Geri Dön

Makine öğrenmesi ile iş sağlığı ve güvenliği uygulamaları

Occupational health and safety applications with machine learning

  1. Tez No: 832591
  2. Yazar: İLKAY GİRGİN
  3. Danışmanlar: DOÇ. DR. MEHMET SERDAR GÜZEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 48

Özet

Uluslararası Çalışma Örgütü (ILO)'nun yayınladığı son rapora göre yılda 374 milyon işçi ölümcül olmayan kazalara maruz kalırken, 2,78 milyon işçi ise hayatını kaybetmektedir. Yaşanan kazaların çoğu, insan hatası, eksik bilgi, eksik hazırlık, rahatsız ya da yorgun iken çalışma ve güvenlik prosedürlerinin tam olarak uygulanmamasından kaynaklanmaktadır. Son yıllarda çok önemli gelişmeler gösteren makine öğrenmesi çalışmalarının katkıları ile insan tarafından kolaylıkla tespit edilemeyecek işyeri güvenliği ihlallerini tespit edecek, raporlayacak, alarm üretip gerekli önlemleri alabilecek modeller eğitilerek bu alanlarda kullanılmakta, böylece yaralanma ve ölümlerin önüne geçilebilmektedir. Bu çalışmada iş sağlığı ve güvenliği alanında makine öğrenmesi uygulamaları ve çeşitleri ile kullanım alanları incelenmiş, kişisel koruyucu ekipman modellerinin eğitiminde kullanılan dört farklı özellikte veri seti seçilerek bu veri setleri üzerinde YOLOv5, YOLOv7 ve YOLOv8 mimarileri ile aktarımlı olarak eğitilen modeller karşılaştırmalı olarak incelenmiştir. Farklı veri setleri üzerinde YOLO mimarileri ile gerçekleştirilen eğitimler sonucunda YOLOv8 mimarisinin genel olarak YOLOv5 ve YOLOv7 mimarilerinden daha iyi sonuçlar verdiği, YOLOv7 modelinin ise yüksek çözünürlüklü görüntüler içeren veri setinde daha iyi sonuçlar verdiği tespit edilmiştir. Makine öğrenmesi modellerinin başarısını etkileyen en önemli etmenlerden olan hiper-parametrelerin, optimizasyon problemlerinin çözümünde etkili olarak kullanılan genetik algoritma kullanılarak YOLOv5 ve YOLOv7 mimarisinde CHV veri seti üzerinde optimize edilmiş ve YOLOv5 için standart hiper-parametrelere göre insan tespitinde mAP doğruluk değeri %96.3'ten %97.4'e, precision değeri % 92.1'den %92.6'ya ve YOLOv7 için AP ortalama doğruluk değeri %93.4'ten %96.3'e, F1-Skor değerinin %90'dan %94'e yükseltilmiş ve tüm değerlerde ortalama %3.34 daha başarılı sonuçlar elde edilmiştir.

Özet (Çeviri)

According to the latest report published by the International Labor Organization (ILO), 374 million workers are exposed to non-fatal accidents, while 2.78 million workers die annually. Most of the accidents are caused by human error, lack of experience, incomplete preparation, working while feeling uncomfortable or tired and failure to fully implement safety procedures. With the contributions of machine learning studies, which have shown very important developments in recent years, injuries and deaths can be prevented by training models that can detect and report workplace safety violations that cannot be easily detected by humans, generate alarms and take the necessary precautions. In this study, machine learning applications and types and usage areas in the field of occupational health and safety were examined, four personal protective equipment datasets with different features selected and models trained on these datasets with YOLOv5, YOLOv7 and YOLOv8 architectures and results are compared. As a result of the trainings carried out with YOLO architectures on different datasets, it was determined that YOLOv8 architecture generally gave better results than YOLOv5 and YOLOv7 architectures, while the YOLOv7 model gave better results in the dataset containing high resolution images. Hyper-parameters, which are one of the most important factors affecting the success of machine learning models, were optimized on the CHV data set in YOLOv5 and YOLOv7 architectures by using the genetic algorithm used effectively in the solution of optimization problems, for YOLOv5 person detection mAP value changed from %96.3 to %97.4, precision value changed from %92.1 to %92.6 and for the YOLOv7 the average accuracy value of mAP was changed from 93.4% to 96.3%, F1-Score value was increased from 90% to 94% and average 3.34% more successful results were obtained in all values than standard hyper-parameters.

Benzer Tezler

  1. Development of a machine learning prediction model for construction safety management

    İnşaat iş güvenliği yönetimi için makine öğrenmesine dayalı tahmin modeli geliştirilmesi

    KERİM KOÇ

    Doktora

    İngilizce

    İngilizce

    2022

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ASLI PELİN GÜRGÜN

  2. Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers

    ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti

    MEHMET ALPEREN BAKICI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  3. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  4. Okul yöneticilerinin iş sağlığı ve güvenliği çalışmaları ve karşılaştıkları sorunlar

    School admministrators' occupational health and safety practies in schools and the problems that they face

    NURAY KÖK SEVDALI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Eğitim ve ÖğretimKastamonu Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. MUAMMER ERGÜN

  5. Çimento sektöründe çalışanların işçi sağlığı ve iş güvenliği açısından yaşadıkları risk faktörleri

    The health and safety risk factors that face cement sector workers

    MUSTAFA YAKAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Çalışma Ekonomisi ve Endüstri İlişkileriCumhuriyet Üniversitesi

    Çalışma Ekonomisi ve Endüstri İlişkileri Ana Bilim Dalı

    Y.DOÇ.DR. MEHMET ASLAN