XÂY DỰNG HỆ THỐNG GIÁM SÁT AN TOÀN PHÁT HIỆN VÀ CẢNH BÁO NGUY CƠ VA CHẠM GIỮA NGƯỜI VÀ XE NÂNG TRONG NHÀ XƯỞNG

Abstract

Nghiên cứu “Xây dựng hệ thống giám sát an toàn phát hiện và cảnh báo nguy cơ va chạm giữa người và xe nâng trong nhà xưởng” phát triển dựa trên nền tảng học sâu với mô hình YOLOv8 để nhận diện đối tượng và thuật toán ByteTrack nhằm duy trì quỹ đạo chuyển động ổn định cho từng cá nhân và phương tiện. Điểm then chốt của giải pháp nằm ở việc ứng dụng kỹ thuật biến đổi phối cảnh để chuyển đổi tọa độ hình ảnh sang mặt phẳng 2D cho phép tính toán khoảng cách vật lý thực tế giữa các đối tượng với độ chính xác cao. Ứng dụng được thiết kế tích hợp các ngưỡng cảnh báo đa cấp độ bằng âm thanh và hình ảnh. Kết quả thực nghiệm trên 4 kịch bản ánh sáng bình thường, ánh sáng yếu, ánh sáng mạnh và nhiễu do camera hay môi trường cho thấy hệ thống đạt hiệu suất nhận diện mAP50 = 0.7681, F1 = 0.7552, Recall = 0.674, mAP50-95 = 0.515 và Precision = 0.8588 trong điều kiện ánh sáng ổn định. Đánh giá việc chuẩn hóa khoảng cách đánh giá cho thấy MSE = 223.71923, MAE = 10.16154 , R2 = 0.99595 và RMSE = 14.95725. Mặc dù vẫn còn thách thức trong môi trường nhiễu nặng, nghiên cứu đã chứng minh tính khả thi của một giải pháp an toàn chủ động, góp phần giảm thiểu rủi ro tai nạn và thúc đẩy quá trình chuyển đổi số trong quản lý an toàn công nghiệp. Từ khóa: YOLOv8, Perspective Transform, An toàn xe nâng, Thị giác máy tính, Cảnh báo va chạm. The research titled “Development of a Safety Monitoring System for Detecting and Warning Collision Risks Between Humans and Forklifts in Industrial Warehouses” is developed based on a deep learning framework using the YOLOv8 model for object detection and the ByteTrack algorithm to maintain stable motion trajectories for each individual and vehicle. A key aspect of the proposed solution lies in the application of perspective transformation techniques to convert image coordinates into a 2D plane, enabling accurate computation of real-world physical distances between objects. The system is designed with multilevel alert mechanisms using both audio and visual warnings. Experimental results conducted under four scenarios—normal lighting, low lighting, high illumination, and noise interference from cameras or environmental conditions—demonstrate that the system achieves a detection performance of mAP50 = 0.7681, mAP50-95 = 0.515, F1-score = 0.7552, Recall = 0.674, and Precision = 0.8588 under stable lighting conditions. The evaluation of distance normalization indicates MSE = 223.71923, MAE = 10.16154 , R2 = 0.99595 và RMSE = 14.95725. Although challenges remain under severe noise conditions, the study demonstrates the feasibility of an active safety solution, contributing to risk reduction in industrial environments and promoting digital transformation in occupational safety management. Keywords: YOLOv8, Perspective Transform, Forklift Safety, Computer Vision, Collision Warning.