Implementación de un sistema de visión computacional para la identificación de EPP en los trabajadores de la empresa Eco Building Technology, Lima – 2024

• Autor: Lache Alvarez, David Raymundo
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/13326
• Enlace del recurso: https://hdl.handle.net/20.500.12867/13326
• Nivel de acceso: acceso abierto
• Materia: Seguridad laboral; Protección personal; Aprendizaje profundo; https://purl.org/pe-repo/ocde/ford#2.02.04

La industria de la construcción presenta altos índices de accidentes laborales debido al incumplimiento en el uso de Equipos de Protección Personal (EPP). Las medidas tradicionales como inspecciones y capacitaciones no garantizan una supervisión constante. Para enfrentar este desafío, se implementó un sistema de visión por computadora basado en YOLOv8, utilizando aprendizaje profundo para detectar EPP en tiempo real. El modelo fue entrenado con un 70% de los datos, validado con un 20% y ajustado con el 10% restante. Las métricas obtenidas fueron: exactitud del 95.7%, sensibilidad del 90.6%, precisión del 67.2% y F1-Score del 74.8%. En la clase “casco” se alcanzaron valores perfectos (100%) en sensibilidad, precisión y F1-Score. Además, el tiempo de notificación se redujo drásticamente, pasando de 1440 minutos sin visión computacional a solo 6.9 minutos, lo que representa una mejora del 99.65%. El sistema mostró un desempeño eficiente para detectar EPP, pero también reveló la necesidad de mejorar la precisión para reducir falsos positivos. La integración con una aplicación web permitió monitoreo y alertas en tiempo real, optimizando la eficiencia operativa. Este trabajo demuestra el potencial de las redes neuronales convolucionales en entornos industriales, proponiendo una solución concreta y automatizada para la seguridad laboral. Las limitaciones actuales incluyen condiciones variables de iluminación y ángulos, además de la necesidad de evaluar el sistema en otros entornos. Futuros estudios deberán enfocarse en mejorar la precisión, ampliar el conjunto de datos y detectar otros riesgos laborales.