СИСТЕМА АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ СИЗ НА ОСНОВЕ КОМПЬЮТЕРНОГО ЗРЕНИЯ

AUTOMATED PPE CONTROL SYSTEM BASED ON COMPUTER VISION

Yamangulova Diana Ilfatovna

Student, Department of Information Technologies, Branch of Ufa State Petroleum Technological University in Salavat,

Russia, Salavat

Khismatullina Elina Albertovna

Student, Department of Information Technologies, Branch of Ufa State Petroleum Technological University in Salavat,

Russia, Salavat

Zhusubekova Angelina Arturovna

Student, Department of Information Technologies, Branch of Ufa State Petroleum Technological University in Salavat,

Russia, Salavat

Pereverzeva Rita Radikovna

Scientific supervisor, Senior Lecturer, Department of Information Technologies, Branch of Ufa State Petroleum Technological University in Salavat,

Russia, Salavat

АННОТАЦИЯ

В статье рассматривается подход к автоматизации контроля использования средств индивидуальной защиты (СИЗ) на промышленных предприятиях с применением технологий компьютерного зрения. Особое внимание уделено реализации системы в среде Google Colab, что позволяет использовать вычислительные ресурсы GPU без необходимости развёртывания локальной инфраструктуры. Приводится архитектура разрабатываемой системы, включающая модули детекции объектов, анализа нарушений и интеграции с облачными хранилищами.

ABSTRACT

The article discusses an approach to automating the control of personal protective equipment (PPE) usage in industrial enterprises using computer vision technologies. Special attention is paid to the implementation of the system in the Google Colab environment, which allows using GPU computing resources without the need to deploy local infrastructure. The architecture of the developed system is presented, including modules for object detection, violation analysis, and integration with cloud storage.

Ключевые слова: компьютерное зрение; средства индивидуальной защиты; Google Colab; детекция объектов; нейронные сети; промышленная безопасность.

Keywords: computer vision; personal protective equipment; Google Colab; object detection; neural networks; industrial safety.

Контроль применения средств индивидуальной защиты (СИЗ) – важнейший элемент безопасности труда на промышленных предприятиях. В нефтегазовой, строительной, горно-металлургической и машиностроительной отраслях работники ежедневно подвергаются опасным факторам, и правильное использование СИЗ напрямую влияет на сохранение их здоровья и жизни [1]. Актуальность автоматизированного контроля подтверждается статистикой: в 2024 году на производстве пострадал 21,4 тыс. человек [1]. Среди ключевых причин травматизма – неудовлетворительная организация работ, нарушения технологии и дисциплины, недостатки в обучении по охране труда и, что особенно важно, неприменение СИЗ. Последний фактор прямо указывает на необходимость внедрения автоматизированных систем контроля.

Традиционные методы контроля техники безопасности (периодические обходы, визуальное наблюдение) имеют ограниченную зону охвата, субъективны, трудоемки и не обеспечивают непрерывность. Индустрия 4.0 требует автоматизированных систем с круглосуточным мониторингом, объективностью и высокой скоростью [2]. Методы глубокого обучения, в частности сверточные нейронные сети (СНС), эффективны в компьютерном зрении [3]. Архитектуры СНС автоматически извлекают признаки, исключая ручное проектирование. Среди моделей детекции объектов семейство YOLO (You Only Look Once) обеспечивает лучший баланс точности и скорости [4]. Версия YOLOv8 – современный одноэтапный детектор, эффективный в задачах промышленного контроля безопасности [5].

Для обучения модели использован открытый датасет Hard Hat Workers Dataset, доступный на платформе Kaggle [6]. Kaggle – крупнейшее онлайн-сообщество специалистов по данным и платформа, служащая гигантским репозиторием открытых датасетов. Hard Hat Workers Dataset – один из самых популярных датасетов для детекции средств индивидуальной защиты, специально созданный для распознавания нарушений техники безопасности на производственных площадках. Разные версии датасета содержат от 5 до 7 тысяч изображений, что достаточно для качественного обучения нейросетевых моделей. Датасет включает три класса объектов: каска (helmet), человек (person), голова без каски (head).

Практическая часть работы выполнена в среде Google Colab – облачном сервисе, предоставляющем бесплатный доступ к вычислительным ресурсам, включая графические процессоры (GPU), необходимые для обучения и работы нейросетевых моделей. Архитектура YOLOv8, использованная в разработанной системе, представляет собой сверточную нейронную сеть. Модель обучена детектировать наличие или отсутствие защитных касок на работниках в различных производственных условиях.

Разработка системы включала несколько последовательных этапов: подготовка данных, обучение нейросетевой модели и создание интерфейса для анализа изображений. На этапе подготовки данных исходные аннотации в формате PASCAL VOC были преобразованы в формат YOLO. Датасет был разделен на обучающую и валидационную выборки в соотношении 80/20. Обучающая выборка использовалась для подстройки весов нейронной сети, валидационная – для контроля качества обучения и предотвращения переобучения. Размер изображений приведён к единому формату 640×640 пикселей, что соответствует входным требованиям модели YOLOv8 [6].

Обучение проводилось на основе предобученной модели YOLOv8n, что позволило сократить время обучения и улучшить точность за счет трансферного обучения.

Разработанная система предоставляет пользователю возможность загружать изображения через встроенные средства Google Colab, выполнять их анализ и просматривать результаты детекции. Для каждого обнаруженного объекта выводится класс (каска, человек, голова без каски), уверенность детекции в процентах.

При тестировании системы на изображении производственного участка были получены следующие результаты. Система обнаружила 5 голов без защитных касок, а также 2 каски. Уверенность детекции голов без касок составила 0,89, 0,86 и 0,90, касок – 0,84 и 0,89. Таким образом, зафиксировано нарушение техники безопасности: 5 работников находятся без касок. Логика определения нарушений реализована следующим образом: если обнаружены головы без касок – фиксируется нарушение; если есть люди, но нет касок – фиксируется нарушение; если количество касок соответствует количеству людей или людей нет, но есть каски – нарушений нет. Скорость обработки одного изображения составляет 42,2 мс, что позволяет использовать систему в режиме, близком к реальному времени.

Рисунок 1. Тестирование

Разработанная система обеспечивает высокую точность детекции (до 94–97%), объективность и оперативность контроля, что подтверждает возможность её внедрения на промышленных предприятиях. Реализация в Google Colab делает систему доступной даже без мощного локального оборудования. Перспективы развития включают расширение перечня контролируемых СИЗ (защитные жилеты, перчатки, очки), интеграцию с системами видеонаблюдения для непрерывного мониторинга, добавление оповещений о нарушениях и адаптацию модели для работы на встраиваемых устройствах. Таким образом, созданная система является полноценным решением для автоматизации контроля безопасности труда на промышленных объектах.

Список литературы:

1. Федеральная служба государственной статистики. Состояние условий труда и компенсации на работах с вредными и (или) опасными условиями труда за 2024 год: статистический бюллетень. – Москва : Росстат, 2025. – URL: https://rosstat.gov.ru/folder/11110/document/13264 (дата обращения: 24.03.2026).
2. Шваб К. Четвертая промышленная революция / К. Шваб ; пер. с англ. – Москва : Эксмо, 2016. – 208 с.
3. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А.А. Слинкина. – 2-е изд. – Москва : ДМК Пресс, 2018. – 652 с.
4. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – Las Vegas, 2016. – P. 779–788.
5. Jocher G., Chaurasia A., Qiu J. Ultralytics YOLOv8 [Электронный ресурс] / GitHub. – 2023. – URL: https://github.com/ultralytics/ultralytics (дата обращения: 24.03.2026).
6. Hard Hat Detection Dataset [Электронный ресурс] / Kaggle. – 2020. – URL: https://www.kaggle.com/datasets/andrewmvd/hard-hat-detection (дата обращения: 24.03.2026).
7. Bisong E. Google Colaboratory // Building Machine Learning and Deep Learning Models on Google Cloud Platform. – Berkeley, CA : Apress, 2019. – P. 59–64.