000			04793namaa22004331i 4500
003			EG-GICUC
005			20251229141741.0
008			251229s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a624.17
092			_a624.17 _221
097			_aM.Sc
099			_aCai01.13.05.M.Sc.2025.Ab.C
100	0		_aAbdelrahman Mohamed Elessawy Elnaqieb, _epreparation.
245	1	0	_aAdvancing of personal protective equipment detection on construction sites with yolo-based deep learning architectures / _cby Abdelrahman Mohamed Elessawy Elnaqieb ; Supervisors Prof. Dr. Hesham Maged Osman, Prof. Dr. Omar Hossam Eldin El-Anwar.
246	1	5	_aالكشف عن معدات الحمایة الشخصیة (PPE) في مواقع البناء بإستخدام هياكل التعلم العميق(YOLO)
264		0	_c2025.
300			_a95 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 86-95.
520		3	_aThe 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.
520		3	_aتركز 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aStructural Engineering
650		0	_aالهندسة الإنشائية
653		1	_aConstruction safety _aPPE detection _adeep learnin _aComputer vision _amAP score _aYou Only Look Once (YOLO) _aسلامة البناء _aالكشف عن معدات الوقاية الشخصية
700	0		_aHesham Maged Osman _ethesis advisor.
700	0		_aOmar Hossam Eldin El-Anwar _ethesis advisor.
900			_b01-01-2025 _cHesham Maged Osman _cOmar Hossam Eldin El-Anwar _dMona Metwally Abouhamad _dAhmed Hussien Elyamany _UCairo University _FFaculty of Engineering _DDepartment of Structural Engineering
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c177158