Facultad de Ingeniería

Carrera de Ingeniería Mecatrónica

“Cabina para el reconocimiento automático de EPP´s

en las empresas”

Autores

Gonzales Rodríguez, Javier Segundo (1520755)

Huaman Jaimes, Paul Antony (1621199)
Huamani Ramos Jason David (1330442)
Inolopu Sánchez Franco Jesus (1520753)
López Alvarez Christian Edinson (1624571)

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

CAPÍTULO 2: ANTECEDENTES Y FUNDAMENTOS TEÓRICO 12

2.1. Antecedentes 12
2.1.1. Nacionales 12
2.1.2. Internacionales 12
2.2. Fundamento teórico 12
2.2.1. Equipos de protección personal (EPP´s) 12
2.2.2. Sistema de visión artificial 12
2.2.3. Mecanismos y estructuras 13
2.2.4. Sistemas embebidos 13
2.2.5. Camara web IP 14
2.2.6. Computador 14

CAPÍTULO 3: CONCEPCIÓN DEL DISEÑO 14

3.1. Metodología 14
3.1.1 Metodología VDI 2206. 14
3.1.2 Metodología para el Sistema Mecánico. 15
3.1.3 Metodología para el sistema Eléctrico-electrónico 15
3.2. Matriz de consistencia 16
3.3. Listado de exigencias 17
3.4. Distribución de funciones 17
3.5. Estructura de funciones de dominios 18
3.6. Matriz morfológica de Sistema 19
3.7. Conceptos de solución de los prototipos planteados 20
3.8. Evaluación y selección de un concepto de solución 20

2
 3.9. Solución Óptima para el Sistema 20

CAPÍTULO 4: DISEÑO DE PROTOTIPO MECATRÓNICO 23

4.1. Metodología de Investigación 23
4.1.1 Tipo de Investigación 23
4.1.2 Recolección de Información 23
4.1.3 Instrumentos de Investigación 23
4.1.4 Método de Recolección 24
4.2. Diseño mecánico eléctrico 24
4.2.1. Metodología 24
4.2.2. Diseño de torniquete de acceso 24
4.2.3. Diseño de estructura 27
4.3. Diseño electrónico 29
4.3.1. Metodología 29
4.3.2. Sistema embebido 29
4.3.3. Servomecanismo de posición de torniquete 31
4.3.4. Diseño y selección de hardware de procesamiento digital de imagen 32
4.4 Procesamiento de información 33
4.4.1. Metodología 33
4.4.2. Programación de sistema embebido 33
4.4.3. Programación de servo 34
4.5. Diseño de prototipo
4.5.1. Diseño de Prototipo 1 36
4.5.2. Diseño del prototipo 2 38
4.6. Integración del Prototipo Final 40

CAPÍTULO 5: DISCUSIÓN DE RESULTADOS 46

5.1. Discusión de resultados 46
5.2. Costos 47
5.3. Diagrama de Gantt 48

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

1.2.1. Objetivo principal

Diseñar un sistema electromecánico que permite detectar equipos de

protección personal por medio del procesamiento digital de imágenes.

1.2.2. Objetivos específicos

● Diseñar una cabina en el cual el trabajador pueda ser grabado por

medio de una cámara y captar los EPP requerido para su autorización
de ingreso.

● Diseñar un algoritmo para procesar las imágenes captadas para

detectar si el usuario cuenta con sus EPP necesarios para su ingreso.

● Diseñar la cabina mecánica por medio del software de inventor.

● Diseñar las conexiones electrónicas para el movimiento del actuador .

● Validar el correcto movimiento del actuador .

● Validar la respuesta predictiva del algoritmo realizado en Google Colab

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.

1.4. Metodología general

La construcción y prueba del prototipo se considera como un subproyecto

dentro del proyecto general, por ello se establece un calendario para las
actividades siendo tres fechas las más importantes: En la primera fecha, el
equipo definió cuando se iba a tener listo las partes para su ensamble de la
cabina. Segundo, el equipo define la fecha en que el prototipo se probará por
primera vez con el programa para la detección de EPPs. Tercero, el equipo
define la fecha en que espera haber completado las pruebas y obtener los
“resultados finales”.

1.5. Estado del arte

En un número creciente de entornos de trabajo está tornándose obligatorio el
uso de equipos de protección personal, debido a que son la última barrera
para detener situaciones potenciales de riesgo físico para el trabajador. Eso
determina que controlar en forma periódica y fehaciente el cumplimiento de las
normas de seguridad laboral sea una tarea demandante, por lo cual el
monitoreo no supervisado representa una solución de alto impacto para la
seguridad industrial. El presente artículo propone utilizar visión artificial como
alternativa cuantitativa para monitorear la utilización de equipo de protección
personal.

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

● “Detection of Personal Protective Equipment (PPE) Compliance on Construction

Site Using Computer Vision Based Deep Learning Techniques. 2020”
Este estudio optó por implementar el modelo usando la arquitectura de red
YOLOv3 usando el backend de keras. Keras es una API de red neuronal de alto
nivel escrita en Python que permite la implementación perfecta de algoritmos
utilizando el marco Tensor Flow, ofreciendo una manera fácil de implementar
algoritmos de aprendizaje profundo y experimentar rápidamente con los resultados.
[2]

● “Sistema automatizado para monitorear el uso de equipos de protección personal

en la industria de la construcción. 2021”
Este artı́culo presenta un novedoso sistema de visión por computador que genera
indicadores automatizados de uso adecuado de equipos de protección personal
(EPP) de gran importancia en la industria de la construcción, concretamente el uso
de casco de seguridad y chaleco de alta visibilidad. El sistema se construye sobre
una arquitectura de redes neuronales que trabaja sobre imágenes digitales.
Primero se utiliza la red neuronal Open Pose para la detección de puntos
antropométricos de los trabajadores visualizados, los cuales se utilizan para
segmentar automáticamente regiones de interés (ROI) ubicadas en la cabeza y el
tronco. Sobre estas ROI, un clasificador neuronal estima la presencia o ausencia
de los dos EPP de interés. Los resultados obtenidos en vídeos tomados en
movimiento por drones o smartphones muestran que nuestro sistema es
plenamente capaz de realizar una evaluación completa de indicadores de
utilización de estos dos EPP sin asistencia, con el propósito principal de prevenir
incidentes potencialmente peligrosos en el lugar de trabajo.[3]

● “Evaluation of computer vision techniques for automated hardhat detection in

indoor construction safety applications. 2018”
La construcción se considera una de las industrias más peligrosas y es
responsable de una gran parte del total de muertes de trabajadores. Un trabajador
de la construcción tiene una probabilidad de 1 en 200 de morir en el trabajo
durante una carrera de 45 años, principalmente debido a incendios, caídas y ser
golpeado o atrapado entre objetos. Por lo tanto, los empleadores deben
asegurarse de que sus trabajadores usen equipo de protección personal (EPP), en
particular cascos, si corren el riesgo de caerse, ser golpeados por objetos que
caen, golpearse la cabeza con objetos estáticos o acercarse a peligros eléctricos.
Sin embargo, monitorear la presencia y el uso adecuado de los cascos se vuelve
ineficiente cuando los oficiales de seguridad deben inspeccionar áreas grandes y
un número considerable de trabajadores. Usando imágenes capturadas de sitios
de trabajo en interiores, este documento evalúa las técnicas de visión por
computadora existentes, a saber, herramientas de detección de objetos y
segmentación basada en colores, que se utilizan para detectar rápidamente si los
trabajadores usan cascos. Se llevan a cabo experimentos y los resultados resaltan
el potencial de los clasificadores en cascada, en particular, para detectar cascos de
seguridad con precisión, precisión y rapidez en diferentes escenarios y para
ejecuciones repetitivas, y el potencial de la segmentación basada en colores para
eliminar detecciones falsas.[4]

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

● YOLO: Un algoritmo de vanguardia que utiliza los principios de CNN, el

algoritmo You only look once (YOLO) es un sistema de detección de objetos
destinado al procesamiento en tiempo real ( Redmon et al., 2016). YOLO divide
la imagen de entrada en una cuadrícula S × S. Cada celda de la cuadrícula
predice solo un objeto y un número fijo de cuadros de límite. Para cada celda
de la cuadrícula, predice cuadros de límite B y cada cuadro tiene una
puntuación de confianza de cuadro. Luego, detecta un solo objeto,
independientemente del número de cajas B. Finalmente, predice C
probabilidades de clase condicional (una por clase para la probabilidad de la
clase de objeto). Cada cuadro de límite contiene 5 elementos: (x, y, w, h) y una
puntuación de confianza del cuadro. La puntuación de confianza refleja la
probabilidad de que el cuadro contenga un objeto, la objetividad en términos de
los autores de YOLO y la precisión del cuadro de límites. Normalizamos el
ancho del cuadro delimitador w y la altura h por el ancho y la altura de la
imagen. x e y son compensaciones a la celda correspondiente. Por lo tanto, x,
y, w y h están entre 0 y 1.

Tab.1 resumen comparativo de técnicas de detección de objetos

Duración computacional Detección, extracción y Coincidencia de Clasificador en

coincidencia de plantilla cascada
características Medio Muy alta Bajo

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.

Disciplina o Dominio Electrónico

● 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.

● Las características y los descriptores locales se consideran la piedra angular

de una gran variedad de técnicas y aplicaciones de visión artificial, incluida la
detección de objetos, el seguimiento y la estimación de movimiento
( Dickscheid et al., 2011 ). Más específicamente, en los métodos de detección,
extracción y coincidencia de funciones, detectores de funciones o funciones
basadas en gradientes, como funciones robustas aceleradas (SURF) o
funciones binarias que incluyen puntos clave escalables invariantes robustos
binarios (BRISK) y funciones de prueba de segmento acelerado ( FAST) se
utilizan para identificar correspondencias puntuales entre la imagen de entrada
y una imagen de referencia que contiene un casco ( Mikolajczyk y Tuytelaars,
2009). Por ejemplo, las características SURF se detectan primero a partir de
una imagen en escala de grises, luego la extracción de características ubica las
características detectadas dentro de cada imagen y la coincidencia de
características identifica similitudes entre las imágenes de referencia y de
entrada, como se indica en el siguiente fragmento de código:
Surf_Features=detectSURFFeatures(rgb2gray(Image));

[feast1,validpts1]=extractFeatures(rgb2gray(Reference),Surf_Features_Reference);

[feast2,validpts2]=extractFeatures(rgb2gray(Input),Surf_Features_Input);

Index_Matched_Features=matchFeatures(feast1, feats2);

Luego se eliminan los valores atípicos y se calcula una matriz de

transformación usando el algoritmo Random Sample Consensus (RANSAC)
( Oueiss et al., 2012 ; Khoury et al., 2015 ). A continuación, se detecta el casco
que tiene la mejor coincidencia con la imagen de referencia. Luego, el número
de cascos se calcula ocultando los identificados de la imagen de destino, de
modo que el siguiente casco que mejor coincida pueda detectarse en la
próxima iteración del algoritmo. Este proceso iterativo de conteo se detiene
cuando no se pueden detectar más cascos en la imagen de destino. Vale la
pena señalar que este método funciona mejor para objetos que muestran
patrones de textura que no se repiten para permitir coincidencias de
características únicas y numerosas.

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

trenCascadeObjectDetector('Hog_7_10.XML', instancias positivas, carpeta

negativa, 'FalseAlarmRate', 0.10, 'NumCascadeStages', 7, 'FeatureType',
'HOG')

Disciplina o Dominio de control

El hardware del sistema se utilizó para probar el procesamiento en tiempo real del
algoritmo en los datos de campo. Consistía en un Intel Core i7-4790@3.60GHz ∗8
CPU y GPU Intel HD Graphics con una memoria RAM de 8 GB a 1.600 MHz. El
entorno básico consta de python3, pip, OpenCV, Tensorflow y Keras en el sistema
operativo Ubuntu 16.04. La anotación de la imagen se realiza mediante la herramienta
de software lableImage-master, que es un software de código abierto disponible en
GitHub. El desarrollo se realizó en un cuaderno jupyter y utilizó el editor de texto atom.
El modelo YOLOv3 se utiliza para transferir el aprendizaje en el marco de keras. La
capa de salida final se modifica para generar 4 clases, a saber: NOTSAFE, SAFE,
NoJacket, NoHelmet, cambiando los tamaños de filtro. Los pesos entrenados de
YOLOv3 se utilizan como un conjunto inicial de pesos para la red CNN y las capas

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.

Figura 2: imagen muestra los valores promedio de tono, saturación y valor en

imágenes de cascos azules.

Figura 3: imagen muestra las desviaciones estándar de los valores de matiz,

saturación y valor en imágenes de cascos azules
Por lo tanto, en este estudio, se adopta la segmentación basada en colores en el
espacio de color HSV. Además, para obtener los mejores resultados, se decidió aplicar
esta técnica en las partes de las imágenes identificadas como cascos del proceso
clasificador en cascada basado en HOG con el objetivo de reducir las detecciones
falsas. Esta posible combinación de algoritmos justifica, por lo tanto, una mayor
experimentación.

CAPÍTULO 2: ANTECEDENTES Y FUNDAMENTOS TEÓRICO

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]

2.2. Fundamento teórico

2.2.1. Equipos de protección personal (EPP´s)

El Equipo de Protección Personal o EPP son equipos, piezas o

dispositivos que evitan que una persona tenga contacto directo con los
peligros de ambientes riesgosos, los cuales pueden generar lesiones y
enfermedades. Como sabemos los EPP’s, no proporcionan una seguridad
completa por lo que, sí es posible, se debe minimizar el riesgo antes.Un
claro ejemplo es ventilar un área en donde se utilizarán disolventes.[8]

2.2.2. Sistema de visión artificial

2.2.2.1 Procesamiento de imágenes digitales

Es el conjunto de técnicas englobadas dentro del preprocesamiento de
imágenes, cuyo objetivo fundamental es obtener una imagen nueva a
partir de una imagen origen,esto se realiza para que el resultado sea más
adecuado para una aplicación específica mejorando ciertas características
de esta que posibilite efectuar operaciones del procesado sobre ella [9].
Los principales objetivos que se persiguen con la aplicación de filtros son:

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].

2.2.2.2 Algoritmos clasificadores

Los algoritmos de clasificación se usan cuando el resultado deseado es
una etiqueta discreta, en otras palabras, son útiles cuando la respuesta al
problema cae dentro de un conjunto finito de resultados posibles.

2.2.3. Mecanismos y estructuras[10].

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].

2.2.4. Sistemas embebidos

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]

2.2.5. Cámara web IP

Las cámaras IP son videocámaras especialmente diseñadas para enviar
las señales de video y audio a través de Internet, desde un Router ADSL
o a través de una red local para su visualización en directo desde
cualquier parte del mundo a través de un equipo conectado a Internet e
incluso grabar las imágenes remotamente. [12]
2.2.6. Computadora
Una computadora es una máquina electrónica que está diseñada para
realizar tareas específicas. En muchos países se le conoce como
computadora u ordenador, pero todas estas palabras se refieren a lo
mismo. Con esta máquina se pueden desarrollar tareas que ahora hacen
parte de nuestra vida cotidiana, como elaborar cartas o una hoja de vida,
hablar con personas de otros países, hacer presupuestos, jugar y hasta
navegar en internet. Nuestro computador hace esto, procesando datos
para convertirlos en información útil para nosotros. [12]

CAPÍTULO 3: CONCEPCIÓN DEL DISEÑO

3.1. Metodología
3.1.1 Metodología VDI 2206

Para el presente trabajo de investigación, se planteó la aplicación del modelo

en V de la metodología VDI 2206, la cual está basada en una representación
gráfica del procedimiento genérico para el desarrollo de sistemas
mecatrónicos dividido en siete etapas, desde la recopilación de requerimientos
hasta la obtención del producto final (Verein Deutscher Ingenieure [VDI],
2004), tal y como se muestra en la Figura 4.

Figura 4: basado en el modelo en V de la metodología VDI 2206.

3.1.2 Metodología para el Sistema Mecánico.

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.

Figura 5: Metodología del Desarrollo de la Disciplina Mecánica.

Como se muestra en la Figura 5, la metodología del desarrollo de la Disciplina

Mecánica está dividida en tres partes o etapas como son fase Tarea y
resultados donde describe detalladamente las funciones de cada etapa
anteriormente mencionada.

3.1.3 Metodología para el sistema Eléctrico-electrónico

Se planteó el desarrollo del dominio eléctrico-electrónico en base a la

metodología propuesta en la VDI 2206 (VDI, 2004), por lo que los pasos a
seguir incluyeron los conceptos de solución de la sección 1 y 2, permitiendo
tomar una elección sobre el hardware para luego realizar el diseño del circuito
eléctrico-electrónico; además, se validó el correcto funcionamiento de la
solución mediante simulaciones para finalizar con el plano eléctrico-electrónico
del sistema completo.

15
 Figura 6: Metodología del Desarrollo de la Disciplina Eléctrico-electrónico.

3.2. Matriz de consistencia

Figura 7:Imagen muestra matriz de Consistencia

Según la Figura 7, la matriz de consistencia es un instrumento de gran utilidad donde

se permite evaluar el grado de coherencia y conexión lógica entre el título de nuestra
investigación, la problemática, los objetivos específicos y generales, hipótesis,
variables, dimensiones, método, diseño de investigación, población y muestra de
estudio.

16
3.3. Listado de exigencias

- El personal ingrese protegido adecuadamente a las instalaciones.

- Incentivar al personal que debe protegerse para evitar daños físicos o
mortales.
- Incentivar una educación de protección al personal.
- Reducir accidentes por falta de EPP's
- Automatizar el control al ingreso del personal a las fábricas industriales.

3.4. Distribución de funciones

El sistema mecatrónico puede ser abstraído en forma de caja negra, como se
muestra en la Figura y, para su mejor entendimiento:
Caja Negra

Figura 8: imagen muestra caja negra.

Proceso General. La lista de funciones del proceso general es la siguiente:

● Encender el sistema
● Ingreso del personal
● Realizar captura de imágenes con la cámara IP.
● Validar acceso por parte del personal, luego del análisis del buen uso
de EPP´s.
-Dominio Mecánico. La lista de funciones del dominio mecánico es la
siguiente:
● Abrir y cerrar el torniquete de acceso.

-Dominio Eléctrico-Electrónico. La lista de funciones del dominio eléctrico-

electrónico es la siguiente:
● Acondicionamiento de energía del sistema.
● Lectura de estado de la cámara IP.
● Activación del actuador.

-Dominio de Procesamiento de la Información. La lista de funciones del

dominio de procesamiento de la información es la siguiente:
● Procesamiento de información enviada por cámara IP.
● Control del actuador.

17
3.5. Estructura de funciones de dominios

18
3.6. Matriz morfológica de Sistema

3.7. Conceptos de solución de los prototipos planteados

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

Figura 10. Prototipo a mano alzada.

Prototipo de cabina con tubo de pvc

20
 Figura 11.1 Prototipo con tubos PVC

Prototipo de cabina con madera

Figura 11.2 Prototipo realizado a madera

Prototipo de cabina con acero inoxidable

21
 Figura 11.3 Prototipo hecho en acero inoxidable
Video de la maqueta: Link
https://we.tl/t-th05mf42Hf (2 videos)

3.10. Solución Óptima para el Sistema

El sistema de reconocimiento de EPP´s , consiste en una cabina elaborada

con material de madera, en el cual se posicionará la cámara IP, donde se
verifica el correcto uso de EPP´s por parte del personal, sino por caso
contrario, se activará una alarma que avisará que faltan implementos de
seguridad.

Figura 12: Boceto 3D de la cabina de reconocimiento de EPP´s.

CAPÍTULO 4: DISEÑO DE PROTOTIPO MECATRÓNICO

4.1. Metodología de Investigación

La metodología de investigación será de manera Hipotética inductiva. Esto
consiste en establecer enunciados universales ciertos a partir de la
experiencia, ascender lógicamente a través del conocimiento científico, desde
la observación de fenómenos o hechos de la realidad a la ley universal, sobre
los hechos y por inducción se obtendrían afirmaciones aún más generales que
reciben el nombre de teorías. La investigación de un sistema de monitoreo de
los elementos de protección personal en el sector de la construcción desde el
método hipotético inductivo nos lleva a estudiar un fenómeno en detalle del
sector de la construcción y que se pueda mejorar en otros sectores
económicos y estándares definidos por la normatividad existente.

4.1.1 Tipo de Investigación

Es un tipo de investigación no experimental ya que los estudios se realizan sin

la manipulación deliberada de variables y en los que sólo se observan los
fenómenos en su ambiente natural para analizarlos.
En la investigación solo se va a observar la situación ya existente del sector de
la construcción, del desarrollo de un sistema de monitoreo de los elementos

22
de protección personal al evaluar una situación, comunidad, evento,
fenómeno, o contexto, en un determinado período de tiempo.

4.1.2 Recolección de Información

La recolección de información se realizará bajo un nivel de investigación

descriptivo. El propósito es describir la realidad objeto de estudio, un aspecto
de ella, sus partes, sus clases, sus categorías o las relaciones que se puedan
establecer entre varios objetos, con el fin de esclarecer una verdad, corroborar
un enunciado o comprobar una hipótesis. Se entiende como el acto de
representar por medio de palabras las características de fenómenos, hechos,
situaciones, cosas, personas y demás seres vivos, de tal manera que quien
lea o interprete, los evoque en la mente.
La investigación de un sistema de monitoreo de los elementos de protección
personal en el sector de la construcción es descriptiva, debido a que los datos
obtenidos fueron revisados de manera independiente, y porque permitió
describir, conocer y registrar los factores que se presentan en lo cotidiano.

4.1.3 Instrumentos de Investigación

Como instrumento de investigación se realizará una encuesta. Dada cada una

de las variables para el uso de los epp, cinco en total para el presente estudio;
la herramienta diseñada es el instrumento metodológico recomendado para
recoger la información descriptiva sobre las variables, dimensiones e
indicadores a estudiar, con el fin de que el trabajador encuestado marque una
de las opciones de que tan de acuerdo o no, está con las afirmaciones de
rechazo planteadas. Esta herramienta es el instrumento adecuado para
recabar información referente a dimensiones e indicadores de cada EPP en
forma objetiva, válida, confiable y fácil de responder.[13]
4.1.4 Método de Recolección
El método de recolección será bajo un enfoque de investigación cualitativa. Se
selecciona cuando el propósito es examinar la forma en que los individuos
perciben y experimentan los fenómenos que los rodean, profundizando en sus
puntos de vista, interpretaciones y significados. El enfoque cualitativo es
recomendable cuando el tema del estudio ha sido poco explorado o no se ha
hecho investigación al respecto en ningún grupo social específico. El proceso
cualitativo inicia con la idea de investigación.

La investigación de un sistema de monitoreo de los elementos de protección

personal en el sector de la construcción se basa en los métodos de
recolección de datos no estandarizados ni predeterminados completamente.
Tal recolección consiste en obtener las perspectivas y puntos de vista de los
participantes (sus emociones, prioridades, experiencias, significados y otros
aspectos subjetivos). También resulta de interés las interacciones entre
individuos, grupos, y colectividades. El investigador hace preguntas abiertas,
recaba datos expresados a través del lenguaje escrito, verbal y no verbal, así
como visual, los cuales describe, analiza, y convierte en temas que vincula, y
reconoce sus tendencias personales. Como descripciones detalladas de
situaciones, eventos, personas, interacciones, conductas observadas, y sus
manifestaciones. [14]

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.

4.2.2. Diseño de torniquete de acceso

Un torniquete consiste de un juego de brazos equidistantes montados en
un cubo controlado a distancia para bloquear o permitir el paso de una
persona a la vez, girando cuando se ha verificado una señal electrónica o
mecánica. El mecanismo cuenta con un sistema de leva, resorte,
amortiguador que obliga la posición horizontal del brazo de bloqueo.
Además, cuenta con un mecanismo de Ratchet que permite seleccionar el
sentido de giro del cubo [15]. El mecanismo del torniquete se diseñó
tomando elementos de mecanismo conocidos, mediciones, datos de
fabricantes y aplicando la teoría básica de diseño de máquinas y
mecanismos. El diseño se realizó pensando en procesos sencillos y
económicos que permiten la fabricación local de éste equipo a un bajo
costo. Uno de los factores determinantes en el costo del equipo es el tipo
de leva utilizada; el diseño económico incluye una leva tangencial que
típicamente presenta problemas de levantamiento; para solucionar dicho
inconveniente se adiciona un sistema de freno de banda que consume
parte de la energía cinética del trípode logrando un funcionamiento óptimo
del sistema y permitiendo un diseño de bajo costo que puede incursionar
en un mercado competitivo. El diseño del torniquete tiene un gran
contenido de geometría, desde lo relacionado con su dinámica hasta la
presentación del producto final. En algunos casos fue necesario hacer
suposiciones sobre todo en lo referente a la forma como el usuario
transita por el torniquete.
4.2.2.1. Cálculo de presión para accionamiento del brazo para el
torniquete.
El ancho de paso típico en torniquetes es de 50 cm con pequeñas
variaciones entre fabricantes. Vale la pena resaltar que precisamente la
ventaja de un torniquete es el ancho de paso versus el ancho ocupado.
Un torniquete permite un ancho de paso de 50 cm, ocupando 75 cm,
esto se logra gracias a que, en el torniquete, el ángulo de rotación no es
vertical, por lo que los brazos que no están bloqueando el paso
permanecen prácticamente verticales sin ocupar un ancho apreciable.
Diseño del pivote:
El pivote se diseña partiendo de condiciones geométricas por lo que se
puede dimensionar inicialmente, para luego introducir criterios de
diseño y definirla completamente; la geometría de la copa es restringida
por los ángulos de los brazos, luego influye drásticamente en la forma
cómo actúa la fuerza y la velocidad sobre el torniquete.[15]
Para determinar la geometría de los brazos se va a usar la notación
mostrada en la Figura 13.

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.

En la Figura 14 se determinan las relaciones entre todas las

dimensiones de la pirámide de los brazos y la longitud (ficticia) “L”.
Además se determina el ángulo de inclinación del eje principal “α” y de
la pared de la estructura del torniquete “β”.

Figura 14. Definición de la geometría de los brazos [15].

Como se observa en la figura 14, conocidos los ángulos “α y β” se

puede iniciar el dimensionamiento de la copa. Las dimensiones del
pivote determinan el ángulo de apertura de los brazos y por
consiguiente la forma cómo actúan sobre el sistema la fuerza y la
velocidad de entrada del usuario. La copa se diseña teniendo en cuenta
las siguientes condiciones:
Tener el ángulo de salida adecuado para que el brazo de bloqueo
quede completamente horizontal.
Tener los espesores mínimos para soportar las cargas.
La pared cónica debe ser lo suficientemente ancha para permitir, de
forma correcta y cómoda, la perforación de los agujeros que alojan los
tubos.

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.

4.2.2.2. Selección de material

En un primer momento se pensó usar el aluminio pero luego se optó

por usar el acero inoxidable 304. El aluminio es el elemento más
común, su peso es la tercera parte del peso del acero, mientras que el
acero inoxidable no es un material natural. De hecho, se obtiene de
combinar hierro con manganeso, níquel, cobre y, en algunos casos,
óxido de cromo y la mezcla de estos elementos lo convierte en un muy
resistente a la corrosión que es sin duda, su propiedad más destacada.

El acero es fuerte, duradero y flexible, fruto de la aleación de hierro y

carbono. El hierro se funde, se le eliminan las impurezas, se le añade
carbono y así se obtiene el acero al carbono, la base para el inoxidable
y el cromo-molibdeno. La industria del acero produce una enorme
cantidad de material al año. Sin embargo la producción de aluminio a
nivel mundial es reducida que el acero porque su demanda es mucho
menor.

4.2.3. Diseño de estructura

Figura 15. Prototipo seleccionado

Según los prototipos mostrados se escogió el prototipo alpha o ideal (Figura
15)el cual fue diseñado en un programa de diseño y modelado en tres
dimensiones llamado SketchUp.

4.2.3.1. Selección de material

El material elegido es aluminio por su fácil uso para infraestructuras,
así mismo en un principio se pensaba usar la madera pero por temas
de costo se optó por el aluminio.

4.2.3.2. Cálculo de fuerzas en nodos

26
El método de los nodos nos permite determinar las fuerzas en los distintos
elementos de una armadura simple. Consiste en:

1. Obtener las reacciones en los apoyos a partir del DCL de la armadura

completa.
2. Determinar las fuerzas en cada uno de los elementos haciendo el DCL de
cada uno de los nudos o uniones. Se recomienda empezar analizando aquellos
nodos que tengan no más de dos incógnitas.

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.

Figura 16: imagen muestra DCL de soporte.

Diagrama de fuerzas sobre la estructura

Diagrama de fuerza para los nodos A y B

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]

4.3. Diseño electrónico

4.3.1. Metodología

El sistema electrónico se utiliza productos que estén al alcance

económico para evitar sobrecostos así como los más usados en las
industrias

4.3.2. Sistema embebido

4.3.2.1. Selección de computador

Se ha seleccionado una computadora con las siguientes características:

i5 de 10ma generación, 8GB de RAM , 512 SSD y 1 memoria de video
entre sus principales características

28
 Fig.17 Computadora

4.3.2.2. Selección de Cámara

Para la cámara se ha seleccionado una cámara marca Xiaomi con

una resolución de 1080p ya que a comparación de una cámara web
no tenía la resolución adecuada . A demás que pueda tener conexión
mediante RJ45 para poder enlazarlo mediante la red y así poder
almacenar dicha información

Xiaomi Axis Hikvision

Buena relación, Buena resolución , alto
Camara Web precio económico costo Mala resolucion , buen precio

Fig.18 Cámara xiaomi

4.3.2.3. Selección de interfaces

Se ha elegido el programa anaconda ya que es un programa mas
compacto y tiene su procesamiento mejor a comparación que google
colab que es más complejo para componentes externos

Google colab Anaconda

29
 Complejo con Fácil uso , Compacto , mejor procesamiento,
Software componentes externos interfaz más interactiva

Fig.19 Software Anaconda

4.3.2.4. Fuentes de tensión

Para la alimentación tanto de la computadora, la cámara y el sistema
eléctrico se está utilizando en 220vac ya que es lo más sencillo de
obtener y lo más usado en la industrias. Así mismo se optó por una
fuente que tenga estabilizador para evitar poder malograr los equipos
electrónicos

Fig.20 Fuente de alimentación 220VAC

4.3.3. Servomecanismo de posición de torniquete

4.3.3.1. Sistema de posición

Con respecto a la posición del servomecanismo se va a encontrar en la

parte del medio de la cabina para así controlar mejor.Se ha optado por

30
 usar un motor paso a paso para poder hacer un mejor uso del control
del mismo para el movimiento del torniquete

Fig.21 Motor paso a paso

4.3.3.2. Sistema de potencia y control

Para el tema de potencia se va a estar utilizando un servomotor para
poder subir y bajar la polea se eligió un servomotor básico ya que no
se necesita tanta potencia para poder subir y bajar el torniquete en
nuestro proyecto, con respecto al control se va a utilizar un PIC para
poder hacer la programación

Fig.22 Servomotor

4.3.3.3. Sistema de selección de servomecanismo

Para la selección del servomecanismo se ha tomado en cuenta uno que
pueda subir y bajar la polea de forma adecuada así como también que
puede cumplir con las necesidades del espacio de la cabina

4.3.4. Diseño y selección de hardware de procesamiento digital de imagen

4.3.4.1. Sistema de iluminación

Para el sistema de iluminación se va a utilizar un fluorescente con la

capacidad de poder alumbrar de forma correcta tanto de día como de
noche, asi la camara pueda detectar de forma correcto los objetos

31
 Phillips Osram

Iluminación Mayor iluminación , Mayor duración Menor iluminación , menor duración

Fig.23 Fluorescente philips

4.3.4.2. Ajuste de Cámara

El ajuste de cámara se hará mediante el software de la marca de la
cámara, para poder configurarlo cada vez que se necesite

4.3.4.3. Requisitos de sistema embebido

Los principales requisitos son los siguientes: poder contar con una
cámara para la detección de imagen , una computadora donde guardar
la información y la programación del sistema de detección

4.4. Procesamiento de información

4.4.1. Metodología
Nuestro objetivo es diseñar y probar una metodología para la detección de
la correcta utilización de EPP por medio de una cámara en una cabina, a
través de técnicas de machine learning y aprendizaje automático, para
prevenir accidentes laborales. Además, se aplicará la herramienta Python
para la apertura y cierre de una cabina por medio de torniquetes y
servomotor.

4.4.2. Programación de sistema embebido

Con la tecnología de sistemas embebidos es posible generar una solución
óptima para el reconocimiento automático de EPP´s en las empresas y
permite compartir la información mediante los recursos del internet de las
cosas de forma económica y alcanzable, mediante el desarrollo de
prototipos y sus prácticas de aplicaciones en el mundo real.

4.4.2.1. Programación de algoritmo en Python

El presente resultado de investigación se desarrolló siguiendo una
serie de pasos, a continuación, se describe cada etapa relevante
para la realización del proyecto final. La base de datos es la etapa
inicial del proyecto, en el cual se obtienen las imágenes mediante
fotos de los distintos tipos de elementos de protección personal
(EPPs) como son el caso, el arnés de seguridad, lentes de
protecciones, botas, etc. En este proceso se realiza la división de

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.

4.4.2.2. Captura de imagen

Figura 18: imagen muestra imágenes para entrenamiento de red neuronal.

Una vez entrenada la arquitectura nos mostrará resultados de dos clases:

33
 Figura 19: Imagen muestra resultados de entrenamiento.

4.4.3. Programación de servo

4.4.3.1. Parámetros de servo
Un servo con Arduino podrá tiene una excelente potencia, dado que
la propia placa de Arduino será la encargada de enviar esa señal
PWM para posicionar el motor en una posición específica , el cual
está dado en grados.

Figura 20: imagen muestra conexión del servomotor. [26]

La señal PWM que ingresa al servo a través de Arduino, es procesada y

dependiendo del ancho de dicho pulso, el servomotor se desplazará a
un determinado ángulo.

Generalmente los servomotores comerciales procesan un pulso con un

periodo de 20 ms para conseguir efectuar todo el movimiento del servo
adecuadamente. Un servomotor 180 grados con Arduino. En este caso,
para posicionar el motor en 0 grados, nuestro pulso debe ser de 1 ms
encendido y los 19ms restantes debe estar apagado. Para 90 grados,
nuestro pulso debe ser de 1.5ms encendido y los 18.5ms restantes
debe estar apagado. Y, por último, para 180 grados, nuestro pulso debe
ser de 2 ms encendido y los 18ms restantes debe estar apagado.[18]

4.4.3.2. Posición de apertura y cierre

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.

Figura 21. Pulsos para apertura y cierre de un servomotor

4.5. Diseño de Prototipo
4.5.1 Diseño del prototipo 1 :
4.5.1.1 Integración mecánica y electrónica
Se realiza la construcción de la estructura mecánica con los siguientes
materiales:
-madera
-tornillos
cintillos
● Primera etapa: Se realizan cortes de la madera y láminas para la base
(superior e inferior).

35
 Figura 22. Partes del diseño mecánico
● Segunda etapa: Se realiza el posicionamiento de las partes de la estructura y
se asegura con tornillos .

Figura 23. Diseño mecánico acoplamiento

● Tercera etapa: Se realiza la construcción completa de la cabina , además se
realiza el posicionamiento de los componentes electrónicos en un protoboard .

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.

Figura 25. Diseño mecánico general

4.5.2 Diseño del prototipo 2: Final

4.5.2.1 Integración mecánica y electrónica

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

Figura 26. Diseño mecánico fijación con remaches

● Segunda etapa: Se realiza la fijación completa de la estructura para luego
posicionar los componentes

Figura 27. Diseño mecánico fijación completa

● Tercera etapa: Se recortan laminas de color azul y se posiciona en llas caras
laterales y superior de la cabina. Cabe resaltar que el color escogido favorece
al momento de capturar la imagen.

38
Figura 28. Diseño mecánico : láminas acopladas

Figura 29. Diseño mecánico general

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

Figura 31. Interfaz

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.

Figura 32.Conexión de servomotor con arduino

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 .

Figura 34. Motor paso a paso y su driver

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 .

Figura 37. Diagrama de flujo del Pic18f4550

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:

Figura 38. Diseño de cabina en Inventor

Figura 39. Diseño Final del Torniquete

Como se muestra en la figura 37 el diseño en base al prototipo 2 se realizó en Inventor
tomando en cuenta su forma y ampliando sus medidas a escala (véase también en el
plano mecánico de la cabina). Además observamos en la figura 38, el modelo del
torniquete que para el prototipo es comparado con el motor paso a paso.
Se ha creado esta cabina par simular el funcionamiento del proyecto el cual consten
todas estas integraciones y con eso tenemos ya nuestro clasificador de imágenes
realizado.

CAPÍTULO 5: DISCUSIÓN DE RESULTADOS

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.

Figura 40. Métricas

Figura 41. Función de precision

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:

Se debe tener en cuenta que, para obtener buenos resultados, el prototipado de

nuestro proyecto debería ser llevado a dimensiones reales.

También se recomienda poner a prueba nuestro proyecto en campos donde se realice

actividades como es el de la construcción para que el algoritmo se adapte a un
entorno real.

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