View in EDS PDF Full Text

Hacia una detección precisa de cascos de seguridad en tiempo real a través de un método basado en el aprendizaje profundo.

Saved in:
Bibliographic Details
Title: Hacia una detección precisa de cascos de seguridad en tiempo real a través de un método basado en el aprendizaje profundo.
Alternate Title: Towards real-time accurate safety helmets detection through a deep learning-based method.
Authors: Calle Quispe, Roger Max1 roger.calle01@gmail.com, Aghaei Gavari, Maya2 maya.aghaei.gavari@nhlstenden.com, Aguilar Torres, Eduardo1 eduardo.aguilar@ucn.cl
Source: INGENIARE - Revista Chilena de Ingeniería. 2023, Vol. 31, p1-17. 17p.
Subjects: Safety hats, Industrial safety, Deep learning, Head injuries, Personal protective equipment, Databases
Abstract (English): Occupational safety is a fundamental activity in industries and revolves around the management of the necessary controls that must be present to mitigate occupational risks. These controls include verifying the use of Personal Protection Equipment (PPE). Within PPE, safety helmets are vital to reducing severe or fatal consequences caused by head injuries. This problem has been addressed recently by various research based on deep learning to detect the usage of safety helmets by the present people in the industrial field. These works have achieved promising results for safety helmet detection using object detection methods from the YOLO family. In this work, we propose to analyze the performance of Scaled-YOLOv4, a novel model of the YOLO family that has yet to be previously studied for this problem. The performance of the Scaled-YOLOv4 is evaluated on two public databases, carefully selected among the previously proposed datasets for the occupational safety framework. We demonstrate the superiority of Scaled-YOLOv4 in terms of mAP and F1-score concerning the previous works for both databases. Further, we summarize the currently available datasets for safety helmet detection purposes and discuss their suitability. [ABSTRACT FROM AUTHOR]
Abstract (Spanish): La seguridad laboral en la industria es una actividad fundamental debido a la gestión de los controles necesarios que deben estar presentes para mitigar los riesgos laborales y las consecuencias de los accidentes. En estos controles se incluye la verificación del uso de equipamiento de protección personal (EPP), en especial el uso de cascos de seguridad, que tiene vital importancia para reducir consecuencias graves o fatales causados por impactos en la cabeza. Últimamente se han desarrollado investigaciones basadas en el aprendizaje profundo que detectan personas con o sin cascos de seguridad. En estas se ha evidenciado una mejora significativa para el problema de detección de objetos en general y para cascos en particular, por medio de métodos basados en la familia YOLO. En este trabajo, se propone contribuir principalmente en analizar el rendimiento de un novedoso modelo de la familia YOLO que no ha sido evaluado anteriormente en este problema. Específicamente, se evalúa el rendimiento de Scaled-YOLOv4 sobre dos bases de datos públicas, las cuales se seleccionaron luego de una revisión exhaustiva de la literatura sobre conjuntos de datos propuestos para resolver distintos problemas de detección de objetos en el marco de la seguridad laboral. Como resultado se evidencia que Scaled-YOLOv4 logra mejorar el desempeño en términos de mAP y F1-score con respecto a los trabajos previos evaluados en ambas bases de datos. Además, a partir de esta revisión, se genera y se pone a disposición una lista depurada de bases de datos públicas para este propósito. [ABSTRACT FROM AUTHOR]
Copyright of INGENIARE - Revista Chilena de Ingeniería is the property of Universidad de Tarapaca and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
Database: Engineering Source
FullText Links:
  – Type: pdflink
Text:
  Availability: 0
Header DbId: egs
DbLabel: Engineering Source
An: 178269973
AccessLevel: 6
PubType: Academic Journal
PubTypeId: academicJournal
PreciseRelevancyScore: 0
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: Hacia una detección precisa de cascos de seguridad en tiempo real a través de un método basado en el aprendizaje profundo.
– Name: TitleAlt
  Label: Alternate Title
  Group: TiAlt
  Data: Towards real-time accurate safety helmets detection through a deep learning-based method.
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Calle+Quispe%2C+Roger+Max%22">Calle Quispe, Roger Max</searchLink><relatesTo>1</relatesTo><i> roger.calle01@gmail.com</i><br /><searchLink fieldCode="AR" term="%22Aghaei+Gavari%2C+Maya%22">Aghaei Gavari, Maya</searchLink><relatesTo>2</relatesTo><i> maya.aghaei.gavari@nhlstenden.com</i><br /><searchLink fieldCode="AR" term="%22Aguilar+Torres%2C+Eduardo%22">Aguilar Torres, Eduardo</searchLink><relatesTo>1</relatesTo><i> eduardo.aguilar@ucn.cl</i>
– Name: TitleSource
  Label: Source
  Group: Src
  Data: <searchLink fieldCode="JN" term="%22INGENIARE+-+Revista+Chilena+de+Ingeniería%22">INGENIARE - Revista Chilena de Ingeniería</searchLink>. 2023, Vol. 31, p1-17. 17p.
– Name: Subject
  Label: Subjects
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22Safety+hats%22">Safety hats</searchLink><br /><searchLink fieldCode="DE" term="%22Industrial+safety%22">Industrial safety</searchLink><br /><searchLink fieldCode="DE" term="%22Deep+learning%22">Deep learning</searchLink><br /><searchLink fieldCode="DE" term="%22Head+injuries%22">Head injuries</searchLink><br /><searchLink fieldCode="DE" term="%22Personal+protective+equipment%22">Personal protective equipment</searchLink><br /><searchLink fieldCode="DE" term="%22Databases%22">Databases</searchLink>
– Name: Abstract
  Label: Abstract (English)
  Group: Ab
  Data: Occupational safety is a fundamental activity in industries and revolves around the management of the necessary controls that must be present to mitigate occupational risks. These controls include verifying the use of Personal Protection Equipment (PPE). Within PPE, safety helmets are vital to reducing severe or fatal consequences caused by head injuries. This problem has been addressed recently by various research based on deep learning to detect the usage of safety helmets by the present people in the industrial field. These works have achieved promising results for safety helmet detection using object detection methods from the YOLO family. In this work, we propose to analyze the performance of Scaled-YOLOv4, a novel model of the YOLO family that has yet to be previously studied for this problem. The performance of the Scaled-YOLOv4 is evaluated on two public databases, carefully selected among the previously proposed datasets for the occupational safety framework. We demonstrate the superiority of Scaled-YOLOv4 in terms of mAP and F1-score concerning the previous works for both databases. Further, we summarize the currently available datasets for safety helmet detection purposes and discuss their suitability. [ABSTRACT FROM AUTHOR]
– Name: Abstract
  Label: Abstract (Spanish)
  Group: Ab
  Data: La seguridad laboral en la industria es una actividad fundamental debido a la gestión de los controles necesarios que deben estar presentes para mitigar los riesgos laborales y las consecuencias de los accidentes. En estos controles se incluye la verificación del uso de equipamiento de protección personal (EPP), en especial el uso de cascos de seguridad, que tiene vital importancia para reducir consecuencias graves o fatales causados por impactos en la cabeza. Últimamente se han desarrollado investigaciones basadas en el aprendizaje profundo que detectan personas con o sin cascos de seguridad. En estas se ha evidenciado una mejora significativa para el problema de detección de objetos en general y para cascos en particular, por medio de métodos basados en la familia YOLO. En este trabajo, se propone contribuir principalmente en analizar el rendimiento de un novedoso modelo de la familia YOLO que no ha sido evaluado anteriormente en este problema. Específicamente, se evalúa el rendimiento de Scaled-YOLOv4 sobre dos bases de datos públicas, las cuales se seleccionaron luego de una revisión exhaustiva de la literatura sobre conjuntos de datos propuestos para resolver distintos problemas de detección de objetos en el marco de la seguridad laboral. Como resultado se evidencia que Scaled-YOLOv4 logra mejorar el desempeño en términos de mAP y F1-score con respecto a los trabajos previos evaluados en ambas bases de datos. Además, a partir de esta revisión, se genera y se pone a disposición una lista depurada de bases de datos públicas para este propósito. [ABSTRACT FROM AUTHOR]
– Name: AbstractSuppliedCopyright
  Label:
  Group: Ab
  Data: <i>Copyright of INGENIARE - Revista Chilena de Ingeniería is the property of Universidad de Tarapaca and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.)
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=egs&AN=178269973
RecordInfo BibRecord:
  BibEntity:
    Languages:
      – Code: spa
        Text: Spanish
    PhysicalDescription:
      Pagination:
        PageCount: 17
        StartPage: 1
    Subjects:
      – SubjectFull: Safety hats
        Type: general
      – SubjectFull: Industrial safety
        Type: general
      – SubjectFull: Deep learning
        Type: general
      – SubjectFull: Head injuries
        Type: general
      – SubjectFull: Personal protective equipment
        Type: general
      – SubjectFull: Databases
        Type: general
    Titles:
      – TitleFull: Hacia una detección precisa de cascos de seguridad en tiempo real a través de un método basado en el aprendizaje profundo.
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Calle Quispe, Roger Max
      – PersonEntity:
          Name:
            NameFull: Aghaei Gavari, Maya
      – PersonEntity:
          Name:
            NameFull: Aguilar Torres, Eduardo
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 01
              M: 01
              Text: 2023
              Type: published
              Y: 2023
          Identifiers:
            – Type: issn-print
              Value: 07183291
          Numbering:
            – Type: volume
              Value: 31
          Titles:
            – TitleFull: INGENIARE - Revista Chilena de Ingeniería
              Type: main
ResultId 1