İş sağlığı ve güvenliğinde derin öğrenme tabanlı risk tespit ve analizi

Basit Öğe Kaydı
dc.contributor.authorAslan, Tarık
dc.contributor.authorYağımlı, Mustafa
dc.date.accessioned2025-02-09T14:34:55Z
dc.date.available2025-02-09T14:34:55Z
dc.date.issued2023
dc.departmentFakülteler, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü
dc.description.abstractİş sağlığı ve güvenliği alanında, risk analizi ve değerlendirilmesi zorunlu ve yoğun emek gerektiren bir süreçtir. Risk analizi ve değerlendirilmesi bir kere yapıldıktan sonra yenilenmesi yıllar sonrasını bulabilir. Bu durum bazı risklerin fark edilmesinin gecikmesine ve iş kazalarının oluşmasına sebebiyet verebilir. Bu çalışmada, risk tespit ve analizin sürecinde geleneksel yöntemlere alternatif olarak derin öğrenme tekniklerinin kullanılması önerilmektedir. Kişisel koruyucu donanım (KKD) kullanımının zorunlu olduğu ve yetkisiz personel tarafından erişilmesi halinde iş kazasına neden olabilecek bir makine veya bölgeye çalışanların güvensiz erişimi tehlikesi analizi örneği üzerinden derin öğrenme tabanlı risk tespit ve analiz eğitim modeli uygulanmıştır. Risk tespit ve analiz eğitim modeli YOLOv5 mimarisi kullanılarak, yetkili ve yetkisiz çalışanların KKD kullanıp kullanmama davranışlarını içeren bir veri kümesiyle eğitilmiştir. Eğitim sonuçları, modelin risk tespiti ve analizi için uygulanabilir olduğunu ve %90’ın üzerinde doğruluk elde ettiğini göstermiştir. Çalışmanın sonuçları, bu yaklaşımın geliştirilmesi durumunda, geleneksel yaklaşıma alternatif olabileceğini göstermektedir.
dc.description.abstractRisk analysis and assessment are mandatory and labor-intensive processes in the field of occupational health and safety. Once risk analysis and assessment have been conducted, it may take years before it is renewed. This may lead to the delayed recognition of risks and occupational accidents. This study proposes the use of deep learning techniques as alternatives to traditional methods for risk identification and analysis. A deep learning-based risk detection and analysis training model was applied to analyze the risk of unsafe access by employees to a machine or area where the use of personal protective equipment (PPE) is mandatory, which may cause an occupational accident if accessed by unauthorized personnel. The risk detection and analysis training model was trained using the YOLOv5 architecture with a dataset that includes the behavior of authorized and unauthorized employees regarding whether they use PPE. The training results showed that the model was applicable for risk detection and analysis, achieving an accuracy exceeding 90%. The results of this study show that if this approach is developed, it can be an alternative to the traditional approach.
dc.description.sponsorshipİstanbul Gedik Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi--GDK202207-09
dc.identifier.endpage236
dc.identifier.issn2458-8725
dc.identifier.issue2
dc.identifier.startpage223
dc.identifier.urihttps://hdl.handle.net/11501/1948
dc.identifier.urihttps://dergipark.org.tr/tr/pub/isrjournal/issue/78902/1288496
dc.identifier.volume8
dc.institutionauthorAslan, Tarık
dc.institutionauthorYağımlı, Mustafa
dc.institutionauthorid0000-0002-6548-5294
dc.institutionauthorid0000-0003-4113-8308
dc.language.isotr
dc.publisherSalih Yıldız
dc.relation.ispartofThe Journal of International Scientific Researches
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_20250209
dc.subjectDerin Öğrenme
dc.subjectİş Sağlığı ve Güvenliği
dc.subjectRisk Analizi
dc.subjectDeep Learning
dc.subjectOccupational Health and Safety
dc.subjectRisk Analysis
dc.titleİş sağlığı ve güvenliğinde derin öğrenme tabanlı risk tespit ve analizi
dc.title.alternativeIn occupational health and safety deep learning based risk detection and analysis
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Tam Metin / Full Text
Boyut:
1.06 MB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

Mühendislik Fakültesi Koleksiyonu