Enhancing workplace safety through automated personal protective equipment detection
| dc.contributor.advisor | Romero Gelvez, Jorge Ivan | |
| dc.creator | Poveda Pinilla, Juan Camilo | |
| dc.creator | Segura Muñoz, Sofia | |
| dc.date.accessioned | 2024-08-23T19:00:37Z | |
| dc.date.available | 2024-08-23T19:00:37Z | |
| dc.date.created | 2024-08-23 | |
| dc.description.abstract | El equipo de protección individual (EPI) es esencial para garantizar la seguridad de los trabajadores en entornos industriales, protegiéndolos de una variedad de peligros potenciales. Con el rápido avance de las tecnologías de aprendizaje profundo, hay un creciente interés en aplicar estas técnicas para automatizar la detección de EPI, mejorando así las medidas de seguridad en el lugar de trabajo. Este documento presenta el desarrollo y la evaluación de un sistema de detección de cascos en tiempo real que aprovecha la visión artificial y los modelos de aprendizaje profundo. El sistema está diseñado para identificar si las personas usan cascos de seguridad, brindando retroalimentación inmediata y almacenando instancias de incumplimiento para su posterior revisión. A través de una revisión exhaustiva de la literatura, este documento explora el estado del arte en la detección de EPI, identifica los desafíos clave y analiza las direcciones futuras para mejorar los sistemas de detección. Además, se detalla la implementación del sistema, incluida su aplicación práctica en el monitoreo del cumplimiento de la seguridad en entornos industriales del mundo real. Los resultados demuestran la eficacia del sistema para detectar cascos de manera confiable y su potencial para contribuir significativamente a los protocolos de seguridad en el lugar de trabajo. | |
| dc.description.abstractenglish | Personal Protective Equipment (PPE) is essential for ensuring the safety of workers in industrial environments, protecting them from a range of potential hazards. With the rapid advancement of deep learning technologies, there is an increasing interest in applying these techniques to automate the detec tion ofPPE,therebyenhancingworkplacesafetymeasures.Thispaperpresentsthe development and evaluation of a real-time helmet detection system that leverages computer vision and deep learning models. The system is designed to identify whether individuals are wearing safety helmets, providing immediate feedback and storing instances of non-compliance for later review. Through a compre hensive review of the literature, this paper explores the state-of-the-art in PPE detection, identifies key challenges, and discusses future directions for improv ing detection systems. Additionally, the implementation of the system is detailed, including its practical application in monitoring safety compliance in real-world industrial settings. The results demonstrate the system’s effectiveness in reliably detecting helmets and its potential to contribute significantly to workplace safety protocols. | spa |
| dc.format.extent | 8 páginas | spa |
| dc.format.mimetype | application/pdf | spa |
| dc.identifier.uri | https://hdl.handle.net/20.500.12010/35455 | |
| dc.language.iso | eng | spa |
| dc.relation.references | Balkhyour, M.A., Ahmad, I., Rehan, M.: Assessment of personal protective equipment use and occupational exposures in small industries in jeddah: Health implications for workers. Al-Mi’gala al-sa’udiya l¯ ı-ulum al-h .aya 26(4), 653–659 (05 2019). https://doi. org/10.1016/j.sjbs.2018.06.011, https://pubmed.ncbi.nlm.nih.gov/31048988 | spa |
| dc.relation.references | Boyd, S., Vandenberghe, L.: Convex Optimization. Cambridge University Press (2004) | spa |
| dc.relation.references | Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., Zagoruyko, S.: End-to end object detection with transformers. In: European Conference on Computer Vision (ECCV). pp. 213–229. Springer (2020) | spa |
| dc.relation.references | Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. In: 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). pp. 886–893. IEEE (2005) | spa |
| dc.relation.references | Duda, R.O., Hart, P.E., Stork, D.G.: Pattern Classification and Scene Analysis. Wiley Interscience (1973) | spa |
| dc.relation.references | Fang, Y., Ding, L., Luo, H., Love, P.E.: Computer vision applications in construction safety. Automation in Construction 103, 77–91 (2020) | spa |
| dc.relation.references | Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 580–587. IEEE (2014) | spa |
| dc.relation.references | Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning. MIT Press (2016) | spa |
| dc.relation.references | Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer (2009) | spa |
| dc.relation.references | He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 770–778 (2016) | spa |
| dc.relation.references | Murphy, K.P.: Machine Learning: A Probabilistic Perspective. MIT Press (2012) | spa |
| dc.relation.references | Occupational Safety and Health Administration (OSHA): Head protection standards. https://www.osha.gov/laws-regs (2021), accessed: 2024-08-16 | spa |
| dc.relation.references | Redmon,J.,Divvala,S.,Girshick, R., Farhadi, A.: You onlylookonce:Unified,real-time object detection. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 779–788 (2016) | spa |
| dc.relation.references | Ren, S., He, K., Girshick, R., Sun, J.: Faster r-cnn: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems (NeurIPS) 28, 91–99 (2015) | spa |
| dc.relation.references | Viola, P., Jones, M.: Rapid object detection using a boosted cascade of simple features. In: Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). pp. 511–518. IEEE (2001) | spa |
| dc.relation.references | Zhong, B., Ding, L., Luo, H., Love, P.E.: Automated safety behavior analysis in con struction using computer vision techniques. Engineering, Construction and Architectural Management 25(4), 503–516 (2018) | spa |
| dc.subject | Visión artificial | |
| dc.subject | Detección de EPI | |
| dc.subject | Seguridad en el lugar de trabajo | |
| dc.subject | Sistema de detección de cascos | |
| dc.subject | Aprendizaje profundo | spa |
| dc.subject.keyword | DeepLearning | spa |
| dc.subject.keyword | ComputerVision | spa |
| dc.subject.keyword | PPEDetection | spa |
| dc.subject.keyword | WorkplaceSafety | spa |
| dc.subject.keyword | Helmet Detection System | spa |
| dc.subject.lemb | Seguridad industrial | |
| dc.subject.lemb | Prevención de accidentes de trabajo | |
| dc.subject.lemb | Equipo de protección personal | |
| dc.subject.lemb | Cascos de seguridad | |
| dc.title | Enhancing workplace safety through automated personal protective equipment detection | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_8042 | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Tesis___Reconocimiento_de_implementos_de_seguridad_cv (1).pdf
- Tamaño:
- 1.9 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Ver documento
Bloque de licencias
1 - 2 de 2
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 2.87 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción:
Cargando...
- Nombre:
- Formato de Autorización de Publicación de Recursos Digitales.pdf
- Tamaño:
- 385.93 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Carta de Autorización