CC BY
4
УДК 331.453
ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ В ОПАСНЫХ ЗОНАХ АПК В УСЛОВИЯХ ПОЛЕВЫХ РАБОТ
М.О. Быков, аспирант 3 года обучения Е.В. Яковлева, кандидат сельскохозяйственных наук, доцент заведующая кафедрой Техносферная безопасность Машкарина А.В., магистрант 2 года обучения E-mail: [email protected] Орловский государственный аграрный университет имени Н.В. Парахина
EVALUATION OF THE EFFICIENCY OF SOFTWARE FOR OBJECT RECOGNITION IN HAZARDOUS ZONES OF THE AGRICULTURAL COMPLEX UNDER FIELD WORKS
M.O. Bykov, 3-year postgraduate student E.V. Yakovleva, Candidate of Agricultural Sciences, Associate Professor Head of the Technosphere Safety Department Mashkarina A.V., Master's student 2 years of study Oryol State Agrarian University named after N.V. Parakhin
Аннотация: охрана труда в агропромышленном комплексе - задача сложная и всегда актуальная. В результате исследований, выяснилось, что максимальный уровень травматизма из года в год демонстрируют однолетнее растениеводство и животноводство. Данные результаты можно связать с факторами, присущими данным видам работ: использование габаритной техники; тяжелого и специфического инструмента и оснастки; специфика полевых работ и работ в условиях сложных погодных условиях. Помимо вышеуказанных факторов, важным и существенным аспектом является фактор человеческий.
Ключевые слова: охрана труда, автоматизация, опасные зоны, полевые работы, безопасность, компьютерное зрение, программное обеспечение, нейросети.
Abstract: Labor protection in the agro-industrial complex is a complex and always relevant task. As a result of the research, it turned out that the maximum level of injuries from year to year is demonstrated by annual crop production and animal husbandry. These results can be associated with the factors inherent in these types of work: the use of oversized equipment; heavy and specific tools and equipment; specificity of field work and work in difficult weather conditions. In addition to the above factors, an important and essential aspect is the human factor.
Keywords: labor protection, automation, hazardous areas, field work, safety, computer vision, software, neural networks.
Введение. В мероприятиях по охране труда и при контроле опасных зон, человеческий фактор способствует более халатному отношению к требованиям правил безопасности, а также снижает эффективность контроля работ в потенциально травмоопасных (далее по тексту - опасных) зонах агропромышленного комплексах [1]. В этой связи было принято решение о разработке программного обеспечения, осуществляющего автоматизированный мониторинг опасных зон АПК [2,3].
Цель исследований заключается в разработке программного продукта для обеспечения обнаружения и распознавания объектов в опасных зонах АПК, улучшение объективного контроля опасных зон агропромышленного комплекса
Задачи, решаемые в ходе исследований:
• Провести исследование и классификацию потенциально травмоопасных зон и объектов в АПК, а также установить причины опасности;
• Разработать систему мониторинга опасных зон, применяя свободно-распространяемые программные решения на базе искусственного интеллекта, и выявления объектов для обеспечения обнаружения и распознавания объектов в опасных зонах АПК, позволяющую путем управляющих сигналов в автоматическом режиме путем остановки или отключения агрегатов в опасной зоне снизить количество несчастных случаев;
Разрабатываемая система представляет собой совокупность программного обеспечения, системы видеонаблюдения, а также средств сигнализации и останова. Основой программного обеспечения является предобученная нейронная сеть, используемая для распознавания человеческого силуэта, а также его частей внутри опасной зоны. Интеграция подобной системы имеет некоторые специфические требования: автономность и высокая степень защиты от внешних воздействий для системы видеокамер; устойчивость к перепадам температур, тряске. Важной задачей программного обеспечения является устойчивое распознавание образов в опасной зоне при наличии осложняющих факторов в видеопотоке: низкая освещенность, запыленность и, следовательно, размытие объекта в кадре; тряска; блики на стеклах кабины с/х техники, углы обзора камеры и
8
т.д [4]. Система подразумевает установку камер видеонаблюдения и вычислительных блоков как внутри статичной опасной зоны (цех, зерновые бункеры, зоны вблизи ленточных транспортеров), так и на корпус и внутрь кабины габаритной сельскохозяйственной техники [5].
Материалы и методы.
Для оценки эффективности разрабатываемой системы был проведен эксперимент. На базе НОПЦ «Интеграция» в с. Лаврово Орловской области. В качестве площадки были использованы объекты на территории НОПЦ и также сельскохозяйственная техника в период полевых работ (рисунок 1). Материал для эксперимента был собран с помощью камер установленных статично в опасных зонах, на сельскохозяйственной технике, в кабинах тракторов и комбайнов. Материал, собранный в качестве исследуемого приводился в общему виду: битрейт 30 кадров/сек, разрешение 640х480 пикселей, формат видео тр4. Данный видеоматериал покадрово предоставлялся нейросети для распознавания в нем силуэтов человека внутри опасной зоны. В качестве объекта исследования выступало процентное соотношение «распознанных» кадров к «нераспознанным» при эмпирической оценке обязательного наличия в кадре человека.
Рисунок 1 - Распознавание объекта в опасной зоне жатки комбайна
Для большей точности оценки и для выявления эффективности распознавания использовались материалы, полученные при различных погодных условиях. Варьировалась степень освещенности и временные промежутки съемки (рисунок 2). Исследовались кадры полученные при разной степени запыленности и зашумленности фона и переднего плана в опасной зоне (рисунки 3,4). Моделировались ситуации одновременного нахождения внутри опасной зоны нескольких человек, их передвижения. Были использованы кадры из кабины движущейся техники, кадры при искусственном освещении в технических помещениях предприятия, в гаражах, ангарах, на -
Рисунок 2 - Распознавание объекта в опасной зоне маневрирующей техники при низкой освещенности
В эксперименте также исследовалась эффективность распознавания при перекрытии силуэта человека внутри опасной зоны, исследовалась зависимость процентного присутствия распознаваемого объекта и эффективность его распознавания.
Рисунок 3 - Распознавания объекта в условиях повышенной запыленности
По возможности моделировались нетривиальные сценарии появления и присутствия объекта в опасных зонах, моделировались ситуации с маневрированием сельскохозяйственной техники, процессы погрузки, разгрузки и другие сценарии, которые могут возникнуть при полевых работах агропромышленного комплекса.
Рисунок 4 - Распознавание нескольких объектов в условиях низкой освещенности
Результаты.
В общей сложности было использовано более 200 тысяч кадров. В качестве результатов эксперимента можно рассмотреть зависимости успешно распознанных кадров к общему количеству кадров полученных нейросетьюю. Данная зависимость может быть обозначена как эффективность распознавания. Результатами эксперимента также являются определение зависимости данной эффективности от сопутствующих осложняющих факторов ( запыленность, освещенность, тряска и т.д.).
Эффективность при тряске. Ввиду специфики работы нейросети, распознавание образов происходит покадрово, в каждом отдельно взятом кадре. Во время тряски при должном качестве видеокамеры (от 30 кадров/с) покадровое распознавание при тряске практически ничем не отличается от распознавания со статичной камеры. Разницей в данном эксперименте можно пренебречь. Следовательно, эффективность распознавания объектов при движении сельскохозяйственной техники, а также при вибрациях при погрузке/разгрузке практически не снижается.
Эффективность при изменении освещенности. Часы в которые производятся уборочные работы напрямую связаны со световым днем и находятся в промежутке 7:00 - 23:00. В данный промежуток в летнее время достигается максимальная степень освещенности. Эффективность распознавания объектов в опасных
зонах напрямую связана с освещенностью. В усредненном значении, зависимость эффективности в процентах
можно отследить на диаграмме (рисунок 5)
| Эффекти..
О 11 12 13 14 15 16 17 13 19 20 21 22 23
Рисунок 5 - Диаграмма эффективности распознавания от времени светового дня
По абциссе приведено время светового дня. По ординате - эффективность распознавания объекта в процентах. Данный график отражает эффективность при работе на открытом воздухе в полевых условиях при естественной освещенности и отсутствии осадков. Можно отметить, что распознавание объектов в опасных зонах вблизи техники при полевых работах достаточно эффективно при условиях естественного освещения. Интенсивность дневного света при данных исследованиях варьировалась от 100 до 110000 люкс.
В условиях работ в помещениях, ангарах и т.д. эффективность также напрямую зависит от уровня освещенности данных помещений. Исследования проводились в помещениях, использующих естественно освещение с улицы. Освещенность варьировалась от 0 до 100 люкс. По абциссе графика на рис. 6 обозначена степень освещенности в люксах, а по ординате - эффективность распознавания в процентах.
юс
80 60 40 20 0
Рисунок 6 - График эффективности распознавания внутри помещений при изменении освещения Эффективность при запыленности. Параметр запыленности наряду с оценкой эффективности чрезвычайно важен в условиях работ однолетнего растениеводства. Высокая запыленность и зерновая/мучная пыль не только влияет на условия видимости при работах, а также может существенно повлиять на здоровье работника и даже в некоторых ситуациях привести к взрыву пыли. Оценка эффективности распознавания объектов в опасных зонах в условиях запыленности представляет собой график зависимости. Эксперимент проводился в зерновых складах в условиях повышенной запыленности. В качестве метода исследования запыленности использовалась гравиметрия и оценка концентрации взвешенных частиц. По абциссе графика на рис. 7 обозначена степень запыленности мг/м3, а по ординате - эффективность распознавания в процентах.
Рисунок 7 - График эффективности распознавания внутри помещений при изменении запыленности
Эффективность при частичном присутствии объекта с области опасной зоны. Автоматизация распознавания объектов в опасной зоне подразумевает, кроме всего прочего, детектирование части объекта. Важно также быстродействие детектирования при начальном появлении объекта (или только его части) внутри опасной зоны. Это позволит системам защиты и аварийного останова срабатывать на упреждение, отключая опасные механизмы. Кроме того, камеры установленные на габаритной сельскохозяйственной технике могут не покрывать части опасных зон из за оснастки данной техники, или покрывать ее частично. В качестве примера можно обозначить жатку комбайна или ковш погрузчика, которые при работах перекрывают часть опасной зоны. Учитывая эти особенности важна оценка эффективности при присутствии в опасной зоне лишь части распознаваемого объекта. В данном эксперименте сценарий осуществлялся для случая, когда работник находится за жаткой комбайна, камера установлена в кабине. Результаты можно оценить по графику на рис. 8, где по абциссе обозначено процентное соотношение площади силуэта, явно присутствующего в кадре, а по ординате -эффективность распознавания данной фигуры.
Рисунок 8 - График эффективности распознавания при частичном присутствии объекта в опасной зоне
Исходя из всех полученных данных, эффективность распознавания объектов в опасных зонах при полевых работах агропромышленного комплекса можно выразить в таблице 1.
Таблица 1 - Эффективность распознавания в зависимости от осложняющих факторов
Осложняющий фактор Средняя эффективность распознавания объекта, %
Без факторов (помещение, яркое освещение) 92.43
Тряска и вибрации с/х техники 90.88
Мелкодисперсная пыль 79.4
Сумерки / освещение менее 2000 люкс 77.2
Частичное присутствие объекта 70.47
Съемка из кабины с/х техники 72.11
Дождь / осадки 69.98
Выводы. Оценка эффективности распознавания объектов при полевых работах отражает работу системы распознавания в совокупных условиях. Диапазон эффективного распознавания варьируется от 70% до 92%. Текущая конфигурация программного обеспечения не может гарантировать абсолютную безопасность, либо полную автоматизацию контроля опасных зон и а также зон вблизи габаритной техники, но данная система в большой степени эффективна для сигнализации и мониторинга опасных зон. В качестве дальнейших задач установлена необходимость более глубокой интеграции в экосистему агропромышленного комплекса, а также увеличение эффективности системы путем проработки более локальных сценариев нарушения правил техники безопасности работниками в установленных зонах.
Литература
1. Мартынова В.С., Яковлева Е.В. Анализ производственного травматизма в Орловской области// В сборнике: Физика и современные технологии в АПК. материалы XI Всероссийской молодежной конференции молодых ученых, студентов и школьников с международным участием. Орел, 2020. С. 336-340.
2. Яковлева Е.В., Быков М.О. Дистанционные методы мониторинга обеспечения безопасности людей в агропромышленном комплексе / Вестник сельского развития и социальной политики. 2021. № 1 (29). С. 22-25.
3. Яковлева Е.В., Быков М.О. Обзор примеров искусственного интеллекта управления безопасностью труда в АПК /Вестник сельского развития и социальной политики. 2020. № 4 (28). С. 26-28.
4. Яковлева Е.В., Быков М.О., Фролов А.С. Цифровая трансформация мониторинга опасных зон в сельском хозяйстве // Безопасность жизнедеятельности. 2021. № 8 (248). С. 3-8.
5. Кузьмин В.Н. Исследование методов разработки программ технического оснащения сельского хозяйства [Электронный ресурс] // cyberleninka.ru информ.-справочный портал. М., 2020. URL: https://cyberleninka.ru/article/n/issledovanie-metodov-razrabotki-programm-tehnicheskogo-osnascheniya-selskogo-hozyaystva/viewer (дата обращения 26.09.2022).
