Drone-based Monitoring of Personal Protective Equipment: A Computer Vision Pipeline for Industrial Safety
Authors
Larsen, Julian Aarup ; Jucaitis, Gustas ; Bergulff, Nicolai Laugaard
Term
4. term
Education
Publication year
2026
Submitted on
2026-06-10
Abstract
This thesis investigates how drones can be used to monitor personal protective equipment (PPE) compliance at industrial sites such as power plants. To address the substantial domain shift from ground-based cameras to oblique aerial views, the authors construct a custom dataset of people wearing PPE, captured by drones at altitudes between 5 and 30 meters. They benchmark lightweight YOLO object detection models and select the edge-optimized YOLOv26s for onboard inference on an NVIDIA Jetson Orin Nano. The chosen model is integrated into a custom DroneOS client that processes video locally and transmits compact PPE violation events via MQTT to a central backend. The backend aggregates detections and supports a dashboard that visualizes non-compliance hotspots as heatmaps and tracks personnel paths for patrol and escort scenarios in a power plant context. Experimental results show that training on the drone-perspective dataset substantially improves detection performance on aerial imagery (increasing mAP50 from 0.0804 using a ground-level baseline to 0.857 with the aerial data) and that the end-to-end edge-to-backend pipeline can reliably support up to 25 concurrent drones without message loss while maintaining a low end-to-end latency of 9–20 ms. The thesis contributes a domain-specific, fully integrated framework, a new drone-based PPE dataset, and a proof-of-concept demonstration of real-time PPE compliance monitoring in a simulated power plant environment.
Denne afhandling undersøger, hvordan droner kan bruges til at overvåge brugen af personlige værnemidler (PPE) på industrielle anlæg som kraftværker. For at håndtere det store skift fra traditionelle kameraer i øjenhøjde til skrå luftbilleder har forfatterne opbygget et specialiseret datasæt med personer iført PPE fotograferet fra droner i 5–30 meters højde. De har afprøvet og sammenlignet letvægts-objektdetektorer fra YOLO-familien og valgt den edge-optimerede YOLOv26s til ombord-inferens på en NVIDIA Jetson Orin Nano. Modellen er integreret i en skræddersyet DroneOS-klient, der behandler videostrømmen lokalt og kun sender kompakte hændelser om regelbrud via MQTT til et centralt backend-system. Her aggregeres data og vises i et dashboard med blandt andet varmekort over manglende efterlevelse og visualisering af personers ruter til brug i patrulje- og eskortescenarier på kraftværket. Resultaterne viser, at træning på det nye drone-perspektiv-datasæt markant forbedrer detektionsydelsen på luftbilleder (mAP50 fra 0,0804 til 0,857 sammenlignet med et grundniveau fra jordnære data), og at den samlede edge‑til‑backend‑pipeline kan håndtere op til 25 samtidige droner uden beskedtabet og med lav ende‑til‑ende‑latenstid på 9–20 ms. Afhandlingen bidrager med et domænespecifikt, fuldt integreret rammeværk, et nyt drone-baseret PPE-datasæt og en proof‑of‑concept demonstration af realtidsovervågning af PPE-efterlevelse i et simuleret kraftværksmiljø.
[This abstract has been generated with the help of AI directly from the project full text]
Keywords