Documentos de Académico
Documentos de Profesional
Documentos de Cultura
en las empresas”
Autores
Docente
JOSE LUIS BOHORQUEZ BENDEZU
Lima, Perú
Octubre - 2022
ÍNDICE
CAPÍTULO 1: PLANTEAMIENTO DEL PROBLEMA 4
1.1. Descripción del problema y justificación 4
1.2. Objetivos 4
1.3. Alcance y límites del trabajo 5
1.3.1. Alcance: 5
1.3.2. Limitaciones: 5
1.4. Metodología general 5
1.5. Estado del arte 5
2
3.9. Solución Óptima para el Sistema 20
CONCLUSIONES 48
BIBLIOGRAFÍA 50
3
CAPÍTULO 1: PLANTEAMIENTO DEL PROBLEMA
1.1. Descripción del problema y justificación
En las empresas industriales existen muchos accidentes, por lo que es una obligación
utilizar los equipos de protección por parte de todo el personal, por ende las empresas
tienen la obligación de supervisar que todos tus colaboradores ingresen a sus
instalaciones con sus equipos de seguridad, por lo tanto se hace un registro ingreso en
el cual hay una persona encargada de verificar que los trabajadores cuenten con sus
equipos de protección personal, por lo tanto genera un gasto tener un personal las 24
horas verificando , existen otras circunstancias en que los trabajadores no cuenten con
sus EPP completos y de igual forma ingresan, causando que los trabajadores puedan
sufrir accidentes y esto genere sanciones así como gastos a la empresa; por esto
mismo se ofrece a las empresas un sistema detector de equipos de protección de
seguridad (EPP) por medio del análisis gráfico del trabajador que debe contar con sus
equipos de seguridad completos para su ingreso autorizado.[1]
1.2. Objetivos
4
1.3. Alcance y límites del trabajo
1.3.1. Alcance:
Construir un sistema electromecánico automatizado que analiza si el
usuario cuenta con sus equipos personales por medio de una cámara las
24 horas del día con fiabilidad.
1.3.2. Limitaciones:
Una de las limitaciones contempladas es el poder detectar cascos de colores,
por motivo de los patrones de los colores, ya que existen diversos colores de
cascos, como los de color blanco, azul, amarillo, entre otros .El trabajo está
diseñado para detectar casco de color azul, los cuales son las más usados por
los trabajadores de las empresas industriales.
Tecnológico
Se entrenó la red neuronal YOLO con la intención de detectar guantes, cascos, ropa
de alta visibilidad y a los trabajadores con un formato creado a partir de videos
generados utilizando cámaras deportivas. Con el sistema entrenado, se presenta un
análisis de caso in the open con un video grabado con cámara deportiva sujeta al
casco de un trabajador metalúrgico en el sector de la construcción. Los resultados son
promisorios y muestran que la estrategia planteada es adecuada para llegar a una
solución implantable en ambientes de trabajo.
5
Sistema Integrado
6
● “Computer Vision System Based for Personal Protective Equipment Detection, by
Using Convolutional Neural Network. 2019”
El número de accidentes de trabajo ocurridos en Indonesia no disminuye, en este
momento. Una de las causas de los accidentes de trabajo es la negligencia
humana en el uso de los equipos de protección personal o lo que se denomina
EPP. Se necesita un sistema que pueda monitorear automáticamente la integridad
del EPP que usan los trabajadores en un entorno industrial. En la tecnología de
visión por computadora se utiliza un método conocido como red neuronal
convolucional, este es un sistema para monitorear directamente y detectar a los
trabajadores que no usan EPP. La precisión del sistema de nivel se ha visto por
comparación entre la condición real y la condición roja del sistema que se muestra
a las personas sin EPP por completo. El resultado del sistema resultante se
comparará con el del examinador. El resultado mostró que este sistema es capaz
de conocer y distinguir entre los trabajadores que usan EPP en su totalidad y los
que no. Con el número de imágenes del conjunto de datos 14512, la precisión de
este sistema es del 79,14 % con una precisión de detección del 80 %. Este sistema
puede dar una advertencia si hay trabajadores que no usan completamente el EPP
y también podría implementarse en varios lugares de trabajo que tengan los
requisitos para la detección. Este sistema contribuye a disminuir la siniestralidad
laboral ya aumentar la seguridad de los trabajadores.[5]
Disciplina o Dominio Mecánico
Invariancia de color Sí No Sí
Invariancia de orientación No No Sí
Sentido práctico No No Sí
Personalización Sí No Sí
Base de datos de No No Sí
formación/huellas dactilares
7
Tabla 1: Tabla de resumen comparativo de técnicas de detección de objetos.
● YOLO v2 y YOLOv3 fueron una mejora con respecto a YOLO que introdujo la
normalización por lotes, clasificadores de alta resolución, circunvoluciones con
cajas ancla, entrenamiento multiescala y clasificación y detección conjunta.
YOLOv3 utiliza la predicción basada en softmax y permite la clasificación de
etiquetas múltiples. Utiliza una arquitectura Darknet-53 de 53 capas como
extractor de características de las imágenes. YOLOv3 es una arquitectura CNN
avanzada cuya métrica AP (Precisión de precisión) media es comparable a
otras arquitecturas similares como Faster R-CNN, SSD513, RetinaNet y DSSD
( Redmon y Farhadi, 2018 ), pero ofrece una tasa de predicción más rápida en
comparación con otras arquitecturas. algoritmos YOLOv3 ha demostrado ser
efectivo para detectar múltiples trabajadores en sitios de construcción ( Luo et
al., 2019). Por lo tanto, se eligió YOLOv3 como la arquitectura base de CNN
para el presente estudio.
[feast1,validpts1]=extractFeatures(rgb2gray(Reference),Surf_Features_Reference);
[feast2,validpts2]=extractFeatures(rgb2gray(Input),Surf_Features_Input);
Index_Matched_Features=matchFeatures(feast1, feats2);
8
Por el contrario, la coincidencia de plantillas con frecuencia se refiere a una
serie de operaciones destinadas a detectar e identificar una determinada forma
o patrón en una imagen de entrada en comparación con una referencia o
plantilla ( Brunelli, 2009 ). La plantilla se coloca sobre la imagen de entrada en
todas las posiciones posibles y se calcula un coeficiente de similitud. Las
métricas posibles para determinar la similitud incluyen la suma de las
diferencias absolutas (SAD), la suma de las diferencias al cuadrado (SSD) y la
diferencia absoluta máxima (MaxAD) ( Yu et al., 2006). Otros métodos que
buscan la diferencia mínima entre dos imágenes consisten en una búsqueda
exhaustiva (ES) o una búsqueda en tres pasos (TSS). El primero es más
preciso, sin embargo, computacionalmente más costoso; el último es más
rápido, pero no siempre puede determinar la solución óptima. En MATLAB, un
comparador de plantillas generalmente se basa en SAD a menos que se
indique lo contrario (p. ej., tres pasos), como se indica en el fragmento de
código a continuación:
Se detecta un casco cuando la diferencia calculada entre una imagen de
plantilla que contiene un casco y la imagen de entrada es inferior al umbral
requerido. En general, los algoritmos de coincidencia de plantillas están
limitados por la potencia de cálculo disponible debido a la alta precisión de
detección requerida que requiere largos procesos de iteración.
En este estudio, diferentes clasificadores en cascada ( Alionte y Lazar, 2015)
basado en el histograma de gradientes orientados (HOG), se evalúan las
características tipo Haar y el patrón binario local (LBP). Esto requiere un
proceso de entrenamiento que utiliza dos conjuntos de instancias positivas y
negativas. Las instancias positivas contienen imágenes del objeto relevante,
mientras que las instancias negativas son imágenes que no contienen el objeto
relevante. Se recolectó una muestra de 75 imágenes positivas y 164 negativas
de entornos de construcción para entrenar los tres detectores de objetos en
cascada. El proceso de entrenamiento también requiere un conjunto de
parámetros de entrada, incluido el número de etapas en cascada, la tasa de
verdaderos positivos y la tasa de falsas alarmas (FAR). Experimentar con estos
parámetros produce resultados diferentes, lo que permite la creación de un
detector más eficaz. Por ejemplo
9
convolucionales y totalmente conectadas se abren para el entrenamiento con los datos
de los sitios de construcción. Además de lo anterior.
Cada imagen se procesó a velocidades de entre 2 imágenes por segundo y 1
imagen por segundo, independientemente del número de clases/cuadros
delimitadores detectados en la imagen. Se utilizó una matriz de confusión para
comprender el rendimiento del modelo entrenado, en la que se contaron y
marcaron en una tabla las interpretaciones humanas y las predicciones del
modelo. La precisión y la puntuación F1 fueron los parámetros utilizados para
evaluar el rendimiento del modelo. Para esto, se contaron y tabularon los
valores de Verdadero Positivo (TP), Verdadero Negativo (TN), Falso Positivo
(FP) y Falso Negativo (FN) de cada clase. La precisión del modelo fue la suma
de TP sobre el número total de puntos de datos. La precisión fue: dada una
predicción de clase del modelo clasificador; qué tan probable es que sea
correcto; y calculado como TP sobre la suma de TP y FP. El retiro fue: dado
una clase; ¿Lo detectará el modelo clasificador? y calculado como TP sobre la
suma de TP y FN. La puntuación F1 fue la media armónica de precisión y
recuperación y se calculó como dos veces el producto de precisión y
recuperación sobre la suma de precisión y recuperación.
Para una muestra de 102 cascos azules, los valores promedio de rojo, verde y
azul en la representación RGB fueron relativamente bajos y describieron el
color "oscuro" en lugar del "azul" del casco. Los valores de rojo, verde y azul
que van de 2,5 a 36, de 3,9 a 57 y de 21 a 100, respectivamente (ver Fig. 3),
no representan bien el color azul. Se obtuvieron resultados insignificantes
similares usando el espacio de color del LABORATORIO CIE. Para el espacio
de color HSV, los promedios calculados de tono, saturación y valor para las
102 imágenes de muestra variaron de 0,59 a 0,66, 0,66 a 0,95 y 0,08 a 0,39,
respectivamente (consulte la Fig. 4), al tiempo que proporcionaban la
representación más precisa de un color azul con brillo bajo. Los valores de
desviación estándar para Hue también fueron mínimos (ver Fig. 5), lo que
implica que la uniformidad del color del casco dentro de cada imagen se
modeló con precisión.
10
Figura 1: imagen muestra valores promedio de rojo, verde y azul de imágenes.
11
2.1. Antecedentes
2.1.1. Nacionales
Actualmente, el mercado minorista peruano ha convertido la frase “todo
pasa por los ojos” en una herramienta competitiva. El diseño y la
optimización del espacio, así como la comercialización visual, son
técnicas que impactan en la venta. Nuevos conceptos, tales como
omnicanalidad y experiencia de compra, son alimentados por el análisis
de datos para describir el modo comercial; y nuevas fuentes de
información cualitativa, entre ellas la teoría del color, ayudan
especialmente a comprender y predecir el impacto de las decisiones
futuras en el punto de venta. por eso mencionamos la utilidad de las
técnicas de procesamiento de imágenes para innovar en el mercado
minorista, en un esfuerzo por extraer información útil de piezas
publicitarias frecuentemente utilizadas en este sector.[6]
2.1.2. Internacionales
Un claro ejemplo de la utilización del procesamiento digital de imágenes
para el reconocimiento de EPP´s, lo tenemos cerca, en Córdova-
Argentina, en donde la empresa Caima segall SRL, ha desarrollado un
sistema modular de reconocimiento de EPP´s (reconoce si el usuario
desea, solo partes por cada módulo adquirido, por ejemplo el
reconocimiento de solo cascos o guantes o gafas/anteojos por separado,
según sea el interés de cada empresa interesada. Teniendo gran
demanda y acogida por las diferentes empresas del sector.[7]
Suavizar la imagen:
Reducir la cantidad de variaciones de intensidad entre píxeles vecinos[9].
Eliminar ruido:
12
Eliminar aquellos píxeles cuyo nivel de intensidad es muy diferente al de
sus vecinos y cuyo origen puede estar tanto en el proceso de adquisición
de la imagen como en el de transmisión[9].
Realzar bordes:
Destacar los bordes que se localizan en una imagen[9].
Detectar bordes:
Detectar los píxeles donde se produce un cambio brusco en la función
intensidad.
Por tanto, se consideran los filtros como operaciones que se aplican a los
píxeles de una imagen digital para optimizarla, enfatizar cierta información
o conseguir un efecto especial en ella. El proceso de filtrado puede
llevarse a cabo sobre los dominios de frecuencia y/o espacio[9].
2.2.3.1 Torniquetes
Se denomina torniquete o molinete a una especie de barrera física que,
tras verificar su autorización de forma manual, visual o mediante el circuito
electrónico incorporado, permite o impide el acceso de una persona a un
lugar determinado. Se usan en instalaciones deportivas (estadios
deportivos, gimnasios, eventos deportivos), transporte (medios de
transporte público, estaciones de transporte público), acceso a edificios
públicos y privados (empresas, discotecas, pubs, etcétera, como
herramienta de control de acceso de personas y como medio de pago),
parques de diversiones, museos, cafeterías, exposiciones, estaciones de
esquí, casinos y otros [11].
2.2.3.2 Cabina
El término cabina alude a un espacio que suele estar aislado y que tiene
dimensiones reducidas. Estos recintos pueden utilizarse con distintos
fines [11].
2.2.5.1 Pic18F4550
El microcontrolador PIC18F4550 es un dispositivo programable que se
compone de una computadora digital, una unidad de memoria de datos,
una unidad de memoria de programa y puertos de entrada/salida en un
circuito integrado, funciona como un controlador de periféricos en un
sistema mínimo. El microcontrolador depende de una alimentación de al
menos 5V y 0V en sus entradas de Vdd y Vss respectivamente para su
operación, requiere de una señal de reloj que le indique la frecuencia de
trabajo, está señal la introducimos a través de un oscilador de cristal de
cuarzo en los pines OSC1 y OSC2, y una alimentación al pin MCLR, que
es un pin de reset que activa al microcontrolador. Ideal para aplicaciones
de baja potencia (nanoWatt) y conectividad que se benefician de la
disponibilidad de tres puertos serie: FS-USB (12 Mbit/s), I2C™ y SPI™
13
(hasta 10 Mbit/s) y un puerto serie asincrónico (compatible con LIN)
(EUSART). Grandes cantidades de memoria RAM para almacenamiento
en búfer y memoria de programa Flash mejorada lo hacen ideal para
aplicaciones de control y supervisión integradas que requieren conexión
periódica con un ordenador personal a través de USB para la
carga/descarga de datos y/o actualizaciones de firmware. [12]
14
Se realizó el diseño en base a los pasos mostrados en la Figura 4 como
aplicación de la metodología VDI 2206, iniciando desde un diseño conceptual,
pasando por cálculos de magnitudes, selección de materiales, etc., hasta
generar los planos mecánicos del sistema.
15
Figura 6: Metodología del Desarrollo de la Disciplina Eléctrico-electrónico.
16
3.3. Listado de exigencias
17
3.5. Estructura de funciones de dominios
18
3.6. Matriz morfológica de Sistema
19
Figura 09: conceptos de solución.
Primera opción
Llevar los EPP’s en toda la jornada laboral, activación de alarma por falta de
EPP’s, adquiriendo EPP’s cómodos al uso.
Segunda opción
Control de EPP’s al ingreso a planta, tener EPP’s de repuesto en caso de
olvido, conseguir diferentes tallas de implementos adecuado a cada
trabajador.
3.8. Evaluación y selección de un concepto de solución
3.9. Prototipos
Prototipo de mano alzada
20
Figura 11.1 Prototipo con tubos PVC
21
Figura 11.3 Prototipo hecho en acero inoxidable
Video de la maqueta: Link
https://we.tl/t-th05mf42Hf (2 videos)
22
de protección personal al evaluar una situación, comunidad, evento,
fenómeno, o contexto, en un determinado período de tiempo.
23
4.2. Diseño mecánico eléctrico
4.2.1. Metodología
El sistema mecánico electrónico embebido se diseñará para poder
suministrar de forma económica, en una presentación compacta que
permita la fácil instalación.
24
Figura 13. Geometría para el diseño de los brazos [15].
Como se observa en la figura 13 el punto “D” es la intersección
imaginaria de los ejes longitudinales de los brazos; se van a hallar las
relaciones geométricas entre todas las dimensiones sin dar un valor
numérico a “L” ya que aun sabiendo que el ancho de paso es de 50 cm
la información no es suficiente para determinarlo de manera efectiva.
25
Permitir tornear la pieza a partir del diámetro comercial menor posible
ya que el peso y el costo del material aumenta con el cuadrado de dicha
dimensión.
26
El método de los nodos nos permite determinar las fuerzas en los distintos
elementos de una armadura simple. Consiste en:
Si la fuerza ejercida por un elemento sobre un perno está dirigida hacia el perno,
dicho elemento está en compresión; si la fuerza ejercida por un elemento sobre el
perno está dirigida hacia fuera de éste, dicho elemento está en tensión.
27
En las ecuaciones anteriores se está determinando las fuerzas axiales en los
miembros de la armadura e indicar si están en tensión o compresión.[16]
28
Fig.17 Computadora
29
Complejo con Fácil uso , Compacto , mejor procesamiento,
Software componentes externos interfaz más interactiva
30
usar un motor paso a paso para poder hacer un mejor uso del control
del mismo para el movimiento del torniquete
Fig.22 Servomotor
31
Phillips Osram
32
muestras en dos grupos, las imágenes de persona con buen uso de
EPP o persona sin el uso completo de EPP [17], además la cantidad
de muestras por cada grupo es de 4500 imágenes para
entrenamiento y 950 imágenes para validación. Luego se realiza el
algoritmo mediante el Google Colab, el cual permite programar en el
lenguaje Python en el navegador. Se importará todas las librerías
que vamos a utilizar. Se diseña el algoritmo partiendo de la
activación de Max Pooling (operación aplicada entre dos capas de
convolución para reducir el tamaño de las imágenes), funciones de
activación (que te devuelve una salida proveniente de una neurona o
conjuntos de ellas). Luego se extrae las imágenes en RGB, se
redimensiona las imágenes acondicionándolas a un tamaño de 200 x
200 píxeles, se normaliza los datos para poder controlarlos y realizar
la clasificación efectivamente. Luego se diseña el algoritmo predictor
(CNN) y finalmente brindar una respuesta predictiva basado en la
etapa de entrenamiento. Luego se tiene que observar el índice de
precisión del algoritmo, según la respuesta predictiva se toma la
decisión de mejorar el algoritmo o dejarlo con su respuesta actual. Si
la respuesta no es tan buena se realizan diferentes técnicas, para las
imágenes se realiza el incremento de base de datos, cambio de
redimensionamiento e incremento de imágenes cambiando el ángulo
de inclinación.
33
Figura 19: Imagen muestra resultados de entrenamiento.
34
Para nuestro proyecto usaremos la apertura y cierre del cual el
servomotor pasa de una posición de 0 grados, debe tener un pulso
de 1 ms encendido y los 19 ms deben estar apagado. Para la
apertura se realizará una posición de 90 grados del cual el pulso
debe ser de 1.5 ms encendido y los 18.5 ms deben estar apagado.
35
Figura 22. Partes del diseño mecánico
● Segunda etapa: Se realiza el posicionamiento de las partes de la estructura y
se asegura con tornillos .
36
Figura 24. Diseño mecánico conexionado
● Cuarta etapa: Se posiciona el actuador en la estructura , fijado por cintillos.
Este parte simula el movimiento de un torniquete físico.
37
Se realiza la construcción de la estructura mecánica con los siguientes materiales:
-Acero inoxidable
-remache
-cintillos y láminas
● Primera etapa: Se utiliza un taladro para realizar los agujeros que servirán
para fijar la estructura.Luego se realiza el acoplamiento de las estructura con
38
Figura 28. Diseño mecánico : láminas acopladas
39
Figura 30. Diseño mecánico general
4.6 INTEGRACIÓN DEL PROTOTIPO FINAL
En este apartado se describirán los diseños físicos realizados por cada área , así
mismo la integración del diseño de programación, mecánico y electrónico.
Se realizó la programación en Python (Anaconda) el cual se ha desarrollado la parte
de pre procesamiento, procesamiento de imágenes, la red neuronal convolucional y
por último las predicciones el cual, tenemos como resultado un porcentaje de % de
efectividad
40
Aparte de ello se ha realizado un interfaz (Figura 31) para que sea más amigable para
el usuario y que pueda ser observado en la computadora la respuesta predictiva del
modelo creado. Luego estos datos se enviarán de forma a través de conecciones por
comunicación serial al módulo usb. Esto se realiza a nivel de prototipado para que se
pueda realizar simular observar y analizar la simulación del funcionamiento real del
proyecto:
Se ha desarrollado la comunicación serial:
###
i=1
import serial, time
pic= serial.Serial(“COM4”,9600)
time.sleep(2)
if i==1:
pic.write(b·1·)
pic.write(b·0·)
else:
pic.write(b·0·)
pic.close()
El cual, como se observa en la imagen como se hace la vinculación de python al
puerto USB serial luego se realiza el usb envía datos al microprocesador el cual
procesa la data y corre el movimiento del motor paso paso ya configurado , el cual el
motor va a girar a un ángulo determinado para que pueda simular el movimiento de un
torniquete y pueda ingresar el usuario al momento de activarse y luego se estaría
cerrando . Este proceso pasa siempre y cuando la programación lee una imagen de
una persona en el cual decide por sí solo si cuenta con EPP o no cuenta con EPP.
41
Figura 33.Prototipo final (Pic y motor paso a paso)
Se realiza el conexionado de los componentes electrónicos para el movimiento de un
motor paso a paso que simula el movimiento de un torniquete y el módulo USB (Figura
35) que será el puente de comunicación entre el pic 18f4550 y la computadora .
42
Figura 35. Módulo USB
Se acopla el motor paso a paso (Figura 34), que realiza la función del torniquete y la
cabina. La conexión del servo es dirigida a un protoboard . Dentro de él cuenta con
controladores que envían pulsos que comandan el movimiento del torniquete.
43
Figura 36. Plano electrico Vinculación entre el PIc 18F4550 con el módulo USB y el
motor paso a paso
Se muestra el diagrama de flujo del Pic 18f4550 , este diagrama muestra la lógica del
sistema embebido . El funcionamiento inicia cuando el Pic recibe un dato del
computador , el cual es la respuesta predictiva de la foto , siendo el valor 1 , persona
que cuenta con epps y 0 ,persona que no cuenta con los epps. Sigue el control del
motor paso a paso , este se realiza con la condición del valor de ingreso , el cual va
permitir realizar la apertura y cierre del motor paso a paso o no realizar ningún
movimiento . A continuación se presenta el diagrama de funcionamiento .
44
Por otro lado, todos estos procesos electrónicos y los actuadores conectados van a
estar acoplados (Figura 36) a un prototipo creado para nuestro proyecto el cual es una
cabina de estructura de Aluminio. Se optó por escoger el “prototipo 2” para la
realización de la integración del prototipo final:
45
5.1 Discusión de resultados
En trabajo se realizó en el programa de Google colab en lenguaje Python utilizando
redes neuronales convolucionales y hemos obtenido una buena respuesta efectiva en
el algoritmo en el cual teniendo una buena cantidad de imágenes de muestra (1500)
tiende a 0 con respecto a la función de pérdida bajo ciertas condiciones de
acondicionamiento como son el fondo blanco, la iluminación y el contraste de imagen.
La precisión de clasificación general superó al 92%, lo que indica que el modelo
establecido podía distinguir una persona con el uso correcto y completo de las EPP y
una persona que no lo usa adecuadamente e incompleto.
46
Figura 42. Función de pérdida.
Para corroborar esta información nos hemos basado en dos métricas el cual va a ser:
la función de pérdida y la precisión (acurracy). Para la gráfica de tendencia tenemos la
muestra precisión (Figura 40) donde parte de entrenamiento el cual llega al punto
máximo que es el 100 % que es 1 y en la parte de validación corrobora la respuesta
del 100 % de efectividad basándonos en 20 épocas. Para la función de pérdida (Figura
41), indica que inicia con un margen de error de aproximadamente 0.7 y se va
reduciendo hasta llegar hasta 0 tanto en la etapa de entrenamiento y validación; esto
nos indica un buen resultado. Cabe resaltar que nuestro entrenamiento es en un
ambiente controlado con un fondo blanco con buena iluminación, es por ello que
obtenemos buenos resultados.
5.2. Costos
Costos de Proyecto
Camara web S/ 35.00
Prototipo 1 S/ 35.00
Prototipo 2 S/ 45.00
Protoboard S/ 12.00
PIC S/ 45.00
Motor paso a paso S/ 35.00
Cables de conexión S/ 10.00
Pulsadores ,Leds S/ 2.50
Módulo Bluetooth S/ 35.00
47
5.3 Diagrama de Gantt
CONCLUSIONES
El objetivo de este informe fue desarrollar un diseño óptimo de una cabina para el
reconocimiento automático de EPP ́ s en las empresas. Este estudio demostró que
nuestro trabajo logra su cometido pudiendo detectar uno de los dos tipos de clases
( uso CA, uso I) llegando hasta el 100 % de efectividad teniendo en cuenta un fondo
blanco en la cabina como condición y una buena iluminación. Si cambiamos de fondo
en la cabina no se detectan bien los resultados y pierde coherencia en el algoritmo y
no detecta la clasificación. Además, se tomaron 1500 muestras de imágenes para
entrenamiento (1188) y validación (162); dentro las cuales también 150 fueron
tomadas para test. A diferencia de los modelos matemáticos, los modelos de redes
neuronales pueden detectar las relaciones entre parámetros sin extraer esas
relaciones, y esto ha convertido a las redes neuronales en una herramienta poderosa
en la clasificación y el modelado. Se utilizó capas de convolución como el dropout que
nos ha servido para poder reducir el error; y las capas de max polling que nos ha dado
buenos resultados. Además, se usó solo 20 épocas de entrenamiento ya que ha sido
utilizado para prueba y error. El dimensionamiento de la imagen se realizó en 200 x
200 ya que intentamos reducir la cantidad de datos ingresados a la red neuronal
convolucional. Las redes neuronales convolucionales han mostrado mejores
resultados al tratar con problemas de reconocimiento o clasificación de imágenes. Lo
que resultó una precisión y sensibilidad general del 100% y una función de pérdida de
0. Además, los datos de prueba corroboraron la eficiencia del algoritmo frente a
muestras externas.
Con respecto a la estructura de la cabina se escogió el prototipo 2 y el diseño de la
misma, al igual que el torniquete fue realizado en Inventor para una posible producción
para pruebas en campo
48
Recomendaciones:
Este trabajo deberá ser considerado para futuras investigaciones para una mejora del
proyecto corroborando el algoritmo implementado siempre una luz directa, con un
fondo blanco y aumentar la cantidad de muestras para ser más robusta el algoritmo
que sea tomado con otro de tipo de cámara y para implementación en físico.
El límite del trabajo nos indica hasta qué punto llega nuestro trabajo el cual se observa
que analizando imágenes en un fondo oscuro con iluminación reducida son factores
que confunden la red neuronal convolucional y arroja un error porcentaje de eficiencia
muy baja.
49
BIBLIOGRAFÍA
● "Equipos de protección deben cumplir las normas técnicas". Diario Oficial El
Peruano | El Peruano | Decretos | Normas Legales.
https://www.elperuano.pe/noticia/123662-equipos-de-proteccion-deben-cumplir-las-
normas-tecnicas (accedido el 6 de noviembre de 2022).
● V. S. K. Delhi, R. Sankarlal y A. Thomas, "Detection of personal protective
equipment (PPE) compliance on construction site using computer vision based
deep learning techniques", Frontiers in Built Environment, vol. 6, septiembre de
2020. Accedido el 6 de noviembre de 2022. [En línea]. Disponible:
https://doi.org/10.3389/fbuil.2020.00136
● M. Massiris, J. A. Fernández, J. Bajo y C. Delrieux, "Sistema automatizado para
monitorear el uso de equipos de protección personal en la industria de la
construcción", Revista Iberoamericana de Automática e Informática industrial, vol.
18, n.º 1, p. 68, diciembre de 2020. Accedido el 6 de noviembre de 2022. [En
línea]. Disponible: https://doi.org/10.4995/riai.2020.13243
● "Evaluation of computer vision techniques for automated hardhat detection in
indoor construction safety applications", Frontiers of Engineering Management, p.
0, 2018. Accedido el 6 de noviembre de 2022. [En línea]. Disponible:
https://doi.org/10.15302/j-fem-2018071
● P. M. Kanjalkar, J. B. Kulkarni y P. A. Basole, "Computer vision based weed
removal system using object detection based on convolutional neural network",
YMER Digital, vol. 21, n.º 01, pp. 543–551, enero de 2022. Accedido el 6 de
noviembre de 2022. [En línea]. Disponible: https://doi.org/10.37896/ymer21.01/50
● J. A. Taquía-Gutiérrez, «El procesamiento de imágenes y su potencial aplicación
en empresas con estrategia digital», Interfases, n.º 010, pp. 11-29, dic. 2017.
● "Caima segall S.R.L. – protección y tecnología". Caima Segall S.R.L. – Protección
y Tecnología. https://caimasegall.com.ar/ (accedido el 6 de noviembre de 2022).
● "¿Sabes qué es el equipo de protección personal (EPP)?" gob.mx.
https://www.gob.mx/cenapred/articulos/sabes-que-es-el-equipo-de-proteccion-
personal-epp (accedido el 6 de noviembre de 2022).
● "Procesamiento digital de imágenes - EcuRed". EcuRed.
https://www.ecured.cu/Procesamiento_digital_de_imágenes (accedido el 11 de
noviembre de 2022).
● "Diferencia entre algoritmos de clasificación y regresión - Aprende IA". Aprende IA.
https://aprendeia.com/diferencia-entre-algoritmos-de-clasificacion-y-regresion/
#:~:text=Los%20algoritmos%20de%20clasificación%20se,conjunto%20finito%20de
%20resultados%20posibles. (accedido el 11 de noviembre de 2022).
● "PIC18F4550 price & stock | digipart". Search for Electronic Component's Price &
Stock | DigiPart. https://www.digipart.com/part/pic18f4550?
gclid=Cj0KCQiA37KbBhDgARIsAIzce15GqOqQ-
iVd5OJvHTjgxGdDiQYFjRIHrMkRWMqG3cHEMj0XVVuzTQMaAjO0EALw_wcB
(accedido el 11 de noviembre de 2022).
● [13] J.A. Hernández, “Diseño de una herramienta que mida la resistencia al uso de
elementos de protección personal (EPP) en el sector productivo de la ciudad de
Montería”, pp. 1-104, 2015.
● [14] A. M. Gil, M. I. Mejía, “ PROTEPP (Sistema de Protección para el monitoreo en
la portabilidad de los elementos de protección personal, de los empleados del
sector construcción)”,pp. 1-33, 2019.
● [15] E. F. “Diseño y construcción de un sistema de control de acceso tipo
Torniquete para la empresa sistemas y electrónica avanzada libre - SEAL
LTDA” ,pp. 1-118, 2010.
50
● [16] “Estática, capítulo 6, estructuras de Ingeniería”,
https://estaticarmm.weebly.com/capitulo-6.html (accedido el 3 de noviembre de
2022).
● [17] M.Massiris, J. A. Fernandez, J. Bajo, C, Delrieux, «Sistema automatizado para
monitorear el uso de equipos de protección personal en la industria de la
construcción», Revista Iberoamericana de Automatica e Informatica Industrial,
pp.68-74, 2021.
● [18] “Cómo usar un Servomotor con Arduino (180° y 360°)”,
https://controlautomaticoeducacion.com/arduino/servomotor/ (accedido el 30 de
octubre de 2022).
ANEXO 1
Link del video de la parte mecánica-electrónica
https://drive.google.com/drive/folders/1HowPi34Esyd79MG7qLymdn2mC6oKWa-1
Código desarrollado(a través de google colab)
https://colab.research.google.com/drive/1Vu2YL5QOExBnigu7B633spLKkSrHrgqs?
usp=sharing
Integración total del proyecto
https://drive.google.com/file/d/1E9j1yE0rSYs-sIonWde3DcuGmpVqmNzy/view?
usp=sharing
51