Магистерская диссертация на тему "ТЮМГУ | Разработка автоматизированной системы выявления лиц, не использующих средства индивидуальной защиты, на основе анализа видеоряда методами машинного обучения"

Работа на тему: Разработка автоматизированной системы выявления лиц, не использующих средства индивидуальной защиты, на основе анализа видеоряда методами машинного обучения
Оценка: хорошо.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программного обеспечения

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
магистерская диссертация

РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ВЫЯВЛЕНИЯ ЛИЦ, НЕ ИСПОЛЬЗУЮЩИХ СРЕДСТВА ИНДИВИДУАЛЬНОЙ ЗАЩИТЫ, НА ОСНОВЕ АНАЛИЗА ВИДЕОРЯДА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

02.04.03 Математическое обеспечение и администрирование информационных систем
магистерская программа «Разработка технологий Интернета вещей и больших данных»

Тюмень 2022 год

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ ПО ОПРЕДЕЛЕНИЮ НАЛИЧИЯ СРЕДСТВ ИНДИВИДУАЛЬНОЙ ЗАЩИТЫ НА ИЗОБРАЖЕНИИ 5
ГЛАВА 2. ФОРМИРОВАНИЕ ТРЕБОВАНИЙ К РАЗРАБАТЫВАЕМОЙ СИСТЕМЕ 12
ГЛАВА 3. АНАЛИЗ ПОДХОДОВ К СОПРОВОЖДЕНИЮ ОБЪЕКТА НА ВИДЕОРЯДЕ 16
ГЛАВА 4. ВЫБОР ПОДХОДА К РЕШЕНИЮ ЗАДАЧИ ДЕТЕКТИРОВАНИЯ ЛИЦА НА ИЗОБРАЖЕНИИ 20
4.1. ПОДХОД POSE DETECTION 20
4.2. ПОДХОД FACE DETECTION 23
4.3. СРАВНИТЕЛЬНЫЙ АНАЛИЗ 25
ГЛАВА 5. АНАЛИЗ ПОДХОДОВ К БИНАРНОЙ КЛАССИФИКАЦИИ НАЛИЧИЯ СРЕДСТВ ИНДИВИДУАЛЬНОЙ ЗАЩИТЫ НА КАДРЕ ЛИЦА 27
5.1. ДАННЫЕ ДЛЯ ОБУЧЕНИЯ 27
5.2. СРАВНИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ МОДЕЛЕЙ КЛАССИФИКАЦИИ 31
ГЛАВА 6. СИСТЕМА ВЫЯВЛЕНИЯ ЛИЦ, НЕ ИСПОЛЬЗУЮЩИХ СРЕДСТВА ИНДИВИДУАЛЬНОЙ ЗАЩИТЫ 40
6.1. РАЗРАБОТКА СИСТЕМЫ 40
6.2. ТЕСТИРОВАНИЕ СИСТЕМЫ 45
ЗАКЛЮЧЕНИЕ 48
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 49
ПРИЛОЖЕНИЕ 1.КЛАСС ОБРАБОТКИ ИЗОБРАЖЕНИЯ IMAGEPROCESSOR 53 ПРИЛОЖЕНИЕ 2.КЛАСС ДЕТЕКТИРОВАНИЯ ЛИЦА FACEDETECTOR 55

ВВЕДЕНИЕ
На территории организаций с вредными условиями труда и при особой эпидемиологической обстановке работодатель должен обеспечить ношение средств индивидуальной защиты (далее – СИЗ) работниками в соответствие с нормами, устанавливаемыми Правительством Российской Федерации [26]. Контроль применения СИЗ в организациях с массовым пребыванием людей зачастую выполняется сотрудниками службы безопасности, совмещающими данную функцию с другими своими обязанностями по обеспечению контроля правопорядка.
Проводимый визуальный контроль наличия СИЗ у посетителей приводит к увеличению нагрузки на ответственных сотрудников и возможности невыявления нарушений.
Автоматизированная система, обрабатывающая видеопоток с камер наблюдения на контрольно-пропускных пунктах (далее – КПП), позволит фиксировать факты нарушения без участия сотрудников безопасности, которым потребуется только провести мероприятия непосредственно по устранению нарушения.
В данной работе в качестве СИЗ рассматриваются маски – санитарно- гигиенические изделия, надеваемые на лицо человека, закрывающие как правило рот и нос и выполняющие функцию защиты органов дыхания от инфекций, распространяемых воздушно-капельным путем. Ношение масок является обязательным для работников производств с опасностью для верхних дыхательных путей, для персонала медицинских учреждений, а также для работников и посетителей мест общественного пребывания в период эпидемий острых респираторных вирусных заболеваний.
Цель выпускной квалификационной работы – разработать автоматизированную систему выявления лиц, не использующих СИЗ, на основе анализа видеоряда методами машинного обучения.
Поставлены следующие задачи, способствующие достижению цели выпускной квалификационной работы:
1. Проведение обзора существующих решений к определению наличия СИЗ на изображении.
2. Определение требований к разрабатываемой системе с учетом видеопотока как входных данных.
3. Анализ подходов к детектированию и сопровождению лиц на видеоряде.
4. Подготовка набора данных на основе видеоряда, получаемого с камеры наблюдения.
5. Проведение сравнительного анализа моделей классификации наличия СИЗ на кадре лица.
6. Разработка и тестирование автоматизированной системы выявления лиц, не использующих СИЗ.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. A hybrid deep transfer learning model with machine learning methods for face mask detection in the era of the COVID-19 pandemic / M. Loey, G. Manogaran,
M.H.N. Taha, N.E.M. Khalifa // Measurement. 2021. Vol. 167. Art. 108288. 11 p.
2. Big Transfer (BiT): General Visual Representation Learning / A. Kolesnikov, L. Beyer, X. Zhai [et al.] // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2020. Art. 1912.11370v3 [cs.CV]. 28 p.
3. Cota D.A.M. Monitoring COVID-19 prevention measures on CCTV cameras using Deep Learning. Thesis for: Master degree in Computer Science Engineering – Data Science. Italy, Turin, 2020. 85 p.
4. Face Mask Detection Dataset // Kaggle: [website].
5. Fan X., Jiang M. RetinaFaceMask: A Single Stage Face Mask Detector for Assisting Control of the COVID-19 Pandemic // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2021. Art. 2005.03950v3 [cs.CV]. 6 p.
6. Fast and Flexible Human Pose Estimation with HyperPose / Y. Guo, J. Liu,
G. Li [et al.] // Proceedings of the 29th ACM International Conference on Multimedia. Association for Computing Machinery. New York, NY, USA, 2021. Pp. 3763–3766.
7. Fighting against COVID-19: A novel deep learning model based on YOLO- v2 with ResNet-50 for medical face mask detection / M. Loey, G. Manogaran, M.H.N. Taha, N.E.M. Khalifa // Sustainable Cities and Society. 2021. Vol. 65. Art. 102600. 8 p.
8. ImageNet-21K Pretraining for the Masses / T. Ridnik, E. Ben-Baruch, A. Noy, L. Zelnik-Manor // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2021. Art. 2104.10972 [cs.CV]. 20 p.
9. Masked Face Recognition Dataset and Application / Z. Wang, G. Wang,
B. Huang // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2020. Art. 2003.09093v2 [cs.CV]. 3 p.
10. Multiple object tracking: A literature review / W. Luo, J. Xing, A. Milan [et al.] // Artificial Intelligence. 2021. Vol. 293. Art. 103448. 23 p.
11. Nieto-Rodriguez A., Mucientes M., Brea V.M. System for Medical Mask Detection in the Operating Room Through Facial Attributes // Pattern Recognition and Image Analysis. IbPRIA 2015. Lecture Notes in Computer Science. Vol. 9117. Pp. 138–145.
12. On Empirical Comparisons of Optimizers for Deep Learning / D. Choi, C.J. Shallue, Z. Nado // arXiv. Computer Science. Machine Learning: [website]. 2020. Art. 1910.05446v3 [cs.LG]. 27 p.
13. OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields / Z. Cao, G. Hidalgo, T. Simon [et al.] // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2019. Art. 1812.08008 [cs.CV]. 14 p.
14. Pedestrian Dynamic and Kinematic Information Obtained from Vision Sensors / S.G. Konrad, M. Shan, F.R. Masson [et al.] // Proceedings of IEEE Intelligent Vehicles Symposium (IV). Changshu, China, 2018. Pp. 1299–1305.
15. Rios B., Toscano M., Descoins A. Face mask detection in street camera video streams using AI: behind the curtain // tryolabs’ blog: [website]. 2020.
16. Searching for MobileNetV3 / A.G. Howard, M. Sandler, G. Chu [et al.] // Proceedings of IEEE/CVF International Conference on Computer Vision. Seoul, Korea (South), 2019. Pp. 1314–1324.
17. Simple online and realtime tracking / A. Bewley, Z. Ge, L. Ott [et al.] // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2017. Art. 1602.00763v2 [cs.CV]. 5 p.
18. SSDMNV2: A real time DNN-based face mask detection system using single shot multibox detector and MobileNetV2 / P. Nagrath, R. Jain, A. Madan [et al.] // Sustainable Cities and Society. 2021. Vol. 66. Art. 102692. 13 p.
19. Tan M., Le Q.V. EfficientNetV2: Smaller Models and Faster Training // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2021. Art. 2104.00298v2 [cs.CV]. 12 p.
20. Wang B., Zheng J., Chen C.L.P. A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19 // IEEE Transactions on Artificial Intelligence. 2022. Vol. 3. No. 3. Pp. 323–343.
21. YOLO5Face: Why Reinventing a Face Detector / D. Qi, W. Tan, Q. Yao,
J. Liu // arXiv. Computer Science. Computer Vision and Pattern Recognition: [website]. 2022. Art. 2105.12931v3 [cs.CV]. 10 p.
22. You’ll never walk alone: modeling social behavior for multi-target tracking
/ S. Pellegrini, A. Ess, K. Schindler, L. Van Gool // Proceedings of IEEE International Conference on Computer Vision. Kyoto, Japan, 2009. Pp. 261–268.
23. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA, 2016. Pp. 779–788.
24. Баринов А.И., Баринова А.О., Катасёв А.С. Нейросетевая сверточная модель обнаружения нарушений масочного режима в общественных местах // Вестник НЦБЖД. 2021. № 4(50). С. 39–45.
25. Курносов И.Л., Абламейко С.В. Обнаружение нарушений масочного режима и оценка его соблюдения по видеоряду // Развитие информатизации и государственной системы научно-технической информации: доклады ХХ Международной научно-технической конференции. Беларусь, Минск, 2021. 7 с.
26. Трудовой кодекс Российской Федерации: от 26 декабря 2001 г.: по состоянию на 01.03.2022 // Консультант Плюс: справочно-правовая система.