Key points are not available for this paper at this time.
Les accidents du travail continuent de poser des risques importants pour la sécurité humaine, en particulier dans des industries telles que la construction et la fabrication, et la nécessité de respecter efficacement les équipements de protection individuelle (EPI) est devenue de plus en plus primordiale. Notre recherche se concentre sur le développement de techniques non invasives basées sur la détection d'objets (OD) et les réseaux de neurones convolutionnels (CNN) pour détecter et vérifier l'utilisation appropriée de divers types d'EPI tels que les casques, les lunettes de sécurité, les masques et les vêtements de protection. Cette étude propose l'ensemble de données SH17, composé de 8 099 images annotées contenant 75 994 instances de 17 classes collectées dans divers environnements industriels, pour entraîner et valider les modèles OD. Nous avons entraîné des modèles OD de pointe pour le benchmarking, et les résultats initiaux montrent des niveaux de précision prometteurs avec la variante du modèle You Only Look Once (YOLO)v9-e dépassant 70,9 % dans la détection des EPI. La performance de la validation du modèle sur des ensembles de données inter-domaines suggère que l'intégration de ces technologies peut améliorer considérablement les systèmes de gestion de la sécurité, fournissant une solution évolutive et efficace pour les industries cherchant à respecter les réglementations de sécurité humaine et à protéger leur main-d'œuvre. L'ensemble de données est disponible sur https://github.com/ahmadmughees/sh17dataset.
Ahmad et al. (Ven,) ont étudié cette question.