Improving Occupational Safety with Convolutional Neural Networks
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2021-05-17
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
63
Series
Abstract
Occupational accidents generate high direct and hidden costs for employers and society. The risk of occupational accidents can be decreased by raising employees' awareness of the causes of accidents and encourage them to act safely. One of the major causes of occupational accidents is a person stumbling. In this thesis, we present an application of deep learning, which detects whether a person is holding the handrail while walking on stairs, in order to measure the risk level of accidents in a staircase. In recent years, convolutional neural networks have proven to be effective in extracting higher-order features from raw image data. This research compares the performance of three popular convolutional neural networks: VGG16, ResNet50, and Inception V3. The dataset used to train the models consists of images of people walking on stairs labeled as safe and unsafe, and it is acquired as part of this thesis. Since the dataset is very limited, the general features of images are learned by using transfer learning. This research also experiments with several data augmentation methods to extend the limited dataset. As the main result of this research, we show that convolutional neural networks are suitable for the classification task of safe and unsafe staircase images. The best performance was achieved with the Inception V3 architecture with a test set accuracy of 89.52 %. In addition, the results show that applying data augmentation methods increased the generalization ability of the models.Työtapaturmat aiheuttavat korkeita suoria ja piilokustannuksia työnantajille ja yhteiskunnalle. Työtapaturmien riskiä voidaan vähentää lisäämällä työntekijöiden tietoisuutta onnettomuuksien syistä ja kannustamalla heitä toimimaan turvallisesti. Yksi suurimmista työtapaturmien syistä on kompastuminen. Tässä diplomityössä esitämme syväoppimisen sovelluksen, joka tunnistaa, pitääkö henkilö kaiteesta kiinni portaissa kävellessään, portaikon tapaturmien riskitason mittaamiseksi. Viime vuosina konvoluutioneuroverkot ovat osoittautuneet tehokkaiksi korkeamman tason ominaisuuksien irrottamisessa luonnollisesta kuvadatasta. Tässä tutkimuksessa verrataan kolmen suositun konvoluutioneuroverkon suorituskykyä. Vertailtavat arkkitehtuurit ovat VGG16, ResNet50 ja Inception V3. Mallien kouluttamiseen käytetty aineisto hankitaan osana diplomityötä, ja se koostuu kuvista, joissa ihmiset kävelevät portaissa, ja kuvat on luokiteltu turvallisiksi ja ei-turvallisiksi. Koska datan määrä on hyvin rajallinen, kuvien yleisten piirteiden oppimiseen käytetään siirto-oppimista. Tässä työssä tutkitaan myös data-augmentaatiometodeita datasetin laajentamiseksi. Tämän tutkimuksen päätuloksena osoitetaan, että konvoluutioneuroverkot ovat sopiva työkalu turvallisten ja ei-turvallisten portaikkokuvien luokitteluun. Paras tulos saatiin Inception V3 -arkkitehtuurilla, joka ylsi 89.52 % tarkkuuteen testidatalla. Tulokset osoittavat, että soveltamalla useita data-augmentaatiometodeita, mallien suorituskyky parani.Description
Supervisor
Laaksonen, JormaThesis advisor
Ahma-Aho, SamiKeywords
machine learning, deep learning, convolutional neural networks, transfer learning