4. Котосов А.А. Определение критериев повреждения живой силы поражающими элементами боеприпасов. Дис. канд. техн. наук. Пенза, ПВАИУ, 1985. 232 с.
5. Разработка параметрических законов поражения живой силы артиллерийскими боеприпасами осколочно-фугасного действия / Отчет о НИР, Пенза, ПВАИУ, 1992. 65 с.
Воротилин Михаил Сергеевич, д-р техн. наук, профессор, проректор, Россия, Тула, Тульский государственный университет,
Суздальцев Павел Сергеевич, адъюнкт, suzdal. 1990@bk. ru, Россия, Пенза, Филиал Военной академии материально-технического обеспечения (г. Пенза),
Чайковский Виктор Михайлович, доцент, wertex5@yandex. ru, Россия, Пензенский государственный университет,
Жежук Андрей Андреевич, канд. техн. наук, [email protected], Россия, Москва, НТКГРАУ МО РФ
ANALYSIS OF THE ASSESSMENT OF THE PROBABILITY OF HITTING TARGETS, TAKING INTO ACCOUNT THE
FRAGMENTATION EFFECT
M.S. Vorotilin, P.S. Suzdaltsev, V.M. Tchaikovsky, A.A. Zhezhuk
This article examines the assessment of the damaging effect of fragments according to the OHS, taking into account the severity of the damage and the resulting consequences, due to the established value of the generalized damage criterion, the effect of which is legitimately considered throughout the vulnerable area of the target. The representation of the target is considered in the form of an arrow, which acts initially as a unit in a complex system, and later as a separate target, hence the stepwise law of defeat and, as a consequence, parametric.
Key words: the law of defeat, the criterion of effectiveness, the area of defeat, the probability of defeat.
Vorotilin Mikhail Sergeevich, doctor of technical sciences, professor, vice-rector, Russia, Tula, Tula State
University,
Suzdaltsev Pavel Sergeevich, docent, suzdal. 1990@bk. ru, Russia, Penza, Branch of the Military Academy of Logistics (Penza),
Tchaikovsky ViktorMikhailovich, docent, wertex5@yandex. ru, Russia, Penza, Penza State University,
Zhuk Andrey Andreevich, candidate of technical sciences, delkap@rambler. ru, Russia, Chairman of the NTC GRAU of the MD of the Russian Federation
УДК 004.89
DOI: 10.24412/2071-6168-2024-4-182-183 ПРИМЕНЕНИЕ YOLO8 ДЛЯ РАСПОЗНАВАНИЯ СРЕДСТВ ИНДИВИДУАЛЬНОЙ ЗАЩИТЫ НА ВИДЕО
А.Ф. Кулакова
В данной статье рассматриваются методы разработки и совершенствования программных модулей искусственного интеллекта, использующих Yolo8 и Python, для задачи распознавания средств индивидуальной защиты (СИЗ) на видео. Основное внимание уделено архитектуре системы, алгоритмам распознавания и интеграции с реальными производственными процессами.
Ключевые слова: искусственный интеллект, распознавание изображений, большие данные, безопасность, средства индивидуальной защиты.
Введение. Несоблюдение требований по использованию средств индивидуальной защиты (СИЗ) — одна из основных причин травматизма на производстве. Внедрение систем автоматического распознавания СИЗ на видео повышает уровень безопасности, позволяя своевременно выявлять нарушения. По данным Международной организации труда, ежегодно более 2,78 миллионов рабочих погибают в результате несчастных случаев и профессиональных заболеваний. Эффективное распознавание СИЗ может сократить эту статистику [1].
Современные технологии, такие как нейронные сети и компьютерное зрение, позволяют разрабатывать высокоточные системы распознавания объектов на видео. Yolo8 (You Only Look Once) является одним из передовых алгоритмов для детектирования объектов в реальном времени, что делает его особенно подходящим для задач мониторинга СИЗ.
Производственные предприятия внедряют системы мониторинга и управления, использующие большие данные и аналитику. Интеграция модулей распознавания СИЗ на базе ИИ улучшает контроль за соблюдением правил безопасности и повышает эффективность производственных процессов. В условиях цифровой трансформации это становится все более актуальным.
Автоматизированные системы распознавания СИЗ снижают расходы на аварийное восстановление, медицинские выплаты и страховые премии [2]. Обнаружение несоответствий снижает количество инцидентов, что сокращает связанные с ними затраты. По оценкам, каждая вложенная в безопасность единица валюты приносит предприятию до четырех единиц прибыли за счет сокращения травматизма и повышения производительности труда.
Развитие программных инструментов для машинного обучения, таких как Python и TensorFlow, облегчает разработку и внедрение ИИ-решений [3-9]. Это позволяет создавать точные модели, работающие в реальном времени и обрабатывающие большие объемы данных. Применение Yolo8 для распознавания СИЗ (рисунок) показывает, как современные технологии могут решать актуальные проблемы безопасности на производстве.
Повышение уровня безопасности на рабочих местах влияет на качество жизни сотрудников. Снижение травматизма защищает жизни работников, укрепляет их доверие к работодателю и улучшает корпоративную культуру. Эффективное управление безопасностью труда становится важным фактором социальной ответственности бизнеса и устойчивого развития предприятий.
Выбор инструментов и технологий
1. Алгоритм Yolo8. Yolo8 является одной из самых современных и популярных версий алгоритма для детектирования объектов в реальном времени. Основное преимущество Yolo8 заключается в его способности выполнять детекцию с высокой скоростью и точностью. Это достигается благодаря уникальной архитектуре, которая обрабатывает изображение целиком в один проход, в отличие от других методов, которые выполняют многоэтапное сканирование.
Средства индивидуальной защиты
- Архитектура Yolo8:
- Использование сверточных нейронных сетей (CNN) для анализа изображений [10].
- Единая нейронная сеть, разделенная на сетку, где каждая ячейка сетки предсказывает прямоугольники (bounding boxes) и вероятности классов объектов внутри этих прямоугольников.
- Параллельная обработка изображений, что обеспечивает высокую скорость работы, необходимую для реального времени.
Преимущества Yolo8:
- Высокая скорость обработки (может обрабатывать до нескольких сотен кадров в секунду).
- Высокая точность обнаружения объектов даже при сложных и загроможденных сценах.
- Универсальность и возможность настройки для различных задач детекции, таких как распознавание СИЗ на производственных площадках.
2. Язык программирования Python.
Python является основным языком программирования для разработки моделей машинного обучения и искусственного интеллекта благодаря своей простоте и богатому набору библиотек.
- Популярные библиотеки и фреймворки:
- TensorFlow:
- Открытая библиотека для численных вычислений и машинного обучения.
- Поддержка глубоких нейронных сетей и возможность развертывания моделей на различных платформах.
- Широкий набор инструментов для тренировки, оценки и развертывания моделей.
- PyTorch:
- Гибкая и мощная библиотека для глубокого обучения, особенно популярная в научных исследованиях и прототипировании.
- Поддержка динамических вычислительных графов, что упрощает процесс отладки и улучшает производительность моделей.
- Широкое сообщество и большое количество готовых решений для различных задач машинного обучения.
- OpenCV:
- Библиотека компьютерного зрения, предоставляющая множество инструментов для обработки изображений и видео.
- Интеграция с другими библиотеками машинного обучения и искусственного интеллекта, такими как TensorFlow и PyTorch.
- Возможности для реального времени обработки видео и изображений.
3. Среда разработки и развертывания.
Docker является платформой для контейнеризации приложений, что позволяет создавать, развертывать и запускать приложения в изолированных контейнерах. Это особенно полезно для машинного обучения и ИИ, так как обеспечивает повторяемость и масштабируемость [11].
- Преимущества использования Docker:
- Изоляция приложений и среды выполнения, что предотвращает конфликты зависимостей и обеспечивает стабильную работу модели на различных платформах.
- Возможность легкого развертывания и масштабирования модели на различных серверах и облачных платформах.
- Упрощение процесса тестирования и обновления модели благодаря контейнеризации.
4. Инструменты для управления данными.
Библиотеки Pandas и NumPy являются основными инструментами для работы с данными в Python.
- Pandas gредоставляет мощные инструменты для обработки и анализа данных, включая работу с таблицами данных (DataFrames).
- Упрощает процессы очистки, фильтрации и преобразования данных.
- NumPy основная библиотека для численных вычислений в Python, обеспечивающая поддержку массивов и матриц, а также широкие возможности для выполнения математических операций.
Основные распространенные задачи, решаемые Yolo8 представлены в таблице
Задачи, решаемые Yolo8
Задача Решаемая проблема
Безопасность и видеонаблюдение Yolo8 широко используется в системах видеонаблюдения для автоматического распознавания и отслеживания объектов, таких как люди, транспортные средства и СИЗ (средства индивидуальной защиты). Это позволяет повысить уровень безопасности на производственных объектах и в общественных местах.
Автономные транспортные средства В автономных транспортных средствах Yolo8 применяется для распознавания дорожных знаков, пешеходов и других транспортных средств, обеспечивая безопасное и эффективное движение.
Робототехника В робототехнике Yolo8 используется для навигации и взаимодействия с окружающей средой, что позволяет роботам распознавать и манипулировать объектами в реальном времени..
Медицинские приложения Yolo8 также находит применение в медицине, например, для автоматического анализа медицинских изображений и видео, что помогает в диагностике и мониторинге состояния пациентов.
Разработка модели
Yolo8 (You Only Look Once) представляет передовую архитектуру для распознавания объектов в реальном времени. Её ключевые особенности:
Одностадийная архитектура: Обеспечивает быструю обработку изображений за один проход через сеть. Многомасштабная предсказательная архитектура: Позволяет распознавать объекты различных размеров.
Интеграция с улучшенными функциями потерь: Обеспечивает более точное распознавание объектов. Этапы разработки модели
1. Подготовка данных: Включает сбор, аннотацию и форматирование данных для обучения модели. Для получения данных можно использовать видеопотоки с производственных камер или существующие
видеозаписи.
"'python import cv2
# Захват видео с камеры или файла
video_capture =cv2.VideoCapture('rtsp://username:password@camera_ip:port')
# Для видеопотока с камеры
# video_capture = cv2.VideoCapture('path/to/video.mp4')
# Для видеофайла
# Чтение и сохранение кадров frames = []
while True:
ret, frame = video_capture.read()
if not ret:
break
frames. append(frame) video_capture.release()
2. Создание модели: Модель YOLOv8 является одной из самых современных и эффективных моделей для задач детекции объектов. Архитектура включает свертки, слои нормализации, и активации.
'''python import torch import torch.nn as nn
class YOLOv8(nn.Module): def __init__(self, num_classes): super(YOLOv8, self).__init__()
# Определение слоев модели
self.conv1 = nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
self.bnl = nn.BatchNorm2d(32) self.relu = nn.ReLU()
def forward(self, x):
# Определение прямого прохода x = self.convl(x)
x = self.bnl(x) x = self.relu(x) return x
model = YOLOv8(num_classes=80) model.to(device)
3.Настройка гиперпараметров и оптимизация: Оптимизация параметров модели для достижения наилучшей производительности.
import torch.optim as optim
# Настройка гиперпараметров batch_size = 16 learning_rate = 0.001 num_epochs = 50
optimizer = optim.Adam(model.parameters(), lr=learning_rate) criterion = nn.CrossEntropyLoss()
# Инициализация DataLoader для загрузки данных
# train_loader = ...
# Цикл обучения
for epoch in range(num_epochs): model.train()
for images, labels in train_loader:
images, labels = images.to(device), labels.to(device)
# Прямой проход outputs = model(images)
loss = criterion(outputs, labels)
# Обратный проход и оптимизация optimizer.zero_grad() loss.backward() optimizer.step()
print(fEpoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
4. Валидация и тестирование модели: Оценка модели на валидационном и тестовом наборах данных для проверки её точности и обобщающей способности.
Интеграция и развертывание модели.
1. Интеграция с существующими системами: Использование API и SDK для интеграции модели с системами мониторинга безопасности.
2. Развертывание модели: Размещение модели на сервере или в облачной среде с поддержкой GPU для обеспечения высокой производительности.
3. Контейнеризация и оркестрация: Использование Docker и Kubernetes для управления развертыванием и масштабированием модели.
Заключение. Эта система может быть интегрирована с существующими производственными процессами для повышения уровня безопасности. В будущем возможно улучшение модели за счет использования более продвинутых архитектур и алгоритмов, а также расширение набора данных для повышения точности и надежности распознавания.
Список литературы
1. Мясников В.В. Распознавание образов и машинное обучение. Основные подходы. Самара: Издательство Самарского университета, 2023. 196 с.
2. Карасев П.И., Минина Е.Н., Стародубов К.В./Применение нейронных сетей для распознавания образов в автоматизированных системах управления // Научный вестник Воронежского государственного архитектурно-строительного университета. Серия: Управление строительством. Воронеж: Издательство Воронежского государственного архитектурно-строительного университета, 2015. С. 190-195.
3. Хапке Х., Нельсон К. Разработка конвейеров машинного обучения. М.: Издательство «ДМК Пресс», 2021. 346 с.
4. Проблемы и перспективы развития научно-технологического пространства // V Международная научная интернет-конференция. Вологда: Вологодский научный центр РАН, 2021 478 с
5. Избранные труды II Всероссийской молодежной школы-конференции «Современные физика, математика, цифровые и нанотехнологии в науке и образовании (ФМЦН-23) // Сборник научных трудов. Уфа: Издательство БГПУ, 2023 233 c.
6. Щербакова Н.А., Астра А.А., Балабин А.А., Клавсуц И.Л., Шахманова Б.А. Бизнес-аналитика. Учебное пособие. Новосибирск: Издательство НГТУ, 2022 110 с.
7. Лонца А. Алгоритмы обучения с подкреплением на Python; пер. с.англ. .А.А. Слинкина. М.: ДМК Пресс, 2020. 286 с.
8. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python; пер. с анг. А.В.Логунова. М.: ДМК Пресс, 2018. 358 с.
9. Гиниятуллин В.М., Хлыбов А.В., Федоров М.А., Асадуллин Т.А., Крутин А.С., Осипов И.А., Зарипов Д.М. Сравнение типов ядер в сверточных нейронных сетях. // Вестник кибернетики. 2022. С. 84-97.
10. Ямашкин С.А., Ямашкин А.А., Ямашкина Е.О., Занозин В.В. Интеграция знаний в цифровых инфраструктурах пространственных данных. Саранск: Изд-во Мордов.ун-та, 2021. 216 c.
11. Иванова И.А., Котливец И.Д., Хаханов И.С. Основы построения контейнерной архитектуры современных приложений: учебно-методическое пособие. М.: МИРЭА - Российский технологический университет, 2022.
Кулакова Айгуль Фанисовна, магистрант, Kulakova. aiguul@yandex. ru, Россия, Уфа, Уфимский государственный нефтяной технический университет
USING YOLO8 TO RECOGNIZE PERSONAL PROTECTION EQUIPMENT ON VIDEO
A.F. Kulakova
This article examines methods for developing and emerging artificial intelligence software modules using Yolo8 and Python to search for personal protective equipment (PPE) in video. The focus is on systems architecture, algorithms and managers with real production processes.
Key words: artificial intelligence, image recognition, big data, security, personal protective equipment.
Kulakova Aigul Fanisovna, master, Kulakova. aiguul@yandex. ru, Russia, Ufa, Ufa State Petroleum Technical
University
УДК 622.281
Б01: 10.24412/2071-6168-2024-4-186-187
К ОПРЕДЕЛЕНИЮ НАГРУЗОК НА КРЕПЬ ГОРНЫХ ВЫРАБОТОК
К.А. Головин, А.Б. Копылов, С.Л. Сушков, А.Д. Сушков
При разработке угольных пластов с переходом на большие глубины, характеризующиеся сложными горно-геологическими условиями возрастают затраты на поддержание горных выработок, в связи с чем задача обеспечения их устойчивости на основе разработки методов расчёта, позволяющих раскрыть резервы несущей способности крепи, приобретает особую важность и актуальность.
Ключевые слова: нагрузка на крепь, горное давление, породный массив, система крепь-массив.
До недавнего времени нагрузка на крепь горных выработок считалась главным исходным фактором. Утверждение методов механики подземных сооружений, базирующихся на математическом аппарате механики горных пород и строительной механики, привело к коренному изменению представлений о действующих нагрузках. Нагрузка на крепь стала определяться из условий взаимосвязи деформаций крепи и породного массива, вмещающего подземные выработки.
В связи со сложностью строения реального породного массива, заключающегося в его неоднородности, анизотропности свойств, дискретного строения, физическойнелинейности при деформировании в пространстве и во времени создание единой теории горногодавлениясполнымучетом всех свойствреальногопородногомассива оказалось затруднительным.
Это обусловило необходимость замены реального породного массивамоделями, идеализирующимиего-свойства и упрощающими возможные схемы его взаимодействия с крепью подземных выработок. Различными авторами предложены различные модели породного массива, представляющие его в виде сплошной или дискретной среды. Общее признание получили геомеханические модели взаимодействия крепи подземных выработок с породным массивом в виде сплошной среды: упругой, вязкоупругой, жесткопластической, упругопластической неоднородной, вязко-упругопластической и вязкой, вязкопластической. Эти модели отражают признакинапряженно-деформированного состоянияпородногомассивав окрестности горных выработок; режимам работы крепи. Поэтому они служатосновнойпредпосылкойдля расчета крепигорныхвыработок в соответствующих горно-геологических условиях.
В соответствии с геомеханическими моделями породного массива, крепь горных выработок может работать в режиме заданной нагрузки, заданной деформации и взаимовлияющей деформации.
Нагрузка на крепь в указанных режимах ее работы или не зависит отжесткости крепи, что соответствует режиму заданной нагрузки, или полностью определяется жесткостью крепи при заданной деформации, или определяется из условия взаимодействия крепи с породным массивом, т.е. зависит как от жесткости крепи, так и свойств породного массива, чтосоответствует режиму взаимовлияющей деформации. Наибольшее распространение в практике расчета и проектирования конструкций горных выработок получили режимзаданнойнагрузкии режим взаимо-влияющей деформации.
Режим заданной деформации имеет место при значительныхсмещенияхпородного массива, например, в зонах влияния очистных работ на участках сопряжений откаточных и вентиляционных штреков с лавами угольных шахт.