Detecção de EPI's com ferramenta de visão computacional
This end-of-course work deals with the development of a Personal Protective Equipment (PPE) recognition system using the YOLO (You Only Look Once) technique. The automatic detection of PPE in work environments is fundamental to guaranteeing worker safety and complying with regulatory safety standar...
| Autor principal: | OLIVEIRA, Matheus da Silva |
|---|---|
| Grau: | Trabalho de Curso - Graduação - Monografia |
| Publicado em: |
2025
|
| Assuntos: | |
| Acesso em linha: |
https://bdm.ufpa.br/jspui/handle/prefix/7591 |
| id |
oai:https:--bdm.ufpa.br:8443:prefix-7591 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--bdm.ufpa.br:8443:prefix-75912025-01-21T18:18:30Z Detecção de EPI's com ferramenta de visão computacional OLIVEIRA, Matheus da Silva PINHEIRO, Daniel da Conceição http://lattes.cnpq.br/2970581734279237 EPI's YOLO Python Machine learning CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO This end-of-course work deals with the development of a Personal Protective Equipment (PPE) recognition system using the YOLO (You Only Look Once) technique. The automatic detection of PPE in work environments is fundamental to guaranteeing worker safety and complying with regulatory safety standards. The use of PPE, such as helmets, gloves, reflective vests and goggles, is essential in many sectors, especially construction and industry. However, manually checking the use of this equipment can be inefficient and susceptible to human error. YOLO is one of the most advanced algorithms for real-time object detection, known for its high speed and accuracy. This project involved collecting and annotating a dataset of images of workers wearing various PPE. The images were carefully selected to represent a wide range of scenarios and lighting conditions, ensuring the robustness of the model. The YOLO algorithm was then trained on this data, using deep learning techniques to adjust its parameters and optimize its performance. During the training process, various strategies were implemented to improve the model’s accuracy. After training, the model was tested on a validation dataset to assess its ability to correctly recognize PPE in images. The results were analyzed based on metrics such as precision, recall and F1-score, demonstrating the effectiveness of the model developed. Este trabalho de conclusão de curso aborda o desenvolvimento de um sistema de reconhecimento de Equipamentos de Proteção Individual (EPIs) utilizando a técnica YOLO (You Only Look Once). A detecção automática de EPIs em ambientes de trabalho é fundamental para garantir a segurança dos trabalhadores e cumprir com as normas regulamentares de segurança. O uso de EPIs, como capacetes, luvas, coletes reflexivos e óculos de proteção, é essencial em diversos setores, especialmente na construção civil e na indústria. No entanto, a fiscalização manual do uso desses equipamentos pode ser ineficiente e suscetível a erros humanos. O YOLO é um dos algoritmos mais avançados para detecção de objetos em tempo real, conhecido por sua alta velocidade e precisão. Este projeto envolveu a coleta e anotação de um conjunto de dados de imagens de trabalhadores equipados com diversos EPIs. As imagens foram cuidadosamente selecionadas para representar uma ampla gama de cenários e condições de iluminação, garantindo a robustez do modelo. O algoritmo YOLO foi então treinado com esses dados, utilizando técnicas de aprendizado profundo para ajustar seus parâmetros e otimizar seu desempenho. Durante o processo de treinamento, várias estratégias foram implementadas para melhorar a precisão do modelo. Após o treinamento, o modelo foi testado em um conjunto de dados de validação para avaliar sua capacidade de reconhecer corretamente os EPIs nas imagens. Os resultados foram analisados com base em métricas como precisão, recall e F1-score, demonstrando a eficácia do modelo desenvolvido. 2025-01-09T13:23:36Z 2025-01-09T13:23:36Z 2024-11-27 Trabalho de Curso - Graduação - Monografia OLIVEIRA, Matheus da Silva. Detecção de EPI's com ferramenta de visão computacional. Orientador: Daniel da Conceição Pinheiro. 2024. [55] f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2024. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7591. Acesso em:. https://bdm.ufpa.br/jspui/handle/prefix/7591 Acesso Aberto Disponível na internet via Sagitta |
| institution |
Biblioteca Digital de Monografias - UFPA |
| collection |
MonografiaUFPA |
| topic |
EPI's YOLO Python Machine learning CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| spellingShingle |
EPI's YOLO Python Machine learning CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO OLIVEIRA, Matheus da Silva Detecção de EPI's com ferramenta de visão computacional |
| topic_facet |
EPI's YOLO Python Machine learning CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| description |
This end-of-course work deals with the development of a Personal Protective Equipment (PPE)
recognition system using the YOLO (You Only Look Once) technique. The automatic detection of PPE in work environments is fundamental to guaranteeing worker safety and complying with regulatory safety standards. The use of PPE, such as helmets, gloves, reflective vests and goggles, is essential in many sectors, especially construction and industry. However, manually checking the use of this equipment can be inefficient and susceptible to human error. YOLO is one of the most advanced algorithms for real-time object detection, known for its high speed and accuracy. This project involved collecting and annotating a dataset of images of workers wearing various PPE. The images were carefully selected to represent a wide range of scenarios and lighting conditions, ensuring the robustness of the model. The YOLO algorithm was then trained on this data, using deep learning techniques to adjust its parameters and optimize its performance. During the training process, various strategies were implemented to improve the model’s accuracy. After training, the model was tested on a validation dataset to assess its ability to correctly recognize PPE in images. The results were analyzed based on metrics such as precision, recall and F1-score, demonstrating the effectiveness of the model developed. |
| author_additional |
PINHEIRO, Daniel da Conceição |
| author_additionalStr |
PINHEIRO, Daniel da Conceição |
| format |
Trabalho de Curso - Graduação - Monografia |
| author |
OLIVEIRA, Matheus da Silva |
| title |
Detecção de EPI's com ferramenta de visão computacional |
| title_short |
Detecção de EPI's com ferramenta de visão computacional |
| title_full |
Detecção de EPI's com ferramenta de visão computacional |
| title_fullStr |
Detecção de EPI's com ferramenta de visão computacional |
| title_full_unstemmed |
Detecção de EPI's com ferramenta de visão computacional |
| title_sort |
detecção de epi's com ferramenta de visão computacional |
| publishDate |
2025 |
| url |
https://bdm.ufpa.br/jspui/handle/prefix/7591 |
| _version_ |
1829093164661604352 |
| score |
11.753896 |