Increasing the safety in the proximity of the mobile working machines: A study of detecting people

Thumbnail Image

Files

master_Ariko_Kristel_2021.pdf (13.87 MB)

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

2021-10-18

Department

Major/Subject

Machine Learning, Data Science and Artificial Intelligence

Mcode

SCI3070

Degree programme

Master’s Programme in Computer, Communication and Information Sciences

Language

en

Pages

123+9

Series

Abstract

With the emerge of the assistance and autonomous systems in the non-road mobile working machines, any living obstacle, especially a human, in the surroundings of these massive machines is exposed to a high risk of injury or death. To increase the safety in the vicinity of the mobile working machines, this thesis explores various detection systems targeted for devices with a GPU utilizing machine vision and deep neural networks. The aim of this thesis is to (1) select the most appropriate detection system among the state-of-the-art systems and (2) equip the selected system with one or several potential improvements to increase the detection capability of people under geometric variation. Scaled-YOLOv4 is chosen as the detection system for the reason of having the best balance between the speed and the accuracy based on the results of COCO test-dev 2017 benchmark. Deformable convolution and Elastic are chosen to make the detection system invariant to geometric changes. The former uses a receptive field with freely arranged neurons and the latter learns dynamic scaling policy from the training dataset. These potential improvements are integrated into the structure of the Scaled-YOLOv4. The Scaled-YOLOv4 along with the potential improvements are trained, validated and tested using three datasets: a fraction of COCO test-dev 2017, a fraction of WiderPerson and a custom dataset. While the results indicate that the potential improvements integrated into the Scaled-YOLOv4 do not enhance the performance, the outcome of this thesis provides prior design choices for the next research already from the beginning of the project. Including a contribution towards the future aimed at expanding the product and service catalog of Epec Oy.

Avustavien ja autonomisten järjestelmien lisääntyessä liikkuvissa työkoneissa, mikä tahansa elävä este, erityisesti ihminen, on altis loukkaantumis- tai kuolemanvaaralle näiden massiivisten työkoneiden läheisyydessä. Parantaakseen turvallisuutta liikkuvien työkoneiden lähiympäristössä, tämä opinnäytetyö tutkii erilaisia tunnistamismenetelmiä, jotka ovat suunnattu GPU-pohjaisille laitteille ja hyödyntävät sekä konenäköä että syviä neuroverkkoja. Tämän työn tavoitteena on (1) valita parhaiten sopiva tunnistamismenetelmä hyödyntäen viimeisimpiä tekniikoita ja (2) varustaa valittu tunnistamismenetelmä yhdellä tai useammalla potentiaalisella parannusehdotuksella lisätäkseen ihmisten tunnistamismahdollisuutta erilaisissa geometrisissa muutoksissa. Valinta päättyy Scaled-YOLOv4-tunnistamismenetelmään kyseisen tekniikan ollessa paras kompromissi nopeuden ja tarkkuuden välillä COCO test-dev 2017 --vertailussa. Saavuttaakseen paremman ihmisten tunnistavuuden geometrisissa muutoksissa, valinta kohdistuu Deformable convolution ja Elastic menetelmiin. Ensimmäinen menetelmä järjestää neuronit vapaammin ennen konvoluutio-operaatiota ja jälkimmäinen menetelmä oppii dynaamisen skaalauksen opetusdatasta. Nämä parannusehdotukset lisätään Scaled-YOLOv4 arkkitehtuurirakennelmaan, jonka jälkeen Scaled-YOLOv4 muutoksineen opetetaan, validoidaan ja testataan kolmella datajoukolla: ottamalla murto-osa datasta COCO test-dev 2017 ja WiderPerson datajoukoista ja käyttämällä yhtä erillistä datajoukkoa. Vaikkakin tulokset osoittautuvat Scaled-YOLOv4-menetelmän hyväksi ilman parannusehdotuksia, tämä opinnäytetyö antaa arvokasta tietoa suunnitteluvalinnoista seuraavalle tutkimusprojektille jo projektin alusta asti. Sen lisäksi, tämä työ edistää panosta tulevaisuuteen, jonka tavoitteena on laajentaa Epec Oy:n tuote- ja palveluluetteloa.

Description

Supervisor

Jung, Alexander

Thesis advisor

Aaltonen, Petri

Keywords

computer vision, people detection, mobile working machines, real-time, safety requirements and standards, convolutional neural network

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202110249676

Collections

[dipl] Perustieteiden korkeakoulu / SCI