Affiliation:
1. NIGDE OMER HALISDEMIR UNIVERSITY, FACULTY OF ENGINEERING
2. Kayseri University
3. ERCİYES ÜNİVERSİTESİ
Abstract
İnsan yaşamını önceleyen sistemlerin yaygınlaşması toplumlara bütüncül fayda sağlamaktadır. Solunum yoluyla bulaşıcı hastalıklardan sakınmak için ağız-burun maskesi takmanın Covid-19 pandemisi ile zorunlu olduğu gibi yapı inşaatında çalışan işçilerin de kafa kaskı takması zorunludur. İnşaat alanlarında çalışan işçilerin kaskını takıp takmadığının kontrolünü göz ile yapmak yorucu ve hataya açıktır. Yapay zekâ tabanlı bilgisayar teknolojilerinin geliştiği bu çağda hayatımızı her anlamda kolaylaştıran sistemlerin varlığı ümit vaat etmektedir. Görüntü verisinin anlamlandığı ESA (evrişimli sinir ağı) tabanlı derin öğrenme ile kask takma kontrolünün otomatik yapılması bu çalışmada önerilmiştir. Ayrıca bir makine öğrenmesi tekniği olan transfer öğrenmenin kısıtlı veri setiyle YOLO V4, V5 ve Faster CNN modellerini eğitmedeki avantajları sunulmuştur. Deneylerde transfer öğrenme uygulanmayan eğitimlere de yer verilerek yöntemin etkinliği incelenmiştir. 6 farklı model eğitiminde transfer öğrenmeli YOLO V5 modelinin %98 ile en yüksek doğrulukta sonuçlar ürettiği gözlemlenmiştir.
Publisher
Omer Halisdemir Universitesi
Subject
General Economics, Econometrics and Finance
Reference74 articles.
1. X. Chang and X. M. Liu, Fault tree analysis of unreasonably wearing helmets for builders, Journal of Jilin Jianzhu University, 35, 67–71, 2018.
2. L. Perezand J. Wang, The effectiveness of data augmentation in image classification using deep learning, arXiv, 2017. https://doi.org/10.48550/ARXIV.1712.04621.
3. Sorin, V., Barash, Y., Konen, E., & Klang, E. (2020). Deep-learning natural language processing for oncological applications. The Lancet Oncology, 21 (12), 1553-1556.
4. Bae, H. S., Lee, H. J., & Lee, S. G. (2016, June). Voice recognition based on adaptive MFCC and deep learning. In 2016 IEEE 11th Conference on Industrial Electronics and Applications (ICIEA) (pp. 1542-1546). IEEE.
5. Yuan, Z., Lu, Y., Wang, Z., & Xue, Y. (2014, August). Droid-sec: deeplearning in android malware detection. In Proceedings of the 2014 ACM conference on SIGCOMM (pp. 371-372).