Система ідентифікації захисних засобів та моніторингу температури людини в умовах карантинних обмежень
Автор: Волошин Микола Ігорович
Кваліфікаційний рівень: магістр
Спеціальність: Комп'ютерні системи та мережі
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2021-2022 н.р.
Мова захисту: англійська
Анотація: В епоху пандемії гостро стоїть питання про обмеження прав і свобод людей для мінімізації поширення коронавірусної хвороби COVID-19. Урядами держав, спільно із Всесвітньою організацією охорони здоров’я, розробляються відповідні заходи для стримання розповсюдження вірусу [1]. Найбільш актуальним заходом є використання захисних елементів – протиепідемічних масок [2, 3]. Симптоматика вірусу SARS-CoV-2 дозволяє впроваджувати додаткові шляхи контролю поширення вірусу. Оскільки одним із симптомів є гарячка [4], що дозволяє наявними способами моніторити температурні показники відвідувачів персоналом на вході – проводити скринінг температури [5]. Ці заходи допомагають зменшити темпи поширення, однак не завжди вони є дієвими, оскільки перевірку здійснює відповідний персонал – люди, що досить часто є фактором недотримання зазначених норм. Об’єктом дослідження методи та алгоритми ідентифікації захисних засобів. Розглядаються базові принципи систем моніторингу та управління доступом, їх загальний принцип роботи, на основі яких будуються подібні системи, наявні стратегії ідентифікації суб’єктів, організація роботи алгоритмів, розгортання таких систем у різних середовищах, здатність таких систем до переносимості на різних платформах, ефективності ідентифікації. Предметом дослідження є автоматизація індентифікації захисних засобів та виміру температури в режимі реального часу. Досліджується область штучного інтелекту для можливості автоматизованої ідентифікації, варіанти використання підобластей штучного інтелекту – машинного та глибинного навчання [6], використання різних типів нейронних мереж та моделей для детектування з високою точністю визначення. Проводиться аналіз доступних апаратних ресурсів, на яких такі системи здатні розгортатися з передбаченням можливості розширення функціоналу додатковими можливостями, вплив апаратних характеристик на швидкість та показник точності при проведенні моніторингу. Розглядаються різні модифікації апаратних модулів, можливість їх взаємодії шляхом визначень доступних та підтримуваних інтерфейсів обміну інформації без конфліктів роботи між використовуваними ресурсами. Мета дослідження: розробка програмно-апаратної автоматизованої системи ідентифікації захисних засобів та моніторингу температури тіла людини в умовах карантинних обмежень. Вона повинна володіти наступними режимами роботи: розпізнавання захисних елементів на обличчі; безконтактне вимірювання температури для безпечності використання; на основі прийнятих даних про стан суб’єкта приймати рішення про наявність чи відсутність дозволу на вхід у приміщення. Система повинна характеризуватися високою точністю визначення захисних елементів у стандартних та специфічних умовах навколишнього середовища, враховувати проблематику використання масок, вимірювати температуру тіла людини з мінімальною похибкою, керувати доступом згідно стану людини. Результатом роботи є розроблена програмно-апаратна система ідентифікації та моніторингу. Розроблено структурну та функціональну схему апаратного пристрою. Використані наступні модулі: операційний пристрій – Raspberry Pi 3 model B+ з розміщеним на платі Wi-Fi-модулем CYW43438; відеокамера – CSI Raspberry Pi Camera; модуль вимірювання температури – безконтактний інфрачервоний датчик MLX90614ESF; модуль управління доступом – турнікет на базі сервоприводу SG90. Програмний алгоритм ідентифікації розроблений мовою Python, базується на використанні згорткової нейронної мережі MobileNetV2 [7], яка працює на принципі глибинного навчання. Перед використанням нейронна мережа проходить процес тренінгу, використовуючи великий набір даних, який був видозміненим для врахування ідентифікації різних типів масок та визначення їх положення шляхом використання відкритих бібліотек для обробки зображень та генерації моделей – TensorFlow [8] та Keras [9]. Формуються відповідні результати навчання – точність, втрати при навчанні та тестуванні моделі. На основі сформованої моделі за допомогою використання бібліотеки комп’ютерного зору OpenCV [10] йде детектування маски на зображенні, що надходить з камери. Після успішної ідентифікації відбувається вимір температури. Якщо усі показники в нормі, модуль управління доступом активується і суб’єкт може проходити до приміщення. Якщо одна з норм невиконана, модуль доступу залишається неактивним. Результати тестування показали, що на розробленому пристрої система здійснює моніторинг за одним суб’єктом протягом 8-10 секунд. Точність ідентифікації класу суб’єкта при різних можливих впливах на роботу алгоритму коливається від 82% до 100%. Вимірювання температури проводиться з похибкою ±0,4?. Додатково було проведено тестування на додатковій специфікації - ноутбуці Lenovo IdeaPad Gaming I15 з шестиядерним процесором Intel(R) Core(TM) i7-9750 @ 2,60 ГГц та відеокамерою з роздільною здатністю 1 Мп. Отримані результати ідентифікації незначно, але переважають показники пристрою на декілька відсотків. Ключові слова: моніторинг, ідентифікація, вимірювання, захисні елементи, температура, нейронна мережа, глибинне навчання, комп’ютерний зір. Перелік використаних літературних джерел. 1. Ministry of Health of Ukraine (2020). Recommendations for the inhabitants of the coronavirus 2019-nCoV. Retrieved from: https://moz.gov.ua/article/news/rekomendacii-dlja-gromadjan-schodo-koronavirusu-2019-ncov. 2. World Health Organization (2020). Mask use in the context of COVID-19. Retrieved from: https://apps.who.int/iris/bitstream/handle/10665/337199/WHO-2019-nCov-IPC_Masks-2020.5-eng.pdf?sequence=1&isAllowed=y. 3. World Health Organization (2020). COVID-19: symptoms and severity. Retrieved from: https://www.who.int/westernpacific/emergencies/covid-19/information/asymptomatic-covid-19. 4. Matuschek, C., Moll, F., Fangerau, H., Fischer, JC., Zanker, K., van Griensven, M., Schneider, M., Kindgen-Milles, D., Lichtenberg, A., Tamaskovics, B., Djiepmo-Njanang, FJ., Budach, W., Corradini, S., Haussinger, D., Feldt, T., Jensen, B., Pelka, R., Orth, K., Peiper, M., Grebe, O., Maas, K., Gerber, PA., Pedoto, A., Bolke, E., Haussmann, J. (2020). Face masks: benefits and risks during the COVID-19 crisis. Eur J Med Res. https:// doi.org/10.1186/s40001-020-00430-5. 5. Ministry of Health of Ukraine (2020). Resolution on the consolidation of the hourly recommendations for the organization of anti-epidemic visits at the enterprises, establishments and organizations of the youth sphere and the sphere of the national patriotic war during the period of quarantine for the period of coronavirus (COVID-19). Retrieved from: https://moz.gov.ua/uploads/ckeditor/документи/Головний%20Санітарний%20лікар/Постанова%2037.pdf. 6. Meena, D., Sharan, R. (2016). An approach to face detection and recognition. International Conference on Recent Advances and Innovations in Engineering (ICRAIE), pp. 1-6. doi: 10.1109/ICRAIE.2016.7939462. 7. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., Chen, L. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4510-4520. doi:10.1109/CVPR.2018.00474. 8. Zhang, R. (2020). TensorFlow 2 Tutorial, 4-12. Retrieved from: https://itbook.store/books/1001606140961. 9. Gulli, A., Pal, S. (2017). Deep Learning with Keras: Implemented neural networks with Keras on Theano and TensorFlow, 88 – 100. ISBN: 978-1-78712-842-2. Retrieved from: https://sites.google.com/site/9520camilemoh3/1oidarkAbetuul7uJhyA911. 10. Garrido, G., Joshi, P. (2018). OpenCV 3.x with Python By Example, 2nd ed. ISBN: 978-1-78839-690-5. Retrieved from: https://libribook.com/view1/9744.