Modelo neuronal para la identificación de elementos de protección personal

Resumen

En entornos industriales, alrededor del 70 % de los accidentes se relacionan con el uso inadecuado o con la omisión del equipo de protección personal (EPP) y más del 85 % de los incidentes graves están asociados específicamente a la falta de casco, chaleco o guantes. Para abordar esta situación, en el presente estudio se muestra el desarrollo y la evaluación de un modelo de visión artificial basado en la arquitectura YOLOv8, entrenado con un conjunto mixto de aproximadamente 3,000 imágenes provenientes de fuentes libres y de campo, anotadas manualmente en siete categorías de EPP (Helmet, Ear-Protection, Boots, Glass, Gloves, Vest, Mask). Los resultados obtenidos muestran una precisión general de hasta 75.3 %, un recall de 73.6 %, y un mAP@50 de 75.9 %, con valores superiores al 83 % de aciertos en al menos tres clases: Gloves (89 %), Vest (89 %) y Glass (83 %), según la matriz de confusión. La clase con mejor desempeño fue Gloves, mientras que casco alcanzó un acierto del 85 %, y Vest se mantuvo entre las clases más robustas. El sistema se ejecuta por encima de 25 fotogramas por segundo en GPU, lo que permite su implementación en tiempo real en entornos industriales. Con estos resultados se confirma la viabilidad de implementar sistemas de monitoreo no intrusivos para mejorar la seguridad laboral, al ofrecer alertas en tiempo real sobre el cumplimiento de normativas de EPP.