Deep learning for personal protection equipment (PPE) detection in real-life scenarios

Abstract

The detection of Personal Protective Equipment (PPE) plays a pivotal role in ensuring the well-being of workers, preventing serious injuries and fatalities (SIF). This dissertation focuses on the development and implementation of Deep Learning (DL) models for monitoring of PPE usage, with particular emphasis on the effectiveness of the YOLOv8 object detection model. A literature review was conducted which highlighted YOLOv8 as the most promising approach due to its balance of accuracy, speed, and adaptability in object detection tasks. This insight guided the development process, where the YOLOv8 medium and large models were trained and evaluated on real-world images to detect and classify different types of PPE. The models achieved approximately 80% precision and 70% recall, demonstrating their effectiveness in identifying and categorising PPE, making them suitable candidates for practical applications in various industrial environments. Building on this, three monitoring processes were developed, leveraging YOLOv8 for continuous PPE compliance tracking in dynamic settings. Despite challenges such as environmental variability, those processes proved effective in practical tests, demonstrating their potential for deployment in safety-critical industrial operations. The research also explored the practical implications of implementing such processes, revealing significant improvements in workplace safety. By automating the monitoring process, the processes reduce human error, ensures adherence to safety protocols, and enhances the overall management of PPE compliance in hazardous work environments.

A deteção de Equipamentos de Proteção Individual (EPI) desempenha um papel fulcral na garantia do bem-estar dos trabalhadores, prevenindo lesões graves e fatalidades (SIF). Esta dissertação centra-se no desenvolvimento e implementação de modelos de Aprendizagem Profunda (AP) para a monitorização da utilização de EPI, com particular ênfase na eficácia do modelo de deteção de objectos YOLOv8. Foi realizada uma revisão da literatura que destacou o YOLOv8 como a abordagem mais promissora devido ao seu equilíbrio entre precisão, velocidade e adaptabilidade em tarefas de deteção de objectos. Esta visão guiou o processo de desenvolvimento, onde os modelos YOLOv8 de médio e grande porte foram treinados e avaliados em imagens do mundo real para detetar e classificar diferentes tipos de EPI. Os modelos alcançaram aproximadamente 80% de precisão e 70% de revocação, demonstrando a sua eficácia na identificação e categorização de EPI, tornando-os candidatos adequados para aplicações práticas em vários ambientes industriais. Com base nisto, foram desenvolvidas várias estratégias de monitorização, aproveitando o YOLOv8 para o acompanhamento contínuo da conformidade do EPI em ambientes dinâmicos. Apesar de desafios como a variabilidade ambiental, os sistemas revelaram-se eficazes em testes práticos, demonstrando o seu potencial para implementação em operações industriais críticas para a segurança. Este trabalho também explorou as implicações práticas da implementação de tais sistemas, revelando melhorias significativas na segurança do local de trabalho. Ao automatizar o processo de monitorização, o sistema reduz o erro humano, assegura a adesão aos protocolos de segurança e melhora a gestão global do cumprimento dos EPI em ambientes de trabalho perigosos.