| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Datorredzes balstīta individuālo aizsardzības līdzekļu noteikšanas sistēma, izmantojot neironu tīklus ar modeļa optimizācijas tehnikām |
| Nosaukums angļu valodā |
Vision-Based Personal Protective Equipment Detection System Using Neural Networks with Model Optimization Techniques |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Artjoms Supoņenkovs |
| Recenzents |
Evija Cibuļska |
| Anotācija |
Individuālo aizsardzības līdzekļu (IAL) lietošana ir kritiski svarīga darbinieku
drošībai rūpniecības objektos. IAL nav izmaksu ziņā efektīvi un tos var viegli ietekmēt
cilvēciskās kļūdas sarežģītās un liela mēroga objektos. Datorredzes sistēmas, kas
izmanto dziļās mācīšanās un objektu noteikšanas (OD) modeļus, var noteikt IAL
reāllaikā. Lielākā daļa pieejamās literatūras ir koncentrēta uz modeļu apmācību un
noteikšanas precizitāti. Tomēr modeļu optimizācija IAL noteikšanai rūpnieciskā
izvietošanā nav pietiekami aplūkota. Šajā bakalaura darbā tiek piedāvāta IAL
noteikšanas sistēma, kuras pamatā ir neironu tīkli un modeļu optimizācijas metodes.
SH17 datu kopa ir izvēlēta tās daudzveidības un piemērotības rūpnieciskās
drošības scenārijiem dēļ. Datu kopa ir apmācīta vairākām iepriekš apmācītām
arhitektūrām, tostarp YOLOv8n, YOLOv8s, YOLOv11s un SSD-MobileNetV2.
Modeļu veiktspēja tiek identificēta un analizēta, izmantojot novērtēšanas rādītājus.
YOLOv11s tiek izvēlēts pēc novērtēšanas un tālāk optimizēts, izmantojot dažādas datu
kopas līmeņa optimizācijas stratēģijas.
Divas optimizētas YOLOv11s variantes ir izstrādātas, izmantojot dažādas
klases filtrēšanas stratēģijas, lai ieviestu kombinētu jaunu arhitektūru IAL noteikšanai.
Pirmais optimizētais modelis nosaka ar cilvēku saistītas klases, savukārt otrais
optimizētais modelis tiek apmācīts, noņemot klases, kas nav saistītas ar individuālo
aizsardzības līdzekli (IAL) un ar ķermeni, piemēram, cilvēku, galvu, seju, rokas un
instrumentus, ļaujot modelim koncentrēties tikai uz IAL noteikšanu. 1. modelis
sasniedza 74% precizitāti, bet 2. modelis — 61%. Šī modulārā pieeja samazina
noteikšanas sarežģītību un uzlabo veiktspēju, salīdzinot ar viena modeļa pieeju.
Disertācija kopumā sastāv no 61 lappuses, ieskaitot 7 tabulas, 12 attēlus, 2
(Bochkovskiy & Wang, 2020) pielikumus un 25 atsauces. |
| Atslēgas vārdi |
IAL noteikšana, objektu noteikšana, YOLO, SSD-MobileNetV2, modeļa optimizācija |
| Atslēgas vārdi angļu valodā |
PPE Detection, Object Detection, YOLO, SSD-MobileNetV2, Model Optimization |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 17:46:08 |
