Publicación: Diseño e implementación de un sistema para la detección de equipo de protección personal basado en visión por computadora y aprendizaje automático
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
La verificación constante del uso de equipo de protección personal (EPP) es esencial en entornos industriales, académicos y en laboratorios. Con el objetivo de automatizar esta tarea y reducir el riesgo de accidentes, se desarrolló un sistema de detección basado en visión por computadora y aprendizaje automático. El sistema utiliza redes neuronales convolucionales, específicamente la arquitectura YOLO, para identificar elementos como casco, chaleco y mascarilla en imágenes y video en tiempo real. Para su implementación fue necesario recopilar y etiquetar una colección de datos, realizar varios entrenamientos del modelo y diseñar una interfaz gráfica interactiva que permite visualizar detecciones, ajustar parámetros, así como generar alertas cuando no se cumpla con el uso adecuado del equipo. Los resultados obtenidos demuestran que el uso de modelos avanzados de YOLO, junto con una adecuada calidad de la colección de datos, permite alcanzar niveles altos de precisión. El sistema automatiza la supervisión del EPP, mejora la eficiencia operativa y contribuye a fortalecer la seguridad dentro de los espacios de trabajo.
Resumen en inglés
Ensuring the proper use of personal protective equipment (PPE) is critical in industrial, academic, and laboratory environments. To automate this verification process and reduce the risk of accidents, a detection system based on computer vision and machine learning was developed. The system employs convolutional neural networks, specifically the YOLO architecture, to identify safety elements such as helmets, vests, and face masks in images and real-time video. The implementation required data collection and annotation, model training, and the development of an interactive graphical interface that displays detections, allows parameter adjustments, and generates automatic alerts. The results show that advanced YOLO models, combined with high-quality datasets, achieve strong detection performance. The proposed system automates PPE monitoring, improves operational efficiency, and contributes to enhancing safety in work environments.
