AISG KKD Denetim Sistemi

İçindekiler

• Proje Hakkında
• Özellikler
• Teknolojiler
• Kurulum
• Kullanım
• API Dokümantasyonu
• Model Detayları
• Katkıda Bulunma
• Lisans
• İletişim

Proje Hakkında

AISG KKD Denetim Sistemi, çalışanların kişisel koruyucu donanım kullanma durumlarını izleyerek, çalışma ortamındaki güvenliği yükseltmek için geliştirilmiş kapsamlı bir iş sağlığı ve güvenliği çözümüdür daha fazla bilgi için: https://xrlab.cbu.edu.tr/2025Projects/ AISG: Kişisel Koruyucu Donanım Denetleme Sistemi.

Ana Özellikler

• Gerçek Zamanlı İzleme: Kamera akışlarını sürekli analiz ederek güvenlik durumunu takip etme
• Kişisel Koruyucu Donanım Tespiti: Baret ve reflektif yelek kullanımını otomatik kontrol etme
• İnsan Tespiti: Çalışan varlığı ve sayısı analizi
• Risk Uyarıları: Güvenlik ihlallerinde anında bildirim gönderme
• Compliance Raporlama: Detaylı güvenlik raporları ve performans metrikleri

Özellikler

Güvenlik Tespiti

• Baret Tespiti: YOLOv8 tabanlı özel model ile baret kullanımı kontrolü
• Reflektif Yelek Tespiti: Görsel analiz ile yelek tespiti
• İnsan Tespiti: Çalışan varlığı ve sayısı analizi
• Poz Sınıflandırması: Oturuyor/ayakta durumu tespiti

Dashboard ve Raporlama

• Gerçek Zamanlı Analiz: Anlık güvenlik durumu izleme
• Akıllı Uyarı Sistemi: Risk durumlarında otomatik bildirim
• Detaylı Raporlama: Compliance raporları ve performans metrikleri
• Mobil Uyumluluk: Responsive tasarım ile her cihazdan erişim

Teknik Özellikler

• Kolay Entegrasyon: Mevcut kamera altyapılarına uyum
• Güvenli İşleme: Kurum içi çalıştırma seçenekleri
• Çoklu Kamera Desteği: Birden fazla kamera ile eş zamanlı analiz
• API Desteği: RESTful API ile sistem entegrasyonu

Teknolojiler

Backend

• Python 3.8+: Ana programlama dili
• Streamlit: Web arayüzü
• OpenCV: Görüntü işleme
• Ultralytics YOLOv8: Nesne tespit modeli
• PyTorch: AI framework

Kurulum

Gereksinimler

• Python 3.8 veya üzeri
• CUDA destekli GPU (opsiyonel, CPU ile de çalışır)
• Web kamerası veya IP kamera

1. Repository'yi Klonlayın

git clone https://github.com/username/aisg-kkd-denetim-sistemi.git
cd aisg-kkd-denetim-sistemi

2. Sanal Ortam Oluşturun

python -m venv venv
# Windows
venv\Scripts\activate
# Linux/Mac
source venv/bin/activate

3. Bağımlılıkları Yükleyin

pip install -r requirements.txt

4. Model Dosyalarını İndirin

Model dosyaları çok büyük olduğu için Git LFS ile yönetilmektedir. İndirmek için:

# Git LFS'i etkinleştirin
git lfs install

# Model dosyalarını indirin
git lfs pull

Alternatif olarak, model dosyalarını manuel olarak indirebilirsiniz:

• models/best.pt: PPE tespit modeli (baret + yelek)
• models/insantespit.pt: İnsan tespit modeli

5. Uygulamayı Çalıştırın

# Model dosyaları models/ klasöründe bulunmalıdır
# - best.pt (baret ve yelek tespit modeli)
# - insantespit.pt (insan tespit modeli)

6. Uygulamayı Çalıştırın

streamlit run app.py

Uygulama http://localhost:8501 adresinde çalışmaya başlayacaktır.

Kullanım

Dashboard Erişimi

1. Web tarayıcınızda http://localhost:8501 adresine gidin
2. Ana dashboard'da gerçek zamanlı analizleri izleyin
3. Sol menüden farklı modüllere erişin

Kamera Entegrasyonu

1. app.py dosyasında kamera ayarlarını yapılandırın
2. Kamera URL'sini veya indeksini belirtin
3. Sistem otomatik olarak görüntü akışını analiz etmeye başlayacaktır

API Kullanımı

import requests

# Gerçek zamanlı analiz
response = requests.get('http://localhost:5000/api/analyze')
data = response.json()

# Güvenlik durumu
status = requests.get('http://localhost:5000/api/status')

API Dokümantasyonu

Endpoints

GET /api/analyze

Gerçek zamanlı analiz sonuçlarını döndürür.

Response:

{
  "timestamp": "2025-01-27T10:30:00Z",
  "detections": {
    "helmet": 5,
    "vest": 4,
    "person": 6,
    "sitting": 2,
    "standing": 4
  },
  "alerts": [
    {
      "type": "missing_helmet",
      "severity": "high",
      "message": "Baret kullanmayan çalışan tespit edildi"
    }
  ]
}

GET /api/status

Sistem durumu ve istatistikleri döndürür.

POST /api/configure

Sistem ayarlarını günceller.

Model Detayları

Baret ve Yelek Tespit Modeli

• Model: YOLOv8 (custom trained)
• Veri Seti: Özel etiketli endüstriyel görüntüler
• Doğruluk: %95+ tespit oranı
• Hız: 30+ FPS (GPU ile)

İnsan Tespit Modeli

• Model: YOLOv8 (custom trained)
• Özellik: Çoklu insan tespiti
• Poz Sınıflandırması: Oturuyor/Ayakta
• Keypoint Tespiti: 17 vücut eklemi

Performans Metrikleri

• Tespit Doğruluğu: %92-98
• False Positive Rate: <5%
• İşlem Hızı: 25-35 FPS
• Gecikme: <100ms

Gelecek Planları

Kısa Vadeli (3-6 ay)

• Çoklu kamera desteği
• Gelişmiş bildirim kanalları
• Mobil uygulama

Orta Vadeli (6-12 ay)

• Ek KKD türleri (eldiven, ayakkabı, pantolon)
• Zaman serisi raporları
• Machine Learning tabanlı risk analizi

Uzun Vadeli (1+ yıl)

• Edge computing desteği
• Cloud entegrasyonu
• IoT sensör entegrasyonu

Katkıda Bulunma

Bu projeye katkıda bulunmak istiyorsanız:

1. Repository'yi fork edin
2. Feature branch oluşturun (git checkout -b feature/amazing-feature)
3. Değişikliklerinizi commit edin (git commit -m 'Add amazing feature')
4. Branch'inizi push edin (git push origin feature/amazing-feature)
5. Pull Request oluşturun

Katkı Alanları

• Model iyileştirmeleri
• UI/UX geliştirmeleri
• Dokümantasyon
• Test yazımı
• Bug fixes

Lisans

Bu proje MIT lisansı altında lisanslanmıştır. Detaylar için LICENSE dosyasına bakın.

İletişim

Proje Ekibi

• Eren Ata - Geliştirici
• Yunus Dermencioğlu - Geliştirici
• Gülsüm Ceylan - Geliştirici
• Doç. Dr. Barış Çukurbaşı - Danışman

Kurum Bilgileri

• MCBU Manisa Teknik Bilimler MYO
• XRLab (Genişletilmiş Gerçeklik Laboratuvarı)
• E-posta: xrlab@mcbu.edu.tr

Teşekkürler

Bu proje Manisa Celal Bayar Üniversitesi Manisa Teknik Bilimler Meslek Yüksekokulu Bilgisayar Teknolojisi Bölümü Genişletilmiş Gerçeklik Laboratuvarı'nda (XRLab) 2025 yılı yaz staj döneminde geliştirilmiştir.

---

MCBÜ XRLab © 2025 - Tüm Hakları Saklıdır.

Başa Dön