SHEL5K : Un jeu de données étendu et une plateforme d’évaluation pour la détection de casque de sécurité

Porter un casque de sécurité est essentiel dans les activités industrielles de construction et de fabrication afin d’éviter des situations inconfortables ou dangereuses. Cette conformité en matière de sécurité peut être assurée en développant un système automatique de détection de casque basé sur diverses approches de vision par ordinateur et d’apprentissage profond. La mise en œuvre d’un modèle de détection de casque fondé sur l’apprentissage profond nécessite généralement une quantité considérable de données d’entraînement. Toutefois, la littérature scientifique ne propose que très peu de jeux de données publics dédiés à la sécurité des casques, dont la plupart ne sont pas entièrement annotés, et ceux qui le sont incluent un nombre réduit de classes. Ce papier présente le jeu de données Safety HELmet (SHEL5K), une version améliorée du jeu de données SHD, comprenant 5 000 images. Ce jeu de données propose six classes entièrement annotées : casque, tête, tête avec casque, personne avec casque, personne sans casque et visage. Le jeu de données SHEL5K a été évalué sur plusieurs modèles d’object detection de pointe, notamment YOLOv3 (YOLOv3, YOLOv3-tiny et YOLOv3-SPP), YOLOv4 (YOLOv4 et YOLOv4-pacsp-x-mish), YOLOv5-P5 (YOLOv5s, YOLOv5m et YOLOv5x), le réseau neuronal convolutif régional basé sur Faster-RCNN avec l’architecture Inception V2, ainsi que YOLOR. Les résultats expérimentaux obtenus sur ce jeu de données montrent une amélioration significative de la précision moyenne (mAP) par rapport aux modèles comparés. Le jeu de données SHEL5K présente un avantage notable par rapport aux autres jeux de données existants en matière de sécurité des casques, grâce à un nombre réduit d’images mais de meilleure qualité d’annotation, ainsi qu’à un plus grand nombre de classes, ce qui contribue à une détection plus précise des casques.