triển AI phục vụ sản phẩm khoa học công nghệ 1.3 Đối tượng phạm vi nghiên cứu 1.3.1 Đối tượng Đề tài nghiên cứu cấu trúc hoạt động CNN, mơ hình mạng YOLO ứng dụng mơ hình tốn giám sát bảo hộ lao động Tìm hiểu cách kết nối thực thi mơ hình Raspberry Pi Model B+, sử dụng Raspberry Pi hệ thống giám sát bảo hộ lao động 1.3.2 Phạm vi nghiên cứu Phạm vi nghiên cứu đề tài tiến hành thiết kế hệ thống giám sát việc thực bảo hộ lao động trực tiếp dùng hình ảnh thu từ camera Mơ hình nhận diện huấn luyện sử dụng framework có sẵn Tập liệu sử dụng để huấn luyện đánh giá mơ hình nhận diện người thực đề tài thu thập xử lí từ nguồn khác Các thiết bị bảo hộ hệ thống nhận diện bao gồm: mũ bảo hộ, áo bảo hộ trang 1.4 Nhiệm vụ đề tài Các công việc cần thực đề tài : • Tìm hiểu Deep Learning, thuật toán liên quan đến CNN tốn nhận dạng vật thể • Tìm hiểu sử dụng Raspberry tốn nhận dạng • Thiết kế hệ thống giám sát bảo hộ lao động • Đánh giá mơ hình, ưu nhược điểm mơ hình • Đưa phương pháp cải tiến kết luận CHƯƠNG KIẾN TRÚC YOLO VÀ MẠNG YOLOV3 2.1 Mơ hình mạng YOLO YOLO có nghĩa “bạn cần nhìn lần”, hệ thống phát đối tượng nhanh xác Hệ thống có mạng CNN, điều có nghĩa YOLO đề xuất bounding boxes class scores tương ứng cách đồng thời YOLO tạo từ việc kết hợp convolutional layers connected layers Trong convolutional layers trích xuất feature ảnh, cịn full-connected layers dự đốn xác suất tọa độ đối tượng Hình 2.1 Kiến trúc YOLO Đầu vào mơ hình ảnh, mơ hình nhận dạng ảnh có đối tượng hay khơng, sau xác định tọa độ đối tượng ảnh Ảnh đầu vào chia thành thành S×S thường 3×3, 7×7, 9×9 việc chia có ảnh hưởng tới việc mơ hình phát đối tượng, trình bày phần sau Hình 2.2 Nhận diện đối tượng YOLO Với Input ảnh, đầu mơ hình ma trận ba chiều có kích thước S×S×(5×N+M) với số lượng tham số (5×N+M) với N M số lượng Box Class mà ô cần dự đốn Ví dụ với hình ảnh chia thành 7×7 ơ, cần dự đóan bounding box object : chó, tơ, xe đạp output 7×7×13, có 13 tham số, kết trả (7×7×2=98) bounding box Chúng ta giải thích số (5×N+M) tính [6] Dự đoán bounding box gồm thành phần: (x, y, w, h, prediction) với (x, y ) tọa độ tâm bounding box, (w, h) chiều rộng chiều cao bounding box, prediction định nghĩa Pr(Object)∗ IOU(pred,truth).Với hình ảnh ta tính có 13 tham số, ta hiểu đơn giản sau tham số thứ có chứa đối tượng hay không P(Object), tham số 2, 3, 4, trả x, y ,w, h Box1 Tham số 6, 7, 8, 9, 10 tương tự Box2, tham số 11, 12, 13 xác suất có chứa object1( P(chó|object), object2(P(ơ tơ|object)), object3(P( xe đạp|object)) Lưu ý tâm bounding box nằm chứa đối tượng, cho dù đối tượng khác trả Vì việc mà ô chứa hay nhiều tâm bouding box hay đối tượng khơng thể detect được, hạn chế mơ hình YOLO1, ta cần phải 10 %cd /content/gdrive/My\ Drive/darknet !echo "wearning a hard hat" > yolo.names !echo "not wearing a hard hat" >> yolo.names !echo "wearing a safety vest" >> yolo.names !echo "not wearing a safety vest" >> yolo.names !echo "wearing a mask" >> yolo.names !echo "not wearing a mask" >> yolo.names Bước 6: Tạo hai tệp text, train.txt val.txt chứa đường dẫn đến hình ảnh train.txt dùng để huấn luyện val.txt dùng để validate mơ hình q trình huấn luyện Việc chia tập liệu thực ngẫu nhiên theo tỉ lệ 0.8:0,1 Việc chia thực chương trình Python %cd /content/gdrive/My\ Drive/darknet import glob2 import math import os import numpy as np files = [] for ext in ["*.png", "*.jpeg", "*.jpg"]: image_files = glob2.glob(os.path.join("data/", ext)) files += image_files nb_val = math.floor(len(files)*0.2) rand_idx = np.random.randint(0, len(files), nb_val) # Tạo file train.txt with open("train.txt", "w") as f: for idx in np.arange(len(files)): if (os.path.exists(files[idx][:-3] + "txt")): f.write(files[idx]+'\n') # Tạo file vali.txt with open("val.txt", "w") as f: for idx in np.arange(len(files)): 34 if (idx in rand_idx) and (os.path.exists(files[idx][:3] + "txt")): f.write(files[idx]+'\n') Bước 7: Tạo tập tin yolo.data chứa thông tin tên classes, train.txt val.txt %cd /content/gdrive/My\ Drive/darknet !mkdir backup !echo classes=6 > yolo.data # Sửa thành số class !echo train=train.txt >> yolo.data !echo valid=val.txt >> yolo.data !echo names=yolo.names >> yolo.data !echo backup=backup >> yolo.data Bước : Tải tệp tin trọng số cho lớp tích chập huấn luyện từ mạng Imagenet Sau chép tệp tin vừa tải vào thư mục darknet Tệp tin trọng số darknet53.conv.74 huấn luyện qua hàng triệu hình nên trọng số lớp tích chập tối ưu để trích xuất đặc trưng từ hình ảnh Do ta tái sử dụng trọng số lớp tích chập từ tệp tin trọng số huấn luyện trọng số lớp kết nối đầy đủ Bước Thực training, lần đầu thực dòng lệnh sau %cd /content/gdrive/My\ Drive/darknet !./darknet detector train yolo.data cfg/yolov3tiny.cfg darknet53.conv.74 -dont show -map Trong trình training, có cố bất ngờ gián đoạn, ta sử dụng file yolov3tiny_last.weights lưu lại mục backup để tiếp tục training mà không cần training lại từ đầu %cd /content/gdrive/My\ Drive/darknet !./darknet detector train yolo.data cfg/yolov3-tiny.cfg yolov3tiny_final.weights #-dont_show 35 4.3 Chương trình nhận diện đồng phục bảo hộ lao động camera Raspberry Pi Sau việc huấn luyện hoàn thành, ta dùng tệp tin trọng số để tiến hành nhận diện video camera Để làm điều ta viết chương trình Python có sơ đồ khối bên Hình 4.3 Sơ đồ khối chương trình Python để nhận dạng video camera Bước Chương trình lấy tên class đinh nghĩa sẵn tệp tin class.names, đồng thời đọc giá trị trọng số mơ hình tệp tin yolotiny_best.weights dựa thông số kiến trúc cài đặt tệp tin yolo-tiny.cfg 36 Hàm để đọc mơ hình DNN OpenCV cv2.dnn.readNet (weightsFile, configFile) với weightsFile tệp tin trọng số configFile tệp tin kiến trúc mạng Bước Sau ta dùng hàm đọc video OpenCV để đọc liệu từ module camera Đầu tiên ta khởi tạo đối tượng đại diện cho camera Sau ta đọc frame từ đối tượng vừa khởi tạo ret, image = vs.read() với image biến chứa frame, ret có giá trị True có frame đọc từ đầu vào False khơng có frame đọc từ đầu vào Bước Để tiến hành nhận dạng hình, ta dùng câu lệnh sau blob = cv2.dnn.blobFromImage(image, scale, (416, 416), (0, 0, 0), True, crop=False) net.setInput(blob) outs = net.forward(get_output_layers(net)) Dòng lênh resize hình kích thước (604, 604), camera quan sát thường có độ phân giải 2MP với kích thước khung hình 1920×1080 nên việc resize 416×416 không làm đặc trưng quan trọng cho phép giảm thiểu số lượng tính tốn để việc dự đốn hình nhanh tốn tài nguyên phần cứng Sau pixel hình trừ cho (0,0,0) chia cho scale swapRB=True hốn đổi vị trí hai kênh đỏ xanh dương tensor hình crop=False khơng crop hình sau resize Giả sử kênh màu đỏ hình sau resize có giá trị R, scale= σ, giá trị để trừ µred, giá trị kênh màu đỏ sau qua hàm blob là: R − red  (4.1) Kết hàm blob đưa vào đối tượng net đầu kết trình feed forward Bước Tại đầu outs có nhiều bounding box bị trùng lặp với vật thể class Do kết đầu cần phải qua giải thuật non-maximum suppression để lấy bounding box riêng biệt cho vật thể Về giải thuật non-maximum suppression hoạt động sau (a) Bắt đầu giải thuật có có hai mảng chiều A B với mảng A chứa bounding box cần xử lý, mảng B rỗng (b) Lấy bounding box có giá trị confidence lớn A đưa vào B loại bounding box khỏi 37 A (c) Với bounding box cịn lại A, tìm IOU với bounding box vừa đưa vào B Nếu IOU lớn ngưỡng nmsThreshold loại bounding xét khỏi A (d) Lặp lại bước (b) (c) khơng cịn bounding box A indices = cv2.dnn.NMSBoxes(boxes, confidences, confThreshold, nmsThreshold) Bước Vẽ bounding box vào frame xuất hình 4.4 Thiết kế chương trình nhận diện cảnh báo Raspberry Pi Hình 4.4 Lưu đồ giải thuật hệ thống nhận diện cảnh báo trang thiết bị bảo hộ lao động 38 Sau thực chương nhận diện trang thiết bị bảo hộ lao động, ta tiến hành nhúng mơ hình vào máy tính Raspberry Pi để tiến hành thực hệ thống: • Đầu tiên ta khởi tạo biến WARN = FALSE • Tiến hành thực chương trình nhận diện (detect) kiểm tra, hệ thống nhận diện (Yes) ta tiếp tục kiểm tra hệ thống nhận diện hay sai Ngược lại không nhận diện ta tiến hành quay lại chương trình ban đầu • Phần nhận diện (detect): Nếu phát mặc sai, ta tiếp tục kiểm tra biến WARN Nếu WARN = FALSE (Yes) => Thực cảnh báo set biến WARN = TRUE Mục đích việc set WARN = TRUE để hệ thống khơng cịn thông báo frame nhận diện mặc sai (tránh chồng chập tín phát cảnh báo loa) Quay lại chương trình ban đầu • Ở phần nhận diện mặc ta thực thông báo set WARN = TRUE tương tự bước quay lại ban đầu 4.5 Nhúng mơ hình huấn luyện lên Raspberry Pi Cần bước để thực hệ thông RPI, bao gồm: Bước 1: Tạo mơi trường ảo RPI, sau install thư viện cần thiết Môi trường ảo sử dụng để import phiên thư viện cần thiết mà không xung đột với phiên khác thiết bị.Các thư viện cần sử dụng TensorFlow, imutils, argparse, time, cv2, os Bước 2: Kết nối khởi động module Camera Pi Bước thực theo quy trình mục 3.2 Khi khởi động Camera Pi, cần tắt tác vụ khác mà camera thực lệnh : Sudo service motion restart Sudo service motin stop Để thực việc nhận diện realtime, thư viện imutils, ta sử dụng hàm VideoStream Bước 3: Thực chương trình với model huấn luyện Terminal 39 CHƯƠNG ĐÁNH GIÁ MƠ HÌNH VÀ KẾT QUẢ THỰC HIỆN Chương đưa kết thực hệ thống việc đánh giá, nêu ưu điểm, nhược điểm hệ thống thực 5.1 Đánh giá hệ thống huấn luyện 5.1.1 Các thông số đánh giá Precision thông số thể độ xác dự đốn Trong True Positive (TP) bounding box gán nhãn thực False Postitive (FP) bounding box gán nhãn không thực Presision tính cơng thức: 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 Recall thông số thể độ nhạy mơ hình với đối tượng cần nhận dạng True Positive (TP) bounding box gán nhãn cà thực False Negative (FN) bounding box gán nhãn không không gán nhãn thực Recall tính cơng thức: 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 40 Average precision (AP) thơng số tính cho class Giả sử có N ngưỡng để tính precision recall Pn, Rn, n = 1,2, N Average Precision tính cơng thức: 𝐴𝑃 = ∑(𝑅𝑛 − 𝑅𝑛−1 )𝑃𝑛 𝑛 Mean average precision trung bình average precision class: ∑𝑁 𝐴𝑃 𝑚𝐴𝑃 = 𝑁 F1- Score harmonic mean precision recall F1-score cao, phân lớp tốt 1 = + 𝐹1 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑅𝑒𝑐𝑎𝑙𝑙 5.1.2 Đánh giá hệ thống tập validation: Kết nhận diện tập validation vẽ lại trình huấn luyện mơ hình yolov3-tiny Do ta nhận thấy mAP trình training yolov3-tiny 72.0% 41 Hình 5.1 Đồ thị biểu diễn giá trị mAP loss qua epoch mô hình yolov3-tiny Sử dụng hàm tính map có sẵn Darknet để hiển thị thông số sử dụng file weights tốt mơ hình chọn để detect 856 ảnh tập validation ta kết quả: Đối với mơ hình Yolov3 tiny: 42 Từ kết nhận ta có bảng sau: Mơ hình TP FP FN Precision Recall F1-score Time Yolov3-tiny 8023 2621 3599 0,75 0,72 198s 0,69 Kết luận: Với thông số tính được, ta kết luận mơ hình yolov3-tiny có độ xác cao (>70%), độ nhạy tương đối lớn , thời gian thực thi nhanh xấp xỉ 0.23s tưng frame , phù hợp với viêc thực Raspberry Pi Do đó, nhóm chọn mơ hình yolov3-tiny để thực hệ thống giám sát 5.2 Khảo sát hệ thống thực tế Sau huấn luyện mơ hình nhận diện đồng phục lao động xây dựng giải thuật nhận diện RPI nhóm thực khảo sát mơ hình trường hợp thực tế Dưới hình ảnh minh họa kết thu thực phòng thí nghiệm Quan kết ta thấy mơ hình nhận diện trường hợp mặc đủ thiếu đồng phục bảo hộ lao động 43 Hình 5.2 Nhận diện đầy đủ đồng phục bảo hộ lao động Hình 5.3 Nhận diện thiếu nón bảo hộ Hình 5.4 Nhận diện thiếu trang áo bảo hộ 44 Hình 5.5 Nhận diện thiếu nón áo bảo hộ 5.3 Ưu điểm, nhược điểm hệ thống Ưu điểm: • Hệ thống thực tốt phần cứng Có thể thực thời gian dài • Độ xác cao >70% Thực nhận diện đồng thời cảnh báo loa • Xử lí nhanh ảnh Nhược điểm: • Camera Pi chịu ảnh hưởng tia hồng ngoại, chưa thu hình ảnh xác mơi trường ngồi trời, làm ảnh hưởng đến độ xác • Độ trễ thực realtime lớn (fps thấp) Việc chạy nhiều model song song cần nhiều tài nguyên máy tính Nên khơng thể thực máy tính nhúng có lượng RAM CPU hạn chế RPI 45 CHƯƠNG KẾT LUẬN VỀ KHẢ NĂNG THỰC HIỆN CỦA HỆ THỐNG VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Nhóm xây dựng thành cơng hệ thống giám sát đồng phục bảo hộ lao động sở Deep learning Hệ thống sử dụng kiến trúc YOLOv3-tiny để huấn luyện mơ hình dựa tập liệu thu thập trường hợp khác Sau thử nghiệm mơ hình thực tế rút kết luận sau: • Mơ hình có khả dự đốn tốt độ xác tương đối cao (trên 70%) Khoảng cách từ người đến camera gần độ xác cao • Mơ hình dùng để phát trường hợp sử dụng đầy đủ thiếu nón bảo hộ, áo bảo hộ trang Tuy nhiên khả nhận diện hạn chế, tùy thuộc vào góc quay, điều kiện ánh sáng tư chủ thể khung hình • Tốc độ xử lý phần cứng chậm, thực camera pi tốc độ frame/s 46 6.2 Hướng phát triển Mặc dù thuật toán nhận diện đồng phục bảo hộ lao động đạt độ xác tương đối cao, việc thực realtime chưa thực tốt Trong giới hạn mặt kiến thức thời gian thực hiện, đề tài tồn nhiều khuyết điểm Để phát triển đề tài này, chúng tơi có đề xuất sau: • Tăng số lượng ảnh tập liệu với nhiều trường hợp khác để mơ hình học đa dạng xác tình thực tế • Dùng kiến trúc mạng tích chập để tăng độ xác • Nâng cấp mơ hình để nhận dạng đầy đủ trang thiết bị bảo hộ lao động giày, găng tay • Thực hệ thống kết hợp xây dựng sở liệu việc mặc đồng phục bảo hộ lao động để thuận lợi cho việc quản lí Trên định hướng phát triển cho để tài hệ thống giám sát đồng phục bảo hộ lao động 47 TÀI LIỆU THAM KHẢO [1] Cát Tường- Tô Thế,(2020), “Tồn cảnh vụ sập cơng trình Đồng nai khiến 10 người thiệt mạng”, Báo Lao Động [2] TTXVN, (2019), “Tai nạn lao động cơng trình xây dựng, ba công nhân bị thương nặng”, Báo Điện tử Đảng Cộng Sản [3] R.L.Adams,( 2017), “10 Powerful Examples of Artificial Intelligence In Use Today”, Forbes [4] Aarian Marshall, ,”Tesla’s Favorite Autopilot Safety Stat Just Doesn’t Hold Up”, Wired [5] “Deep Learning see whether people wear their helmet”, Kapernikov.com [6] V Hoàng, “Tìm hiểu YOLO tốn real-time object detection”, AI Research Team of R&D Lab, 16 November 2019 [7] Vũ Hữu Tiệp,(2016), “Machine Learning bản”, Nhà xuất khoa học kỹ thuật [8] N T Tuấn, “Deeplearning bản”, 2019 [9] Hacker Noon, “Understanding YOLO”, Mauricio Menegaz, 17 March 2018 [10] P Đ Khánh, “YOLO You Only Look Once”, Bài 25 [11] Joseph Redmon, Ali Farhadi, “YOLOv3: An Incremental Improvement”, University of Washington 48 ... hình nhận diện trường hợp mặc đủ thiếu đồng phục bảo hộ lao động 43 Hình 5.2 Nhận diện đầy đủ đồng phục bảo hộ lao động Hình 5.3 Nhận diện thiếu nón bảo hộ Hình 5.4 Nhận diện thiếu trang áo bảo hộ. .. chương trình nhận diện cảnh báo Raspberry Pi Hình 4.4 Lưu đồ giải thuật hệ thống nhận diện cảnh báo trang thiết bị bảo hộ lao động 38 Sau thực chương nhận diện trang thiết bị bảo hộ lao động, ta... hoạt động CNN, mơ hình mạng YOLO ứng dụng mơ hình tốn giám sát bảo hộ lao động Tìm hiểu cách kết nối thực thi mơ hình Raspberry Pi Model B+, sử dụng Raspberry Pi hệ thống giám sát bảo hộ lao động