Россия
Россия
Россия
УДК 614.8 Несчастные случаи, их опасность, профилактика и борьба с ними
В статье рассматриваются вопросы повышения безопасности труда работников, осуществляющих ремонт и техническое обслуживание железнодорожной инфраструктуры. Основной целью работы является повышение уровня контроля за соблюдением требований охраны труда путем разработки и внедрения интеллектуальной системы обнаружения нарушений в соблюдении требований безопасности при работах на объектах железнодорожной инфраструктуры. Объектом исследования является алгоритм выявления нарушений в части охраны труда работниками железных дорог. В рамках исследования, представленного в статье, осуществлен сбор и разметка данных, необходимых для обучения моделей для создаваемой системы. Разработан обобщенный алгоритм определения нарушений в ношении средств индивидуальной защиты с использованием результатов работы модели детектирования людей из рабочей бригады и классификации нарушений в ношении средств индивидуальной защиты. Проведены исследования функционирования модели распознавания нарушений требований охраны труда при разных способах интерполяции изображений, которые показали, что на качество работы модели на тестовой выборке влияют количество эпох обучения и тип интерполяции. Представленное в статье исследование логически встраивается в семантическую сеть моделей предиктивной аналитики на железнодорожном транспорте и подтверждает практическую ценность полученных ранее теоретических результатов по построению иерархии таких моделей.
сверточная нейронная сеть; детектирование; охрана труда; безопасность; средства индивидуальной защиты; интеллектуальная система
1. Ивашевский М. Р. Системы видеонаблюдения на железнодорожном транспорте / М. Р. Ивашевский // Мир транспорта. — 2019. — Т. 17. — № 5(84). — С. 298–314. — DOI:https://doi.org/10.30932/1992-3252-2019-17-5-298-314. — EDN: https://elibrary.ru/NSTKCT.
2. Панченко К. П. Интернет вещей как система предиктивной диагностики железнодорожной инфраструктуры / К. П. Панченко, В. В. Дегтярева, Е. В. Маслова // Комплексное взаимодействие лингвистических и выпускающих кафедр в техническом вузе: Международная научно-практическая конференция посвященная 125- летию РУТ (МИИТ), Москва, 27 мая 2021 года. — М.: Российский университет транспорта, 2021. — С. 271– 274. — EDN: https://elibrary.ru/VPEBGD.
3. Сидоренко В. Г. Прогнозирование выхода из строя тяговых электродвигателей электроподвижного состава железных дорог с использованием глубоких нейронных сетей / В. Г. Сидоренко, М. А. Кулагин // Электротехника. — 2021. — № 9. — С. 52–56. — EDN: https://elibrary.ru/NDPPGU.
4. Коваленко Н. И. Применение цифровизации при планировании контингента по техническому обслуживанию железнодорожной инфраструктуры / Н. И. Коваленко, В. А. Бучкин, Ю. А. Быков, Е. Н. Гринь // Мир транспорта. — 2021. — Т. 19. — № 2(93). — С. 116–121. — DOI:https://doi.org/10.30932/1992-3252-2021-19-2-16. — EDN: https://elibrary.ru/AQIPDB.
5. Popov P. A. Prospects of autonomous railway transport development / P. A. Popov, A. V. Ozerov, A. S. Marshova // BRICS Transport. — 2024. — Vol. 3. — № 3. — Рр. 1–14. — DOI:https://doi.org/10.46684/2024.3.4. — EDN: https://elibrary.ru/HPYXEZ.
6. Иванов В. Ф. Алгоритм комплексирования сенсорных данных для задач автоматического управления подвижным составом / В. Ф. Иванов, А. Л. Охотников, А. Н. Градусов // Автоматика на транспорте. — 2024. — Т. 10. — № 4. — С. 360–371. — DOI:https://doi.org/10.20295/2412-9186- 2024-10-04-360-371. — EDN: https://elibrary.ru/QWNIRH.
7. Полянский А. В. Инженерно-интеллектуальное обеспечение технологических процессов в железнодорожном строительстве / А. В. Полянский. — М.: Мир науки, 2023. — 245 с. — DOI:https://doi.org/10.15862/39MNNPM23. — EDN: https://elibrary.ru/WYHBRO.
8. Коваленко Н. И. Оценка рисков нарушения численности персонала в путевом хозяйстве / Н. И. Коваленко, А. Н. Коваленко // Путь и путевое хозяйство. — 2024. — № 2. — С. 25–29. — EDN: https://elibrary.ru/FQBKKL.
9. Гринчар Н. Г. Об использовании парков путевых машин / Н. Г. Гринчар // Путь и путевое хозяйство. — 2023. — № 6. — С. 7–10. — EDN: https://elibrary.ru/JJBPJQ.
10. Быстров Е. Н. Обеспечение средствами индивидуальной защиты работников предприятий транспортной сферы / Е. Н. Быстров, А. В. Харламова // Известия Петербургского университета путей сообщения. — 2023. — Т. 20. — № 2. — С. 396–403. — DOI:https://doi.org/10.20295/1815-588X-2023-2- 396-403. — EDN: https://elibrary.ru/OEOTNG.
11. Ларичев Д. В. Современный метод детектирования средств индивидуальной защиты для лица с использованием технического зрения и глубокого машинного обучения / Д. В. Ларичев, В. Н. Панкрушин, А. И. Угланов [и др.] // Состояние и перспективы развития современной науки по направлению «Техническое зрение и распознавание образов» : сборник статей II Всероссийской научно-технической конференции, Анапа, 22 октября 2020 года / Военный инновационный технополис «ЭРА». Т. 2. — Анапа: Федеральное государственное автономное учреждение «Военный инновационный технополис “ЭРА”», 2020. — С. 183–189. — EDN: https://elibrary.ru/QNLITG.
12. Сенников А. В. Разработка алгоритма детектирования средств индивидуальной защиты на видеоданных / А. В. Сенников, А. Ф. Стефаниди // Новые информационные технологии и системы (НИТиС-2021): Сборник научных статей по материалам XVIII Международной научно технической конференции, Пенза, 24–26 ноября 2021 года. — Пенза: Пензенский государственный университет, 2021. — С. 150–155. — EDN: https://elibrary.ru/KHUHJM.
13. Малофеев М. В. Инновационные цифровые технологии в области промышленной безопасности охраны труда и окружающей среды / М. В. Малофеев, П. И. Чермянин, М. Б. Кошелев [и др.] // Экспозиция Нефть Газ. — 2022. — № 5(90). — С. 82–85. — DOI:https://doi.org/10.24412/2076-6785-2022-5- 82-85. — EDN: https://elibrary.ru/NDMMUI.
14. Maheronnaghsh S. Machine learning in Occupational Safety and Health — a systematic review / S. Maheronnaghsh, H. Zolfagharnasab, M. Gorgich, J. Duarte // International Journal of Occupational and Environmental Safety. — 2023. — Vol. 7. — № 1. — P. 14–32. — DOI:https://doi.org/10.24840/2184-0954_007-001_001586. — EDN: https://elibrary.ru/YAHOWE.
15. Сидоренко В. Г. Обобщение опыта решения задач предиктивной аналитики на железнодорожном транспорте / В. Г. Сидоренко, М. А. Кулагин // Наука и техника транспорта. — 2024. — № 4. — С. 55–62.
16. Scheer A. W. Business process engineering: reference models for industrial enterprises / A. W. Scheer. — Springer Science & Business Media, 2012. — DOI:https://doi.org/10.1007/978-3- 642-79142-0.
17. Khanam R. YOLO 11: An overview of the key architectural enhancements / R. Khanam, M. Hussain // arXiv preprint arXiv:2410.17725. — 2024. — DOI: 10.48550/ arXiv.2410.17725.
18. Pangal D. J. A Guide to Annotation of Neurosurgical Intraoperative Video for Machine Learning Analysis and Computer Vision / D. J. Pangal, G. Kugener, Sh. Shahrestani [et al.] // World Neurosurgery. — 2021. — Vol. 150. — Pр. 26–30. — DOI:https://doi.org/10.1016/j.wneu.2021.03.022. — EDN: https://elibrary.ru/LVOUCM.
19. Goodfellow I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. — MIT Press, 2016. — DOI:https://doi.org/10.1007/s10710- 017-9314-z.
20. Bishop C. M. Pattern Recognition and Machine Learning / C. M. Bishop. — Springer, 2006.
21. Powers D. M. W. Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation / D. M. W. Powers // Journal of Machine Learning Technologies. — 2011. — Vol. 2(1). — P. 37–63. — DOI:https://doi.org/10.48550/arXiv.2010.16061.
