Deep Learning-Based Classification of ISO 7010 Occupational Health and Safety Signs Under RGB and Grayscale Image Representations

Abstract

This study aims to automatically classify occupational health and safety signs based on the ISO 7010 standard using deep learning methods and to investigate the effect of color information on classification performance. For this purpose, a large-scale dataset comprising 32,500 images was generated, consisting of 325 distinct occupational health and safety sign classes with 100 synthetic images per class. During the dataset generation process, various background scenarios, including factory, marine, and outdoor environments, were employed, while data augmentation techniques representing real-world conditions, such as illumination variations, blur, perspective distortions, noise, compression artifacts, and shadow effects, were applied. The proposed Convolutional Neural Network (CNN)-based classification framework was evaluated under three different experimental conditions: RGB, grayscale, and freeze-based grayscale. Experimental results demonstrated that the RGB-based model achieved the highest performance, with a test accuracy of 94.15% and a mean F1-score of 0.941, whereas evaluating the model trained on RGB images using grayscale test images resulted in a substantial performance degradation, reducing the accuracy to 14.06% and the mean F1-score to 0.108. In contrast, the freeze strategy, which preserves the convolutional feature extraction layers learned from the RGB model, increased the test accuracy under grayscale conditions to 93.05% and the mean F1-score to 0.930. These findings indicate that color information constitutes a critical discriminative feature in the classification of ISO 7010 occupational health and safety signs and demonstrate that a transfer learning-based feature preservation strategy can substantially improve classification performance under conditions in which color information is reduced or unavailable.

Keywords

• ISO 7010
• convolutional neural networks
• deep learning
• Occupational Health and Safety Signs

ISO 7010 İş Sağlığı ve Güvenliği İşaretlerinin RGB ve Grayscale Görüntü Temsilleri Altında Derin Öğrenme Tabanlı Sınıflandırılması

Abstract

Bu çalışmada, ISO 7010 standardına dayalı iş sağlığı ve güvenliği işaretlerinin derin öğrenme yöntemleriyle otomatik olarak sınıflandırılması ve renk bilgisinin sınıflandırma performansı üzerindeki etkisinin incelenmesi amaçlanmıştır. Bu kapsamda, 325 farklı iş sağlığı ve güvenliği işareti sınıfından oluşan ve sınıf başına 100 sentetik görüntü içeren toplam 32.500 görüntülük geniş ölçekli bir veri seti oluşturulmuştur. Veri seti üretim sürecinde fabrika, deniz ve açık alan gibi farklı arka plan senaryoları kullanılmış; aydınlatma değişimleri, bulanıklık, perspektif bozulmaları, gürültü, sıkıştırma kayıpları ve gölge etkileri gibi gerçek ortam koşullarını temsil eden veri artırma işlemleri uygulanmıştır. Önerilen Evrişimsel Sinir Ağı (Convolutional Neural Network, CNN) tabanlı sınıflandırma çerçevesi RGB, gri tonlamalı (grayscale) ve katman dondurma (freeze) tabanlı grayscale olmak üzere üç farklı deneysel koşul altında değerlendirilmiştir. Deneysel sonuçlar, RGB tabanlı modelin %94,15 test doğruluğu ve 0,941 ortalama F1-skoru ile en yüksek performansı elde ettiğini, RGB olarak eğitilen modelin grayscale test görüntüleriyle değerlendirilmesi durumunda doğruluğun %14,06’ya ve F1-skorunun 0,108’e düştüğünü göstermiştir. Buna karşılık, RGB modelinden öğrenilen evrişimsel öznitelik çıkarım katmanlarının korunmasına dayalı freeze stratejisi, grayscale koşulda test doğruluğunu %93,05’e ve ortalama F1-skorunu 0,930’a yükseltmiştir. Elde edilen bulgular, ISO 7010 iş sağlığı ve güvenliği işaretlerinin sınıflandırılmasında renk bilgisinin kritik bir ayırt edici unsur olduğunu ve transfer öğrenme tabanlı öznitelik koruma stratejisinin renk bilgisinin azaldığı koşullarda sınıflandırma performansını önemli ölçüde artırabildiğini göstermektedir.

Keywords

• İş sağlığı ve güvenliği işaretleri
• ISO 7010
• evrişimsel sinir ağı
• derin öğrenme

References

1. Cireşan, D., Meier, U., Masci, J., ve Schmidhuber, J. (2012). Multi-column deep neural network for traffic sign classification. Neural Networks, 32, 333–338.
2. Fang, Q., Li, H., X., Luo, Ding, L., Luo, H., Rose, T. M., ve An, W. (2018). Detecting non-hardhat-use by a deep learning method from far-field surveillance videos. Automation in Construction, 85, 1–9.
3. Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27, 8, 861-874.
4. Ioffe, S. ve Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. David Blei ve John Lafferty (Ed.), Proceedings of the 32nd International Conference on Machine Learning (ICML), 448–456. Lille, Fransa, 6-11 Temmuz 2015. JMLR.
5. Kingma, D. P. ve Ba, J. (2015). Adam: A method for stochastic optimization. Yoshua Bengio ve Yann LeCun (Ed.), International Conference on Learning Representations (ICLR), San Diego, CA, ABD, 7-9 Mayıs 2015.
6. Krizhevsky, A., Sutskever, I., ve Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. F. Pereira, C. J. C. Burges, L. Bottou ve K. Q. Weinberger (Ed.), Advances in Neural Information Processing Systems (NIPS 2012), 1097–1105. Lake Tahoe, NV, ABD, 3-6 Aralık 2012. Curran Associates, Inc.
7. LeCun, Y., Bengio, Y., ve Hinton, G. (2015). Deep learning. Nature, 521, 7553, 436–444.
8. Nath, N. D. ve Behzadan, A. H. (2020). Deep convolutional networks for construction object detection under different visual conditions. Frontiers in Built Environment, 6, 97.

9. Pan, S. J. ve Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22, 10, 1345–1359.
10. Shorten, C. ve Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, 1, 1–48.
11. Sokolova, M. ve Japkowicz, N. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45, 4, 427-437.
12. Stallkamp, J., Schlipsing, M., Salmen, J., ve Igel, C. (2012). Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition. Neural Networks, 32, 323–332.
13. Szegedy, C., Liu, W., Jia, Y., Permanet, S., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., ve Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1–9. Boston, MA, ABD, 7-12 Haziran 2015. IEEE.
14. Szeliski, R. (2022). Computer Vision: Algorithms and Applications (2. baskı). Springer, Cham, İsviçre.
15. Yosinski, J., Clune, J., Bengio, Y., ve Lipson, H. (2014). How transferable are features in deep neural networks? Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence ve K. Q. Weinberger (Ed.), Advances in Neural Information Processing Systems (NIPS 2014), 3320–3328. Montreal, Kanada, 8-13 Aralık 2014. Curran Associates, Inc.
16. International Organization for Standardization. (2019). ISO 7010:2019, Graphical symbols — Safety colours and safety signs — Registered safety signs. ISO. https://www.iso.org/standard/72424.html, (11.05.2026)
17. Wikimedia Commons. (2026). Category: ISO 7010 safety signs (vector drawings). Wikimedia Foundation. https://commons.wikimedia.org/wiki/Category:ISO_7010_safety_signs_(vector_drawings), (11.05.2026)