DOI: https://doi.org/10.36548/jei.2026.2.001
تاريخ النشر: 2026-04-29
المؤلف: Abishek N. وآخرون
الموضوع الرئيسي: أبحاث الصحة والسلامة المهنية
نظرة عامة
تتناول الدراسة المخاطر الكبيرة المتعلقة بالسلامة الموجودة في مواقع البناء، والتي تنبع أساسًا من الاستخدام غير الصحيح لمعدات الحماية الشخصية (PPE) والمشاكل الصحية غير المكتشفة بين العمال. غالبًا ما تكون طرق مراقبة السلامة التقليدية، المعتمدة على الفحوصات البشرية، غير فعالة وعرضة للأخطاء، خاصة في البيئات الكبيرة. لمواجهة هذه التحديات، تقترح الدراسة خوارزمية ذكية لاكتشاف سلامة العمال تدمج تقنيات الرؤية الآلية وإنترنت الأشياء (IoT). تستخدم هذه الخوارزمية تقنيات التعلم العميق لتحديد وجود خوذات السلامة والسترات العاكسة، بينما يتم تسهيل مراقبة الصحة من خلال مستشعر DS18B20 المتصل بوحدة تحكم ESP32 لقياس درجة حرارة الجسم. تم دمج آلية اتخاذ القرار لإصدار تحذيرات في حالة حدوث انتهاكات للسلامة أو ظروف غير طبيعية.
تشير النتائج إلى أن نظام اكتشاف معدات الحماية الشخصية الذكي المطور يعزز بشكل كبير السلامة في بيئات البناء من خلال أتمتة المراقبة وتمكين تحليل البيانات في الوقت الحقيقي. يُعزى كفاءة النظام إلى نموذج التعلم العميق الخفيف الوزن، الذي يضمن تشغيلًا موثوقًا دون استهلاك مفرط للطاقة. بالإضافة إلى ذلك، يتميز بنظام تنبيه في الوقت الحقيقي، بما في ذلك جرس وعرض LCD، لمعالجة انتهاكات السلامة على الفور. يسمح استخدام تقنيات إنترنت الأشياء بنقل البيانات المستمر إلى خدمات السحابة، مما يسهل المراقبة والتسجيل والتحليل المستمر. بشكل عام، تُظهر الطريقة المقترحة فعالية عالية وقابلية للتوسع وعمليتها في تحسين ظروف السلامة داخل بيئات البناء.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي لتقنية إنترنت الأشياء (IoT) على التفاعل بين العوالم المادية والرقمية، لا سيما من خلال جمع البيانات ومعالجتها في الوقت الحقيقي. تسهل هذه التطورات الأتمتة، والتحكم عن بعد، وتعزيز اتخاذ القرار عبر مختلف القطاعات، بما في ذلك الرعاية الصحية، والزراعة، وخاصة، البناء. تم تحديد صناعة البناء كواحدة من أكثر الصناعات خطورة بسبب المخاطر الكامنة المرتبطة بالآلات الثقيلة وظروف العمل المتغيرة. على الرغم من وجود لوائح السلامة الحالية، فإن الحوادث المتكررة تنبع أساسًا من عدم الامتثال لبروتوكولات السلامة، لا سيما فيما يتعلق باستخدام معدات الحماية الشخصية (PPE).
تعتمد طرق مراقبة السلامة التقليدية بشكل كبير على الإشراف البشري، مما يمكن أن يكون غير فعال وعرضة للأخطاء، مما يجعل من الصعب ضمان الامتثال بشكل مستمر. تناقش الورقة إمكانية دمج الذكاء الاصطناعي، والرؤية الحاسوبية، وتقنيات التعلم العميق لتحسين مراقبة معدات الحماية الشخصية. تستخدم هذه التقنيات المتقدمة معالجة الصور ونماذج الشبكات العصبية لاكتشاف معدات السلامة بشكل فعال. علاوة على ذلك، يمكّن الجمع بين أطر عمل إنترنت الأشياء مع الأنظمة الذكية من نقل البيانات في الوقت الحقيقي والمراقبة عن بعد، مما يعزز إدارة السلامة في البناء. تشمل الابتكارات الحديثة أيضًا تطبيق التعلم العميق مع الأنظمة المدمجة، مثل ESP32، لتحسين مراقبة السلامة في السيناريوهات العملية.
طرق
يستخدم نظام اكتشاف معدات الحماية الشخصية الذكي المقترح منهجية منهجية تدمج معالجة الصور، والتعلم العميق، ومراقبة إنترنت الأشياء لتعزيز السلامة في مواقع البناء. تبدأ العملية بوحدة كاميرا تلتقط صورًا أو مقاطع فيديو في الوقت الحقيقي للعمال، والتي تخضع لخطوات معالجة مسبقة مثل تغيير الحجم والتطبيع. يتم استخدام خوارزمية تعلم آلي جماعية، تجمع بين MobileNetV2 وشبكة عصبية تلافيفية مخصصة (CNN)، لاكتشاف معدات الحماية الشخصية (PPE). تستفيد هذه الطريقة من قدرات استخراج الميزات الفعالة لـ MobileNetV2 جنبًا إلى جنب مع قدرة CNN المخصصة على تعلم أنماط محددة تتعلق بمعدات الحماية الشخصية، مثل الخوذات والسترات الواقية. يصنف النظام معدات الحماية الشخصية المكتشفة إلى أربع فئات: خوذة فقط، سترة فقط، خوذة وسترة معًا، ولا توجد معدات حماية شخصية، مما يسهل تقييم السلامة للامتثال لمعايير السلامة.
تعمل وحدة التحكم ESP32 كوحدة التحكم المركزية، حيث تعالج نتائج الاكتشاف وتدمج البيانات من مستشعر درجة الحرارة لمراقبة صحة العمال. يستخدم النظام تحليل العتبة لتحديد أي شذوذ، مثل ارتفاع درجات حرارة الجسم، مما يؤدي إلى تنبيه عبر جرس وعرض رسائل على شاشة LCD. بالإضافة إلى ذلك، يتواصل ESP32 مع خادم سحابي باستخدام بروتوكولات مثل MQTT وHTTP، مما يمكّن من تخزين البيانات وعرضها. لا يضمن هذا النظام الشامل اكتشاف معدات الحماية الشخصية في الوقت الحقيقي فحسب، بل يدمج أيضًا مراقبة الصحة، مما يعزز بشكل كبير تدابير السلامة في مواقع البناء.
نتائج
أظهر نظام اكتشاف معدات الحماية الشخصية (PPE) المقترح أداءً فعالًا في الوقت الحقيقي في مراقبة وتصنيف امتثال العمال لمعدات الحماية الشخصية. نجح النظام في تصنيف العمال إلى حالات مختلفة من معدات الحماية الشخصية، مثل “خوذة فقط”، “سترة فقط”، “خوذة + سترة”، و”لا توجد معدات حماية شخصية”، مع عرض المخرجات المرئية بجانب الصور الملتقطة للتحقق من دقة الاكتشاف. حدد النظام حالة “آمنة” للعمال المجهزين بالكامل وحالة “انتهاك” لأولئك الذين يفتقرون إلى الحماية الكاملة. بينما أدت نموذج الاكتشاف أداءً جيدًا في ظل ظروف مسيطر عليها، إلا أنه أظهر بعض التباينات في الأداء في ظروف الإضاءة المنخفضة، والاعتراضات، وبلور الحركة.
تستفيد بنية النظام من مبادئ التعلم العميق وتقنيات إنترنت الأشياء (IoT)، مما يمكّن من تسجيل البيانات بكفاءة والوصول عن بعد عبر لوحة تحكم سحابية. يقلل استخدام MobileNetV2 لاستخراج الميزات المرئية من التكاليف الحاسوبية، مما يسهل النشر على المنصات المدمجة دون المساس بالوظائف. بالإضافة إلى ذلك، يعزز دمج شبكة عصبية تلافيفية مخصصة (CNN) من تعلم الميزات وكفاءة التصنيف. يسمح تنفيذ نظام تنبيه فوري، الذي يوفر إشعارات مرئية وسمعية، بالاستجابة السريعة لانتهاكات السلامة، مما يقلل من خطر الحوادث. بشكل عام، تؤكد النتائج على إمكانية النظام في تحسين سلامة مكان العمل من خلال قدرات المراقبة الشاملة وتحليل البيانات.
مناقشة
تسلط المناقشة الضوء على الدور الحاسم لامتثال معدات الحماية الشخصية (PPE) في تعزيز السلامة داخل صناعة البناء. تعتبر طرق المراقبة اليدوية التقليدية غير فعالة وعرضة للأخطاء، مما يدفع نحو التحول إلى أنظمة آلية تستخدم تقنيات الرؤية الحاسوبية والتعلم العميق. أدت هذه التطورات إلى تطوير أنظمة فعالة لاكتشاف معدات الحماية الشخصية في الوقت الحقيقي التي تحسن السلامة بشكل كبير من خلال ضمان الامتثال من خلال المراقبة التلقائية. تشير الأدبيات إلى اتجاه متزايد نحو دمج التعلم العميق مع تقنيات إنترنت الأشياء (IoT)، مما يسهل نقل البيانات في الوقت الحقيقي ويعزز الفعالية العامة لأنظمة مراقبة السلامة. ومع ذلك، لا تزال التحديات مثل التكاليف الحاسوبية وتغيرات البيئة قائمة.
تؤكد الخاتمة على فعالية نظام اكتشاف معدات الحماية الشخصية الذكي القائم على إنترنت الأشياء المصمم لأتمتة عمليات المراقبة وتحليل البيانات في الوقت الحقيقي. باستخدام خوارزميات التعلم العميق ضمن إطار عمل ESP32 لإنترنت الأشياء، يكتشف النظام بكفاءة استخدام خوذات السلامة والسترات بين العمال. يضمن نموذجها الخفيف الوزن أداءً موثوقًا مع الحفاظ على الطاقة. يتضمن النظام أيضًا آلية تنبيه في الوقت الحقيقي، تتميز بجرس وعرض LCD، لمعالجة انتهاكات السلامة على الفور. من خلال تمكين نقل البيانات المستمر إلى خدمات السحابة، لا تعزز الطريقة المقترحة ظروف السلامة فحسب، بل تثبت أيضًا أنها فعالة من حيث التكلفة، وقابلة للتوسع، وعملية للتنفيذ في بيئات البناء.
DOI: https://doi.org/10.36548/jei.2026.2.001
Publication Date: 2026-04-29
Author(s): Abishek N. et al.
Primary Topic: Occupational Health and Safety Research
Overview
The research addresses the significant safety hazards present at construction sites, primarily stemming from improper use of personal protective equipment (PPE) and undetected health issues among workers. Traditional safety monitoring methods, reliant on human inspections, are often inefficient and error-prone, particularly in large-scale environments. To combat these challenges, the study proposes an intelligent worker safety detection algorithm that integrates machine vision and Internet of Things (IoT) technologies. This algorithm employs deep learning techniques to identify the presence of safety helmets and reflective jackets, while health monitoring is facilitated through a DS18B20 sensor connected to an ESP32 microcontroller to measure body temperature. A decision-making mechanism is incorporated to issue warnings in the event of safety violations or abnormal conditions.
The findings indicate that the developed smart PPE detection system significantly enhances safety in construction settings by automating monitoring and enabling real-time data analysis. The system’s efficiency is attributed to its lightweight deep learning model, which ensures reliable operation without excessive energy consumption. Additionally, it features a real-time alert system, including a buzzer and LCD display, to promptly address safety breaches. The use of IoT technologies allows for continuous data transfer to cloud services, facilitating ongoing monitoring, logging, and analysis. Overall, the proposed approach demonstrates high effectiveness, scalability, and practicality in improving safety conditions within construction environments.
Introduction
The introduction highlights the transformative impact of Internet of Things (IoT) technology on the interaction between the physical and digital realms, particularly through real-time data collection and processing. This advancement facilitates automation, remote control, and enhanced decision-making across various sectors, including healthcare, agriculture, and notably, construction. The construction industry is identified as one of the most hazardous due to the inherent risks associated with heavy machinery and variable working conditions. Despite existing safety regulations, frequent accidents primarily stem from noncompliance with safety protocols, particularly regarding the use of Personal Protective Equipment (PPE).
Traditional safety monitoring methods rely heavily on human supervision, which can be inefficient and prone to errors, making it challenging to ensure compliance consistently. The paper discusses the potential of integrating artificial intelligence, computer vision, and deep learning technologies to improve PPE monitoring. These advanced techniques utilize image processing and neural network models for effective detection of safety gear. Furthermore, the combination of IoT frameworks with intelligent systems enables real-time data transmission and remote monitoring, enhancing safety management in construction. Recent innovations also include the application of deep learning with embedded systems, such as ESP32, to optimize safety monitoring in practical scenarios.
Methods
The proposed Smart PPE Detection System employs a systematic methodology integrating image processing, deep learning, and IoT monitoring to enhance safety on construction sites. The process initiates with a camera unit capturing real-time images or videos of workers, which undergo preprocessing steps such as resizing and normalization. An ensemble machine learning algorithm, combining MobileNetV2 and a custom convolutional neural network (CNN), is utilized for detecting personal protective equipment (PPE). This approach leverages MobileNetV2’s efficient feature extraction capabilities alongside the custom CNN’s ability to learn specific patterns related to PPE, such as helmets and safety jackets. The system classifies the detected PPE into four categories: Helmet Only, Jacket Only, Both Helmet and Jacket, and No PPE, facilitating a safety assessment for compliance with safety standards.
The ESP32 microcontroller serves as the central control unit, processing the detection results and integrating data from a temperature sensor to monitor workers’ health. The system employs threshold analysis to identify any anomalies, such as elevated body temperatures, triggering alerts via a buzzer and displaying messages on an LCD screen. Additionally, the ESP32 communicates with a cloud server using protocols like MQTT and HTTP, enabling data storage and visualization. This comprehensive system not only ensures real-time PPE detection but also incorporates health monitoring, thereby significantly enhancing safety measures on construction sites.
Results
The proposed Personal Protective Equipment (PPE) Detection System demonstrated effective real-time performance in monitoring and classifying workers’ PPE compliance. The system successfully categorized workers into various PPE states, such as “helmet only,” “jacket only,” “helmet + jacket,” and “no PPE,” with visual outputs displayed alongside captured images to validate detection accuracy. The system identified a “SAFE” state for fully equipped workers and a “VIOLATION” state for those lacking complete protection. While the detection model performed well under controlled conditions, it exhibited some performance variations in low illumination, occlusions, and motion blur scenarios.
The system’s architecture leverages deep learning principles and Internet of Things (IoT) technologies, enabling efficient data logging and remote access via a cloud-based dashboard. The use of MobileNetV2 for visual feature extraction minimizes computational costs, facilitating deployment on embedded platforms without compromising functionality. Additionally, the integration of a custom convolutional neural network (CNN) enhances feature learning and classification efficiency. The implementation of an instant alert system, which provides both visual and audible notifications, allows for prompt responses to safety violations, thereby reducing the risk of accidents. Overall, the findings underscore the system’s potential to improve workplace safety through comprehensive monitoring and data analysis capabilities.
Discussion
The discussion highlights the critical role of personal protective equipment (PPE) compliance in enhancing safety within the construction industry. Traditional manual monitoring methods are deemed inefficient and prone to errors, prompting a shift towards automated systems utilizing computer vision and deep learning techniques. These advancements have led to the development of effective real-time PPE detection systems that significantly improve safety by ensuring compliance through automatic monitoring. The literature indicates a growing trend towards integrating deep learning with Internet of Things (IoT) technologies, which facilitates real-time data transmission and enhances the overall effectiveness of safety monitoring systems. However, challenges such as computational costs and environmental variability remain.
The conclusion emphasizes the effectiveness of an IoT-based smart PPE detection system designed to automate monitoring processes and analyze data in real-time. Utilizing deep learning algorithms within an ESP32 IoT framework, the system efficiently detects the use of safety helmets and jackets among workers. Its lightweight model ensures reliable performance while conserving energy. The system also includes a real-time alert mechanism, featuring a buzzer and LCD display, to promptly address safety violations. By enabling continuous data transfer to cloud services, the proposed approach not only enhances safety conditions but also proves to be cost-effective, scalable, and practical for implementation in construction environments.