Implementation of You Only Look Once (YOLO) Model for Checking Personal Protective Equipment Compliance in Construction Project

Wibowo, Deanne Callista Radiany (2025) Implementation of You Only Look Once (YOLO) Model for Checking Personal Protective Equipment Compliance in Construction Project. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5012211166-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

The construction industry is a high-risk environment, with worker safety being a critical concern. Personal Protective Equipment (PPE) is essential for mitigating these risks, but manual safety monitoring is often inefficient and prone to error. Therefore, there is a need for automated and real-time solutions to check the PPE compliance. While previous studies have explored object detection for PPE monitoring, a comparative analysis of YOLO variants with diverse PPE classes remains underexplored. Therefore, this study develops and evaluates a PPE compliance detection system using four YOLO models: YOLOv8m, YOLOv9m, YOLOv11m, and YOLOv12m. A dataset of 1,490 annotated images, comprising classes such as person, helmet, vest, boots, glasses, gloves, and harness, was used to train and validate these models. Performance was evaluated using metrics such as precision, recall, and Mean Average Precision (mAP). The YOLOv11m model demonstrated the highest accuracy, achieving an mAP@50 of 0.693, particularly excelling in detecting helmets and persons. However, it performed less effectively on smaller items, such as gloves and boots. The proposed system enables efficient PPE compliance monitoring, offering practical applications for enhancing safety management in construction environments.
===================================================================================================================================
Proyek konstruksi merupakan salah satu sektor yang memiliki resiko kecelakaan kerja tinggi, dengan keselamatan pekerja menjadi hal yang sangat perlu diperhatikan. Alat Pelindung Diri (APD) dapat mengurangi resiko terjadinya kecelakaan kerja, namun pemantauan keselamatan secara manual sering kali tidak efisien dan rentan terhadap kelalaian. Oleh karena itu, kebutuhan atas pemantauan keselamatan kerja secara otomatis dan real-time untuk memastikan pekerja mematuhi penggunaan APD. Penelitian sebelumnya telah membahas metode object detection untuk memantau APD, namun masih sedikit yang membandingkan berbagai varian model YOLO dengan berbagai jenis APD. Meski sebelumnya sudah banyak penelitian yang menggunakan metode object detection untuk memantau kepatuhan terhadap penggunaan APD, masih sedikit yang membandingkan berbagai varian model YOLO untuk mendeteksi berbagai jenis APD. Berdasarkan itu, penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi kepatuhan APD dengan menggunakan empat model YOLO: YOLOv8m, YOLOv9m, YOLOv11m, dan YOLOv12m. Penelitian ini menggunakan dataset berisi 1.490 gambar yang telah dianotasi, dengan kelas seperti orang, helm, rompi, sepatu bot, kacamata, sarung tangan, dan harness, yang digunakan untuk melatih dan menguji model-model tersebut Kinerja model diuji dengan metrik seperti presisi, recall, dan Mean Average Precision (mAP). Model YOLOv11m menunjukkan akurasi terbaik, dengan mAP@50 sebesar 0,693, terutama unggul dalam mendeteksi helm dan orang. Namun, model ini masih kurang efektif dalam mendeteksi objek-objek kecil, seperti sarung tangan dan sepatu bot. Dengan sistem yang diusulkan, pemantauan kepatuhan APD dapat dilakukan secara lebih efisien, memberikan solusi praktis untuk meningkatkan manajemen keselamatan di lingkungan konstruksi.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Construction Safety, YOLO, PPE Compliance, Keselamatan dan Kesehatan Kerja Konstruksi (K3), Pemantauan APD
Subjects:	T Technology > T Technology (General) > T55.3.H3 Hazardous substances--Safety measures. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Civil Engineering > 22201-(S1) Undergraduate Thesis
Depositing User:	DEANNE CALLISTA RADIANY WIBOWO
Date Deposited:	29 Jul 2025 02:23
Last Modified:	29 Jul 2025 02:23
URI:	http://repository.its.ac.id/id/eprint/122326

Actions (login required)

View Item