Detección del uso de casco de seguridad en imágenes de trabajadores mediante el método de la bolsa de palabras visuales (BoVW)
DOI:
https://doi.org/10.30973/progmat/2023.15.3/2Palabras clave:
Equipo de protección personal, Bolsa de palabras visuales, aprendizaje supervisado, Visión por computadoraResumen
El casco de seguridad es un equipo de protección personal (EPP) imprescindible para prevenir accidentes fatales en fábricas y sitios de construcción. El problema es que en muchos lugares no se lleva a cabo una inspección adecuada, particularmente cuando esta tarea queda a cargo de personas. Sin embargo, la detección automática de objetos a través de sistemas de visión por computadora con cámaras de bajo costo y algoritmos de inteligencia artificial, como el método de la bolsa de palabras visuales (BoVW) son una opción adecuada para inspeccionar en el puesto de control de acceso que los trabajadores y visitantes ocasionales usen cascos de seguridad antes de ingresar a zonas peligrosas. En este artículo reportamos que la etapa de entrenamiento se realizó con imágenes experimentales divididas en dos clases, obtenidas después de aplicar un filtro de detección de bordes y una reducción previa de su tamaño original. Como resultado, se redujo el tiempo promedio de la etapa de entrenamiento a 11.9 segundos y se logró una métrica de exactitud del 95.8%. La etapa de prueba se realizó con imágenes descargadas de internet, y se logró una exactitud del 88.3% en un tiempo promedio de 0.63 segundos. Esto muestra que el método de la bolsa de palabras visuales tiene un buen rendimiento en velocidad y precisión para la tarea de detección del casco de seguridad.
Citas
Equipo de Protección Personal, Selección, uso y manejo en los centros de trabajo, NOM-017-STPS-2008, Secretaria de Trabajo y Previsión Social, México. Diciembre 2008. Recuperado el 19 de junio de 2023 de: https://www.dof.gob.mx.
Massiris, M., Delrieux C., Fernández J.A. Detección de equipos de protección personal mediante red neuronal convolucional YOLO, en Actas de las XXXIX Jornadas de Automática, Badajoz, España, 1022-1029, Sep. 2018, doi: https://doi.org/10.17979/spudc.9788497497565.1022.
Hayat A., Morgado-Dias, F. Deep Learning-Based Automatic Safety Helmet Detection System for Construction Safety, Applied Sciences. 2022, 12(16), doi: https://doi.org/10.3390/app12168268
Massiris, M., Fernández, J.A., Bajo, J., Delrieux, C. Sistema automatizado para monitorear el uso de equipos de protección personal en la industria de la construcción,Revista Iberoamericana de Automática e Informática industrial, 2020. 18(1), 68–74, doi: https://doi.org/10.4995/riai.2020.13243.
Zhou, F., Zhao H., Nie Z. Safety Helmet Detection Based on YOLOv5, in 2021 IEEE Int. Conf. on Power Electronics, Computer Applications (ICPECA), Shenyang, China, 2021, 6-11, doi: https://doi.org/10.1109/ICPECA51329.2021.9362711.
Karim A.A.A., Sameer R.A. Image Classification Using Bag of Visual Words (BoVW), Al-Nahrain Journal of Science. 2018, 21(4), 76-82, doi: https://doi.org/10.22401/ANJS.21.4.11.
Cortés, X., Conte D., Cardot, H. A new bag of visual words encoding method for human action recognition, in 24th Int. Conf. on Pattern Recognition (ICPR), Beijing, China, 2018, 2480-2485, doi: https://doi.org/10.1109/ICPR.2018.8545886.
Molefe M., Tapamo, J.R. Classification of Rail Welding Defects Based on the Bag of Visual Words Approach, in 13th Mexican Conf. of Pattern Recognition (MCPR-2021), E. Roman-Rangel et al. (Eds.) Jun. 2021, CDMX, México, 207-218, doi: https://doi.org/10.1007/978-3-030-77004-4_20.
Saini M., Susan S. Comparison of Deep Learning, Data Augmentation and Bag of-Visual-Words for Classification of Imbalanced Image Datasets, in Recent Trends in Image Processing and Pattern Recognition, K. Santosh, R. Hegadi (Eds.) Communications in Computer and Information Science, Vol. 1035. Springer, Singapore, Jul. 2019, doi: https://doi.org/10.1007/978-981-13-9181-1_49.
Okafor E. Pawara P., Karaaba F., Surinta O., Codreanu V., Schomaker L. Wiering M. Comparative study between deep learning and bag of visual words for wild-animal recognition, in 2016 IEEE Symposium Series on Computational Intelligence (SSCI), Athens, Greece, 2016, 1-8, doi: https://doi.org/10.1109/SSCI.2016.7850111.
Gidaris, S., Bursuc, A. Puy, G. Komodakis, N. Cord M. Pérez P. OBoW: Online Bag-of-Visual-Words Generation for Self-Supervised Learning, in 2021 IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA, 2021, 6826-6836, doi: https://doi.org/10.1109/CVPR46437.2021.00676.
Saini M. Susan S. Bag-of-Visual-Words codebook generation using deep features for effective classification of imbalanced multi-class image datasets, Multimedia Tools and Applications. 2021, 80, 20821–20847, doi: https://doi.org/10.1007/s11042-021-10612-w.
Di Benedetto, M., Carrara, F., Meloni, E., Amato, G., Falchi, F., Gennaro, C. Learning accurate personal protective equipment detection from virtual worlds. Multimedia Tools and Applications, 2021, 80, 23241–23253, doi: https://doi.org/10.1007/s11042-020-09597-9.
Otgonbold, M.E. Gochoo, M. Alnajjar, F. Ali, L. Tan, T.H. Hsieh, J.W., Chen, P.Y. SHEL5K: An Extended Dataset and Benchmarking for Safety Helmet Detection. Sensors, 2022, 22(6), doi: https://doi.org/10.3390/s22062315.
Huang, L., Fu, Q., He, M., Jiang, D., Hao, Z. Detection algorithm of safety helmet wearing based on deep learning. Concurrency and Computation. 2021, 33(13), doi: https://doi.org/10.1002/cpe.6234.
Son, H., Choi, H., Seong, H., Kim, C. Detection of construction workers under varying poses and changing background in image sequences via very deep residual networks, Automation in Construction. 2019, 99, 27-38, doi: https://doi.org/10.1016/j.autcon.2018.11.033.
Organista, V.D., Montero, J.A., Martínez M., Cárdenas, E. Extracción y selección de caracteristicas en imágenes digitales mostrando lesione de piel, Programación Matemática y Software. 2021, 13(3), 91-104, doi: https://doi.org/10.30973/progmat/2021.13.3/7.
D.L. Hernández y J.P. Sánchez. Redes neuronales convolucionales para el reconocimiento de imágenes con presencia de cenicilla polvorienta en cultivos de tomate, Programación Matemática y Software. 2022, 14(3), 21-28, doi: https://doi.org/10.30973/progmat/2022.14.3/3.
Echeverría, D., Mosso, A., Dzul, R.I., Lória, J.E., Pech, G.I.A., Decena C.A., González, R.J. Plataforma didáctica para robótica articulada por medio de una interfaz gráfica, Programación Matemática y Software. 2022, 14(3), 37-46, doi: https://doi.org/10.30973/progmat/2022.14.3/5.
Gettyimages. Search: worker and worker with helmet. Recuperado el 29 de mayo de 2023 de: https://www.gettyimages.com.mx.
Matlab. Encontrar los bordes de una imagen 2D en escala de grises. Recuperado el 12 de junio de 2023 de: https://la.mathworks.com/help/images/ref/edge.html
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Teth Azrael Cortes Aguilar, Adriana Tovar Arriaga
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |