An Automatic System to Monitor the Physical Distance and Face Mask Wearing of Co

An Automatic System to Monitor the Physical Distance and Face Mask Wearing of Construction Workers in COVID-19 Pandemic

The COVID-19 pandemic has caused many shutdowns in different industries around the world. Sectors such as infrastructure construction and maintenance projects have not been suspended due to their significant effect on people's routine life.In such projects, workers work close together that makes a high risk of infection. The World Health Organization recommends wearing a face mask and practicing physical distancing to mitigate the virus's spread. This paper developed a computer vision system to automatically detect the violation of face mask wearing and physical distancing among construction workers to assure their safety on infrastructure projects during the pandemic. For the face mask detection, the paper collected and annotated 1,000 images, including different types of face mask wearing, and added them to a pre-existing face mask dataset to develop a dataset of 1,853 images. Then trained and tested multiple Tensorflow state-of-the-art object detection models on the face mask dataset and chose the Faster R-CNN Inception ResNet V2 network that yielded the accuracy of 99.8%. For physical distance detection, the paper employed the Faster R-CNN Inception V2 to detect people. A transformation matrix was used to eliminate the camera angle's effect on the object distances on the image. The Euclidian distance used the pixels of the transformed image to compute the actual distance between people. A threshold of six feet was considered to capture physical distance violation. The paper also used transfer learning for training the model. The final model was applied on four videos of road maintenance projects in Houston, TX, that effectively detected the face mask and physical distance. We recommend that construction owners use the proposed system to enhance construction workers' safety in the pandemic situation.

自动监控COVID-19大流行中建筑工人的物理距离和口罩佩戴的系统

COVID-19大流行已导致全球不同行业的许多停工。基础设施建设和维护项目等部门由于对人们的日常生活有重大影响，因此并未被暂停。.. 在这样的项目中，工人紧密地工作在一起，因此感染的风险很高。世界卫生组织建议戴上口罩并进行疏导，以减轻病毒的传播。本文开发了一种计算机视觉系统，可以自动检测建筑工人中口罩的佩戴和身体距离的违规情况，以确保他们在大流行期间对基础设施项目的安全。对于面罩检测，该论文收集并注释了1000张图像，包括不同类型的面罩佩戴方式，并将其添加到预先存在的面罩数据集中，以开发出1853张图像的数据集。然后在面罩数据集上训练并测试了多个Tensorflow最新技术的对象检测模型，并选择了Faster R-CNN Inception ResNet V2网络，其准确性为99.8％。对于物理距离检测，本文采用了Faster R-CNN Inception V2来检测人员。使用变换矩阵来消除相机角度对图像上物距的影响。欧几里得距离使用变换后的图像的像素来计算人与人之间的实际距离。考虑到六英尺的阈值来捕获物理距离违规。本文还使用转移学习来训练模型。最终模型应用于德克萨斯州休斯敦的四个道路养护项目视频，可有效检测面罩和实际距离。我们建议建筑业主使用建议的系统来增强大流行情况下建筑工人的安全。使用变换矩阵来消除相机角度对图像上物距的影响。欧几里得距离使用变换后的图像的像素来计算人与人之间的实际距离。考虑到六英尺的阈值来捕获物理距离违规。本文还使用转移学习来训练模型。最终模型应用于德克萨斯州休斯敦的四个道路养护项目视频，可有效检测面罩和实际距离。我们建议建筑业主使用建议的系统来增强大流行情况下建筑工人的安全。使用变换矩阵来消除相机角度对图像上物距的影响。欧几里得距离使用变换后的图像的像素来计算人与人之间的实际距离。考虑到六英尺的阈值来捕获物理距离违规。本文还使用转移学习来训练模型。最终模型应用于德克萨斯州休斯敦的四个道路养护项目视频，可有效检测面罩和实际距离。我们建议建筑业主使用建议的系统来增强大流行情况下建筑工人的安全。欧几里得距离使用变换后的图像的像素来计算人与人之间的实际距离。考虑到六英尺的阈值来捕获物理距离违规。本文还使用转移学习来训练模型。最终模型应用于德克萨斯州休斯敦的四个道路养护项目视频，可有效检测面罩和实际距离。我们建议建筑业主使用建议的系统来增强大流行情况下建筑工人的安全。欧几里得距离使用变换后的图像的像素来计算人与人之间的实际距离。考虑到六英尺的阈值来捕获物理距离违规。本文还使用转移学习来训练模型。最终模型应用于德克萨斯州休斯敦的四个道路养护项目视频，可有效检测面罩和实际距离。我们建议建筑业主使用建议的系统来增强大流行情况下建筑工人的安全。 （阅读更多）