Makine öğrenmesi ile iş sağlığı ve güvenliği uygulamaları
Occupational health and safety applications with machine learning
- Tez No: 832591
- Danışmanlar: DOÇ. DR. MEHMET SERDAR GÜZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Endüstri 4.0 teknolojilerinin ve güncel yenilikçi yaklaşımların inşaat sektörüne adaptasyonu ile isg problemlerinin çözümüne yönelik kavramsal bir model
A conceptual model towards solution of ohs problems through adaptation of industry 4.0 technologies and contemporary ia to the construction industry
NUR EFŞAN ERUSTA
Doktora
Türkçe
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. BEGÜM SERTYEŞİLIŞIK
- 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
2022
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ASLI PELİN GÜRGÜN
- 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
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Kuraklık, gıda ve su güvenliği için uydu verilerini kullanan akıllı tarım veri analizi yaklaşımı
Smart agriculture data analysis approach for drought, food and water security using satellite data
SERHAT ATAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK