Arman Cohan, Franck Dernoncourt, Doo Soon Kim, Trung Bui, Seokhwan Kim, Walter Chang, Nazli Goharian. Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers). 2018.

A data‐driven intelligent stress monitoring methodology is proposed for a robust manufacturing of a phone display with the extremely narrow bottom bezel. For the narrow bottom bezel, a bottom of a display panel should be bent 180 degrees with asymmetric bended protrusion by tight attachment. The mechanical stress of the bended panel increases rapidly depending on the amount attached after bending 180 degrees. For stable operation of assembly process with high risk process method, the virtual stress monitoring are applied for total product samples during the process. The intelligent stress sensor produces the virtual stress/strain data using a surrogated model, which is learned with the dataset of measured data and simulated data of the tightly bending attachment using it as input. The virtual stress/strain data which matches 99.4% of the simulation value with regression error of less than 1% can be obtained in real time from all products during assembly process with bending of the display panel. The crack risks of the bending 180 degrees are monitored in real time for anomaly detection using the virtual stress data produced by the proposed virtual sensor. With these approaches, we believe that the manufacturing processes having high risks could be stably controlled for a real infinite display creating an incredibly immersive viewing experience.

Context-Adaptive CCTV Pan-Tilt-Zoom method for Personal Protective Equipment Detection Seokhwan kim, Minwoo Jeong, Minkyu Koo, Taegeon Kim, Hongjo Kim Pages 768-775 (2024 Proceedings of the 41st ISARC, Lille, France, ISBN 978-0-6458322-1-1, ISSN 2413-5844) Abstract: PPE items, including hardhats, hooks, harnesses, and straps, are critical for fall prevention. Ongoing research in construction safety has focused on using deep learning models to detect Personal Protective Equipment (PPE) worn by high-altitude workers. Despite efforts using computer vision-based models for safety monitoring, small object detection, such as hooks and straps, remains challenging due to image resolution issues. This study introduces a novel technique using mobile CCTV cameras controlled by an automated Pan-Tilt-Zoom (PTZ) algorithm to enhance the detection of small-sized PPE. The method leverages the size gap between worker and PPE. In a zoomed-out state with a short focal length, the system identifies the worker's bounding box (b-box), then zooms in with a longer focal length for precise PPE detection. When encountering multiple workers, the system applies predetermined zoom-in rules. Experimental results demonstrated a significant increase in detection accuracy for the small PPE: hook detection improved from 39.8% to 88.3%, and strap detection from 49.4% to 71.8%, as measured by an mAP of 50. This encouraging performance improvement suggests that automated PTZ control technology could enhance the effectiveness of safety monitoring. Keywords: Construction safety, PTZ CCTV control, monitoring, PPE detection, Small object detection DOI: https://doi.org/10.22260/ISARC2024/0100 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley