In this work, a modified polyol synthesis by adding KBr and by replacing the AgCl with NaCl seed was used to obtain high quality silver nanowires with long aspect ratios with an average length of 13.5 μm in length and 62.5 nm in diameter. The Ag nanowires suspended in methanol solution after removing any unwanted particles using a glass filter system were then deposited on a flexible polycarbonate substrate using an electrostatic spray system. Transmittance of 92.1% at wavelength of 550 nm with sheet resistance of 20 Ω/sq and haze of 4.9% were measured for the electrostatic sprayed Ag nanowire transparent electrode.

Zero-shot Learning-based Polygon Mask Generation for Construction Objects Taegeon Kim, Minkyu Koo, Jeongho Hyeon, Hongjo Kim Pages 81-88 (2024 Proceedings of the 41st ISARC, Lille, France, ISBN 978-0-6458322-1-1, ISSN 2413-5844) Abstract: For construction sites monitoring, the use of segmentation-based computer vision technology has been proposed. In such environments, the main technical challenge is the generation of data for training the segmentation model. The training data for a segmentation model involves polygon annotation of objects within an image, which is a time-consuming task. To address this issue, this study proposes a new approach that uses the YOLOv8 object detection model to predict bounding box labels and inputs these into a Segment Anything Model (SAM) to automatically generate polygon label data. The performance of the YOLOv8 model exceeded 80%, and the automatic generation of polygon labels through SAM resulted in an IoU range of 55-86%, producing high-quality mask label data. This approach significantly reduces the time, labor, and cost associated with the labeling process. Keywords: Polygon label generation, Instance segmentation, Zero-shot learning DOI: https://doi.org/10.22260/ISARC2024/0012 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley

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