Evaluación de la efectividad de las técnicas de aumento de datos para la detección y clasificación de trabajadores en obras de construcción

• Autores: Pachas Pacheco, Nelsa Alejandra, Canahualpa Nakamatsu, Eimi
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Lima
• Repositorio: ULIMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ulima.edu.pe:20.500.12724/20290
• Enlace del recurso: https://hdl.handle.net/20.500.12724/20290
• Nivel de acceso: acceso abierto
• Materia: Industria de la construcción; Trabajadores; Inteligencia artificial; Construcción industry; Employees; Artificial intelligence; https://purl.org/pe-repo/ocde/ford#2.01.01

Las aplicaciones de la Inteligencia Artificial dentro de la industria de la construcción para la detección de trabajadores, equipos y herramientas requieren de una gran cantidad de datos variados para lograr un alto nivel de precisión (mean Average Precision-, mAP) y nivel de confianza en las detecciones y clasificaciones, y evitar los problemas de sobreentrenamientos, los cuales podrían perjudicar a los modelos de aprendizaje profundo. Sin embargo, los conjuntos de datos publicados en línea carecen de una variedad de imágenes que capturen los diferentes escenarios en una construcción, tales como las diversas actividades en obras, los cambios de estación, la variación en la iluminación en el transcurso del día, entre otros. Además, la creación de estos suele conllevar un proceso largo y monótono. Con el fin de abordar este problema, la presente investigación plantea el uso de 3 técnicas de Aumento de Datos aplicadas en imágenes de construcción reales a fin de generar datos variados y, seguidamente, medir la variación de mAP y nivel de confianza en la detección y clasificación de trabajadores en obras de construcción, y con ello mejorar el desempeño de los modelos de aprendizaje profundo. En ese sentido, las técnicas de Aumento de Datos utilizadas fueron Brillo-Contraste, Difuminación y Lluvia de la galería Albumentations. Para ello, se recolectaron 1212 imágenes provenientes de 4 cámaras ubicadas estratégicamente en diferentes puntos del edificio del Centro de Bienestar Universitario (CEBUL) de la Universidad de Lima en Lima, Perú. Los resultados de la investigación mostraron que las técnicas de Aumento de Datos propuestas mejoraron el mAP de entrenamiento hasta en un 4%. Además, el uso de todas las técnicas en conjunto mejoró los niveles de confianza hasta en un 9% durante la validación de resultados en una imagen de una obra de construcción distinta. Esta investigación experimental ha demostrado la importancia de considerar las técnicas de Aumento de Datos para detectar y clasificar correctamente trabajadores en la industria de la construcción, lo cual es el primer paso para automatizar de manera certera el monitoreo de trabajadores y diversas aplicaciones futuras.