Дипломная работа на тему "ТЮМГУ | Разработка информационной системы анализа видеозаписей"

Работа на тему: Разработка информационной системы анализа видеозаписей
Оценка: отлично.
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 информационных систем

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалаврская работа
РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ АНАЛИЗА ВИДЕОЗАПИСЕЙ

09.03.02 Информационные системы и технологии Профиль «Информационные системы и технологии в бизнесе»

Тюмень 2022

РЕФЕРАТ
Автор: студентка 189 группы Лесив Анастасия Александровна. Научный руководитель: доцент, к.ф.-м.н. Моор Павел Климентьевич.
Выпускная квалификационная работа содержит: 61 страницу, 28 рисунков, 23 таблицы, 30 используемых источников.
Объектом исследования является контроль за соблюдением ПБиОТ. Предметом работы является ИС анализа видеозаписей для определения нарушений ПБиОТ.
Цель дипломной работы: разработать информационную систему анализа видеозаписей для сокращение временных затрат и увеличения производительности труда на обеспечение мониторинга, контроля за соблюдением ПБиОТ.
Актуальность разработки ИС обусловлена тем, что нефтяные предприятия предпринимают активные действия, направленные на развитие области ПБиОТ. ООО «ТННЦ» продвигает культуру безопасного труда в виде ежемесячных тестирований и выделяет значительные средства на развитие данной области.
В результате работы: исследована предметная область, поставлены цель и задачи, выбран и изучен алгоритм детекции объектов, собран и размечен набор данных, обучена и протестирована модель обнаружения объектов, написаны функции на определение инцидентов, спроектирована и создана БД, реализованы API, клиентская и серверная часть приложения.
Применение ИС анализа видеозаписей позволит автоматически выявлять нарушения в области ПБиОТ, своевременно проводить корректирующие мероприятия по выявленным инцидентам, а также увеличит производительность труда за счет сокращения количества времени, затрачиваемого на анализ видеозаписей вручную.
Ключевые слова: информационная система, анализ видеозаписей, детекция объектов, инцидент, нарушение правил безопасности, промышленная безопасность и охрана труда.

СОДЕРЖАНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ 4
ВВЕДЕНИЕ 5
ГЛАВА 1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ 7
1.1. Описание организационной структуры предприятия 7
1.2. Описание организационной структуры объекта автоматизации 7
1.3. Разработка функциональной модели в нотации IDEF0 9
1.4. Разработка диаграмм потоков данных в нотации DFD 15
1.5. Постановка задачи 19
1.6. Входная информация 20
1.7. Выходная информация 20
1.8. Функциональные требования 20
ГЛАВА 2. ПРОЕКТИРОВАНИЕ ИНФОРМАЦИОННОГО ОБЕСПЕЧЕНИЯ 23
2.1. Обзор YOLOv5 для детекции объектов 23
2.2. Описание архитектуры YOLOv5 25
2.3. Описание алгоритма YOLOv5 26
2.4. Применение YOLOv5 для детекции и распознавании объектов 28
2.5. Проектирование диаграммы диалога пользователя с системой 34
2.6. Логическая и физическая модели базы данных 35
ГЛАВА 3. ПРОЕКТИРОВАНИЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ 48
3.1. Выбор и обоснование средств разработки 48
3.2. Состав и структура программного обеспечения 49
3.3. Описание интерфейса приложения 51
3.4. Безопасность личных данных 56
ЗАКЛЮЧЕНИЕ 57
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 59

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
ИС - Информационная система
ПБиОТ - Промышленная безопасность и охрана труда ООО «ТННЦ» - ООО «Тюменский нефтяной научный центр» ПО - Программное обеспечение
БД - База данных
API - Application Programming Interface (программный
интерфейс приложения)
mAP - Mean average precision (средняя средняя точность) метрика для оценки качества работы детектора
IoU - Intersection over Union (пересечение над объединением) метрика для оценки качества работы детектора
YOLO - You look only once (стоит только раз взглянуть)
алгоритм глубокого обучения для детекции объектов

ВВЕДЕНИЕ
На предприятиях нефтегазовой отрасли крайне важным является соблюдение правил безопасности, в том числе – ношение средств индивидуальной защиты. Сотрудники ежегодно проходят тестирования на знания правил безопасности и охраны труда, а за исполнением правил техники безопасности на производстве отвечают руководители работ. Однако контроля со стороны ответственных лиц бывает недостаточно, чтобы выявлять все нарушения.
Для улучшения обеспечения выполнения этих правил, была поставлена цель: разработать ИС для анализа видеозаписей на предмет нарушений ПБиОТ. Актуальность разработки ИС обусловлена тем, что нефтяные предприятия предпринимают активные действия, направленные на развитие области промышленной безопасности и охраны труда. Так, например, на производственных учреждениях ООО «ТННЦ» активно продвигается корпоративная культура безопасного труда, а также компания выделяет значительные средства на предотвращение и предупреждение нарушений техники безопасности. Разрабатываемая ИС в свою очередь позволит поддерживать контроль за безопасностью труда в ходе работ на
производственных объектах.
Теоретическая значимость работы заключается в рассмотрении эффективности использования метода контроля за соблюдением требований безопасности на производстве с применением машинного обучения, а также в определении дальнейших перспектив развития этого метода.
Практические результаты помогут повысить трудовую дисциплину сотрудников предприятия, а также снизить число инцидентов, связанных с нарушением техники безопасности.
Объектом исследования является контроль за соблюдением ПБиОТ.
Предметом работы является ИС анализа видеозаписей для определения нарушений ПБиОТ.
В первой главе дается описание организационной структуры предприятия, рассматривается предметная область объекта автоматизации, анализируются и разрабатываются функциональная модель в нотации IDEF0, диаграммы потоков данных в нотации DFD для ключевого бизнес-процесса, который будет подвержен автоматизации, а также обозначаются цель и задачи проекта.
Во второй главе описывается проектирование информационного обеспечения, а именно: приводится сравнение алгоритмов обнаружения, дается описание алгоритма детекции объектов YOLOv5, описывается реализация и результаты работы обученной на YOLOv5 модели, cоставляется диаграмма гипотетического диалога пользователя с системой, проектируется и описывается логическая модель данных, создается база данных. Проектирование информационного обеспечения является основой будущего программного обеспечения.
В третей главе обосновывается выбор средств разработки, описывается структура всей программы, ее интерфейса, как руководство пользователю, а также рассматривается и решается проблема безопасности личных данных сотрудников компании.
Для успешной подготовки и защиты выпускной квалификационной работы автором ВКР использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. «Молодые специалисты ТННЦ завоевали призовые места в научно- технической конференции компании “Роснефть”» [сайт].
2. «Тюменский нефтяной научный центр отмечает 20-летний юбилей»: [сайт].
3. What is video analytics? : [сайт].
4. York T. Electronic Security System Integration / T. York, D. MacAlister // Hospital and Healthcare Security (Six Edition). -2015. – P. 459-504.
5. Damjanovski V. Analog Video Processing» / V. Damjanovski // CCTV (Third Edition). - 2014. – P. 254-275.
6. Документация YOLOv5: [сайт].
7. Bharath K. Object detection algorithms and libraries / K. Bharath.
8. Структура и анализ YOLOv3: [сайт].
9. Официальный сайт PyTorch: [сайт].
10. Ишмуратов Т. Как работает Object Tracking на YOLO и DeepSort / Т. Ишмуратов.
11. Документация Darknet53: [сайт].
12. ResNet (34, 50, 101): «остаточные» CNN для классификации изображений: [сайт].
13. Haifeng Yu. Multiple attentional path aggregation network for marine object detection / Haifeng Yu, Xinbin Li, Yankai Feng, Song Han// Applied Intelligence. - 2022.
14. SPP (Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition): [сайт].
15. Kumar A. Scaling up face masks detection with YOLO on a novel dataset / A. Kumar, A. Kalia, K. Verma // Optik. -2021. - volume 239.
16. Raskar P. S. Real time object-based video forgery detection using YOLO (V2)
/ P. S. Raskar, S. K. Shah // Forensic Science International, -2021, volume 327.
17. A review of Yolo Algorithms Developments / Peiyuan Jiang, Daji Ergu, Fangyao Liu [и др.] // Procedia Computer Science, -2022, volume 199. – P. 1066-1073.
18. Rosebrock A. Non-Maximum Suppression for Object Detection in Python / A. Rosebrock.
19. Salscheider N. O. FeatureNMS: Non-Maximum Suppression by Learning Feature Embeddings / N. O. Salscheider.
20. Официальный сайт OpenCV: [сайт].
21. Engineering Virtual Assistant v.2.0: [сайт].
22. Hui J. mAP (mean Average Precision) for Object Detection / J. Hui.
23. Yohanandan S. mAP (mean Average Precision) might confuse you! /
S. Yohanandan, S. Pokhrel.
24. Документация SVG.js: [сайт].
25. Документация SQLite: [сайт].
26. Документация DevExtreme: [сайт].
27. Welcome to Flask – Flask Documentation: [сайт].
28. Документация React: [сайт].
29. SQLAlchemy – The Database Toolkit for Python: [сайт].
30. Swagger: API Documentation & Design Tools for Teams: [сайт].