Advancing of personal protective equipment detection on construction sites with yolo-based deep learning architectures / by Abdelrahman Mohamed Elessawy Elnaqieb ; Supervisors Prof. Dr. Hesham Maged Osman, Prof. Dr. Omar Hossam Eldin El-Anwar.

By:

Abdelrahman Mohamed Elessawy Elnaqieb [preparation.]

Contributor(s):

Material type:

TextLanguage: English Summary language: English, Arabic Producer: 2025Description: 95 pages : illustrations ; 30 cm. + CDContent type:

text

Media type:

Unmediated

Carrier type:

volume

Other title:

الكشف عن معدات الحمایة الشخصیة (PPE) في مواقع البناء بإستخدام هياكل التعلم العميق(YOLO) [Added title page title]

Subject(s):

DDC classification:

624.17

Available additional physical forms:

Issues also as CD.

Dissertation note: Thesis (M.Sc)-Cairo University, 2025. Summary: The construction industry remains one of the most hazardous globally, with high rates of accidents and fatalities, despite risk assessments. Personal protective equipment (PPE) is critical for mitigating workplace hazards, but ensuring compliance remains challenging on dynamic construction sites. Advances in computer vision and data analytics, particularly through deep learning, offer promising solutions to improve safety standards. This research introduces innovative models leveraging YOLO-v5 and YOLO-v8 architectures to enhance PPE compliance among construction workers. The models predict six critical categories: person, vest, and four helmet colors, validated using the CHV benchmark dataset and an original dataset from Egyptian construction sites. A comparative analysis of ten YOLO-v5 models and five YOLO-v8 models revealed that YOLO-v8m achieved the highest precision, with a mean average precision (mAP) of 92.30% and an F1 score of 0.89. These results represent a 6.64% improvement over the CHV dataset baseline. The integration of these models into a safety dashboard allows for real-time monitoring and enforcement of PPE compliance. This approach significantly enhances the ability to prevent accidents and improve safety outcomes in construction environments.Summary: تركز هذه الدراسة على تعزيز سلامة مواقع البناء باستخدام تقنيات رؤية الكمبيوتر المتقدمة وخوارزميات التعلم العميق لمراقبة الامتثال لمعدات الحماية الشخصية (PPE). من خلال استخدام الشبكات العصبية الملتفة (CNNs) ومبادئ التعلم الانتقالي، تم تطوير نماذج تعتمد على معماريات YOLO-v5 وYOLO-v8 لاكتشاف ست فئات رئيسية: الشخص، السترة، وأربعة ألوان للخوذة. تم التحقق من هذه النماذج باستخدام مجموعة بيانات مرجعية عالية الجودة (CHV Dataset) لتقييم الأداء. أظهرت النتائج أن YOLO-v5x6 كان الأسرع في معالجة البيانات، بينما تميز YOLO-v8m في الدقة مع تحقيقه لدقة ملاحظة (mAP) بنسبة 92.30% ودرجة F1-Score بلغت 0.89. كما سجل النموذج YOLO-v8m تحسنًا بنسبة 6.64% في دقة الملاحظة مقارنة بالدراسات السابقة باستخدام نفس مجموعة البيانات. توفر النماذج المطورة إمكانية إنشاء لوحات معلومات للسلامة في مواقع البناء، مما يساهم في تقليل الحوادث والإصابات وتحسين ممارسات السلامة العام.

Tags from this library: No tags from this library for this title. Log in to add tags.

Average rating: 0.0 (0 votes)

Holdings
Item type	Current library	Home library	Call number	Status	Barcode
Thesis	قاعة الرسائل الجامعية - الدور الاول	المكتبة المركزبة الجديدة - جامعة القاهرة	Cai01.13.05.M.Sc.2025.Ab.C (Browse shelf(Opens below))	Not for loan	010101100092975000

Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 86-95.

The construction industry remains one of the most hazardous globally, with high rates of accidents and fatalities, despite risk assessments. Personal protective equipment (PPE) is critical for mitigating workplace hazards, but ensuring compliance remains challenging on dynamic construction sites. Advances in computer vision and data analytics, particularly through deep learning, offer promising solutions to improve safety standards. This research introduces innovative models leveraging YOLO-v5 and YOLO-v8 architectures to enhance PPE compliance among construction workers. The models predict six critical categories: person, vest, and four helmet colors, validated using the CHV benchmark dataset and an original dataset from Egyptian construction sites. A comparative analysis of ten YOLO-v5 models and five YOLO-v8 models revealed that YOLO-v8m achieved the highest precision, with a mean average precision (mAP) of 92.30% and an F1 score of 0.89. These results represent a 6.64% improvement over the CHV dataset baseline. The integration of these models into a safety dashboard allows for real-time monitoring and enforcement of PPE compliance. This approach significantly enhances the ability to prevent accidents and improve safety outcomes in construction environments.

تركز هذه الدراسة على تعزيز سلامة مواقع البناء باستخدام تقنيات رؤية الكمبيوتر المتقدمة وخوارزميات التعلم العميق لمراقبة الامتثال لمعدات الحماية الشخصية (PPE). من خلال استخدام الشبكات العصبية الملتفة (CNNs) ومبادئ التعلم الانتقالي، تم تطوير نماذج تعتمد على معماريات YOLO-v5 وYOLO-v8 لاكتشاف ست فئات رئيسية: الشخص، السترة، وأربعة ألوان للخوذة. تم التحقق من هذه النماذج باستخدام مجموعة بيانات مرجعية عالية الجودة (CHV Dataset) لتقييم الأداء. أظهرت النتائج أن YOLO-v5x6 كان الأسرع في معالجة البيانات، بينما تميز YOLO-v8m في الدقة مع تحقيقه لدقة ملاحظة (mAP) بنسبة 92.30% ودرجة F1-Score بلغت 0.89. كما سجل النموذج YOLO-v8m تحسنًا بنسبة 6.64% في دقة الملاحظة مقارنة بالدراسات السابقة باستخدام نفس مجموعة البيانات. توفر النماذج المطورة إمكانية إنشاء لوحات معلومات للسلامة في مواقع البناء، مما يساهم في تقليل الحوادث والإصابات وتحسين ممارسات السلامة العام.

Issues also as CD.

Text in English and abstract in Arabic & English.

There are no comments on this title.

to post a comment.

جامعة القاهرة

المكتبة المركزية الجديدة

مكتبة جامعة القاهرة الأهلية

Advancing of personal protective equipment detection on construction sites with yolo-based deep learning architectures / by Abdelrahman Mohamed Elessawy Elnaqieb ; Supervisors Prof. Dr. Hesham Maged Osman, Prof. Dr. Omar Hossam Eldin El-Anwar.