การศึกษาการตรวจจับหมวกนิรภัยของผู้ปฏิบัติงานโดยใช้ YOLO บนแพลตฟอร์ม GPU และ CPU
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มุ่งเน้นการเพิ่มความปลอดภัยในสถานที่ทำงานโดยการตรวจจับการสวมหมวกนิรภัยของผู้ปฏิบัติงานผ่านการบูรณาการปัญญาประดิษฐ์เข้ากับระบบโทรทัศน์วงจรปิด ผ่านกระบวนการตรวจจับวัตถุด้วยชุดแบบจำลองตระกูล YOLO (You Only Look Once) โดยงานวิจัยนี้ได้ประเมินประสิทธิภาพของแบบจำลองเวอร์ชันล่าสุด ได้แก่ YOLOv10 และ YOLOv11 บนแพลตฟอร์มทั้ง CPU และ GPU โดยพิจารณาทั้งในด้านความแม่นยำในการตรวจจับและความเร็วในการประมวลผล จากแบบจำลองที่ทดสอบ พบว่า แบบจำลองสามารถประมวลผลได้สูงสุดถึง 454.52 เฟรมต่อวินาที บน GPU และ 34.01 เฟรมต่อวินาที บน CPU ซึ่งแสดงให้เห็นถึงความเหมาะสมในการใช้งานร่วมกับระบบโทรทัศน์วงจรปิดแบบเรียลไทม์ ในด้านความแม่นยำ YOLOv11n ให้ค่าความแม่นยำเฉลี่ย (mAP@50) เท่ากับ 98.3% สำหรับการตรวจจับหมวกนิรภัย และ 96.6% สำหรับการตรวจจับศีรษะ รวมถึงแสดงให้เห็นถึงประสิทธิภาพในการจำแนกประเภท โดยมีค่าความแม่นยำ (Precision) และค่าการเรียกคืน (Recall) เท่ากับ 85.76% และ 96.98% สำหรับคลาสศีรษะ และ 93.02% และ 96.56% สำหรับคลาสหมวกนิรภัย ตามลำดับ ผลการทดลองยืนยันถึงประสิทธิภาพและความสมดุลของแบบจำลองในการจำแนกระหว่างผู้ที่สวมและไม่สวมหมวกนิรภัย ซึ่งสนับสนุนศักยภาพของแบบจำลองนี้ในการนำไปประยุกต์ใช้จริงกับระบบตรวจสอบความปลอดภัยที่มีต้นทุนต่ำและมีประสิทธิภาพ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
CBC News, “Surveyor killed in Quebec road construction accident,” http://www.cbc.ca/news/canada/story/2011/09/02/worker-death-chateauguay.html, accessed Aug. 3, 2013.
CBC News, “3 most dangerous job sectors in Canada,” http://www.cbc.ca/news/canada/story/2012/04/25/f-dangerous-jobs.html, accessed Aug. 3, 2013.
A. Voulodimos, N. Doulamis, A. Doulamis, and E. Protopapadakis, “Deep learning for computer vision: A brief review,” Computational Intelligence and Neuroscience, vol. 2018, no. 1, 2018, doi: 10.1155/2018/7068349.
M. W. Park, N. Elsafty, and Z. Zhu, “Hardhat-wearing detection for enhancing on-site safety of construction workers,” J. Constr. Eng. Manag., vol. 141, no. 9, p. 04015024, 2015, doi: 10.1061/(ASCE)CO.1943-7862.0001005.
E. Wanlin, Z. Yang, and J. Yu, “Detection and recognition of personal protection equipment wearing based on an improved YOLOv5 algorithm,” in Proc. 2023 4th Int. Symp. Comput. Eng. Intell. Commun. (ISCEIC), Aug. 2023, pp. 229–232, doi: 10.1109/ISCEIC57870.2023.10291814.
S. Chen et al., “Detection of safety helmet wearing based on improved faster R-CNN,” in Proc. 2020 Int. Joint Conf. Neural Networks (IJCNN), Jul. 2020, pp. 1–7, doi: 10.1109/IJCNN48605.2020.9206847.
J. Hu, X. Gao, H. Wu, and S. Gao, “Detection of workers without helmets in videos based on YOLO V3,” in Proc. 2019 12th Int. Congr. Image Signal Process., Biomed. Eng. Inform. (CISP-BMEI), Oct. 2019, pp. 1–4, doi: 10.1109/CISP-BMEI48228.2019.8965602.
M. Tan, R. Pang, and Q. V. Le, “EfficientDet: Scalable and efficient object detection,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., 2020, pp. 10781–10790, doi: 10.1109/CVPR42600.2020.01079.
E. Rohadi et al., “Internet of Things: CCTV monitoring by using Raspberry Pi,” in Proc. 2018 Int. Conf. Appl. Sci. Technol. (iCAST), Oct. 2018, pp. 454–457, doi: 10.1109/iCAST.2018.8751583.
A. Kurniawan, A. Ramadlan, and E. M. Yuniarno, “Speed monitoring for multiple vehicle using closed circuit television (CCTV) camera,” in Proc. 2018 Int. Conf. Comput. Eng. Netw. Intell. Multimedia (CENIM), Nov. 2018, pp. 88–93, doi: 10.1109/CENIM.2018.8751039.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., Jun. 2016, pp. 779–788, doi: 10.1109/CVPR.2016.91.
N. Jegham, C. Y. Koh, M. Abdelatti, and A. Hendawi, “Evaluating the evolution of YOLO (You Only Look Once) models: A comprehensive benchmark study of YOLO11 and its predecessors,” arXiv preprint arXiv:2411.00201, 2024.
S. Visa, B. Ramsay, A. L. Ralescu, and E. Van Der Knaap, “Confusion matrix-based feature selection,” Maics, vol. 710, no. 1, pp. 120–127, 2011.
A. Subasi, Practical Machine Learning for Data Analysis Using Python. Academic Press, 2020.
Steadman, P., Jenkins, P., Rathore, R. S., & Hewage, C. (2024, July). Challenges in Implementing Artificial Intelligence on the Raspberry Pi 4, 5 and 5 with AI HAT. In The International Conference on Computing, Communication, Cybersecurity & AI (pp. 147-157). Cham: Springer Nature Switzerland.
Roboflow, “Hard Hat Workers Dataset,” Accessed: Dec. 24, 2024. [Online]. Available: https://public.roboflow.ai/object-detection/hard-hat-workers
E. Bisong, “Google Colaboratory,” in Building Machine Learning and Deep Learning Models on Google Cloud Platform, 1st ed. Berkeley, CA, USA: Apress, 2019, pp. 59–64, doi: 10.1007/978-1-4842-4470-8_7.
NVIDIA, “GPU positioning for virtualized compute and graphics workloads,” Accessed: Dec. 24, 2024. [Online]. Available: https://images.nvidia.com/data-center/technical-brief-gpu-positioning-virtualized-compute-and-graphics-workloads.pdf
Intel, “Measuring processor power: TDP vs. ACP whitepaper,” Accessed: Dec. 24, 2024. [Online]. Available: https://www.intel.com/content/dam/doc/white-paper/resources-xeon-measuring-processor-power-paper.pdf
AMD, “5th Gen AMD EPYC processor architecture whitepaper,” Accessed: Dec. 24, 2024. [Online]. Available: https://www.amd.com/content/dam/amd/en/documents/epyc-business-docs/white-papers/5th-gen-amd-epyc-processor-architecture-white-paper.pdf
Ultralytics. (2024, September 30). YOLOv11 models. Ultralytics Documentation. Retrieved May 19, 2025, from https://docs.ultralytics.com/models/yolo11/
