Treffer: Görüntü İşleme Tabanlı MediaPipe Algoritması ile Tehlikeli İş Makinalarında El Kazalarını Önleme.

In this study, a design is being developed using image processing techniques with artificial intelligence to prevent hand injuries and limb losses due to work accidents in workers working on circular saws and similar dangerous machines, and to teach them correct working behaviors. Computer vision is performed using the MediaPipe Hands machine learning model developed with CNN (convolutional neural network) and similar deep learning techniques trained in the design. The artificial intelligence design is made in the Python software environment using the machine learning library TensorFlow and the image processing library OpenCV. With the live image taken from the camera, the approach distance and aggressive fast movements of the human hand in the dangerous area are monitored and measured. Accordingly, the danger and warning zones are determined in dangerous work machines. If the hand is too close to the cutter in the dangerous area or exhibits fast movements, the work machine is stopped. In the warning zone, the necessary warnings are made to the user and the aim is to prevent hand accidents. The MediaPipe Hands model is compared in terms of detection performance by examining different brightness and noise environment conditions. This performance loss caused by adverse environmental conditions is improved by using filters. Here, the effects of the proposed brightness compensation and noise cancelling median filter are examined. The recommended filters provide significant improvements in the effects of changes in brightness levels and noise. In addition, the model complexity used is evaluated and the real-time operation capability of the suggested system is examined. It is evaluated that this artificial intelligence-based security system will reduce work accidents to the lowest level depending on the developments in the field of cameras, computers and software. [ABSTRACT FROM AUTHOR]

Bu çalışmada yapay zeka ile görüntü işleme tekniklerini kullanarak, daire testere ve benzeri tehlikeli makinalarda çalışanların iş kazası sonucu el yaralanmalarını, uzuv kayıplarını önlemek ve doğru çalışma davranışlarını öğretmeyi amaçlayan bir tasarım geliştirilmektedir. Tasarımda eğitilmiş CNN (evrişimsel sinir ağı) ve benzeri derin öğrenme teknikleri ile geliştirilen MediaPipe Hands makina öğrenimi modeli kullanılarak bilgisayarlı görme (Computer vision) işlemi yapılmaktadır. Yapay zeka tasarımı Python yazılım ortamında makine öğrenimi kütüphanesi TensorFlow ve görüntü işleme kütüphanesi OpenCV kullanılarak yapılmaktadır. Kameradan alınan canlı görüntü ile insan elinin, tehlikeli bölgede kesici ile arasındaki yaklaşma mesafesi ve agresif hızlı hareketleri takip edilip, ölçümlenir. Buna göre tehlikeli iş makinalarında tehlike ve uyarı bölgeleri belirlenmektedir. Eğer el tehlikeli bölgede kesiciye aşırı yakınsa veya hızlı hareketler sergilerse iş makinası durdurulur. Uyarı bölgesinde ise kullanıcıya gerekli uyarılar yapılarak el kazalarının önüne geçilmesi hedeflenmektedir. MediaPipe Hands modelinin farklı parlaklık ve gürültü ortam durumları incelenerek tespit performansında kıyaslanmaktadır. Burada önerilen parlaklık dengeleme ve gürültü önleyici medyan filtre etkileri incelenmektedir. Olumsuz ortam koşullarından kaynaklanan bu performans kaybı filtre kullanımıyla iyileştirme yapılmaktadır. Parlaklık seviyelerindeki değişim ve gürültü etkisinde önerilen filtreler önemli oranda iyileştirme sağlamaktadır. Ek olarak kullanılan model karmaşıklığı değerlendirilerek önerilen sistemin gerçek zaman çalışabilme kabiliyeti incelenmektedir. Yapay zeka tabanlı bu güvenlik sistemi kamera, bilgisayar ve yazılım alanındaki gelişmelere bağlı olarak iş kazalarını en alt seviyeye indireceği değerlendirilmektedir. [ABSTRACT FROM AUTHOR]

Copyright of Karaelmas Science & Engineering Journal / Karaelmas Fen ve Mühendislik Dergisi is the property of Karaelmas Science & Engineering Journal and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)