Machine learning para diagnósticos de productividad y seguridad en la industria de la construcción a partir de videos
Cargando...
Archivos
Fecha
2019
Autores
Profesor/a Guía
Facultad/escuela
Idioma
es
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Andrés Bello
Nombre de Curso
Licencia CC
Licencia CC
Resumen
El fenómeno de Big Data está cada día más presente en nuestras vidas, sin embargo, no hemos sido capaces de sacar provecho de sus aplicaciones. El presente artículo de investigación propone una metodología que evidencia el potencial que tiene el uso de Big Data en la industria de la construcción, por medio de la red neuronal convolucional (CNN)YOLO, basado en Machine Learning. En Chile el crecimiento anual de productividad en la industria de la construcción respecto a los últimos 20 años ha sido nulo. Es por esto que se tiene la necesidad de implementar estrategias para subir estos indicadores.Por otro lado, en la industria de la construcción chilena, la cifra de incidentes de seguridad en la zona de la cabeza es de un 8,2%, lo que hace necesario buscar el cumplimiento de las normas de seguridad, en este caso el uso de equipo de protección personal (casco), ya que ayuda a minimizar, en gran medida, las consecuencias ante un accidente. Aplicamos YOLO a un caso de estudio para explorar su potencial en la industria de la construcción. Nuestro trabajo tiene dos aristas, la primera es productividad y la segunda va dirigida a la seguridad dentro de las obras de construcción, específicamente en obra gruesa, con foco en una cuadrilla de hormigonado. Se propone utilizar una metodología de trabajo queconsiste en capturar un total de 22 videos de 10 minutos de duración en calidad Full HD de una cuadrilla de hormigonado en 3 proyectos de obras de construcción, por medio de una cámara de acción GoPro. Posteriormente estos videos se descomponen en imágenes para intervalos de 1 minuto y 15 segundos y se procesan con YOLO para detectarlos objetos de interés. En el caso de productividad se detectan operarios realizando trabajo no contributorio y en el caso seguridad se detecta el uso de equipo de protección personal (casco). Mediante el uso de YOLO se realiza un diagnóstico para productividad, por medio del Índice de Labor Contributorio (ILC) y para seguridad se identifica el porcentaje de operarios que usan el equipo de protección personal (EPP) y operarios que no lo usan. Además, se evalúa el desempeño de YOLO con respecto a la detección manual, para poder evidenciar si dicha red neuronal es útil para aplicaciones en la industria de la construcción. Los diagnósticos realizados por medio de YOLO indican un buen desempeño para el caso de productividad con una diferencia media de 6,97% para intervalos de 1 minuto y 5,90 % para intervalos de 15 segundos con respecto a la detección Manual. Por otro lado, los resultados de seguridad mostraron un buen comportamiento para la detección de no uso de EPP con diferencias
promediocon respecto a la detección Manual de 0,50% y 0,47% para intervalos de tiempo de 1 minuto y 15 segundos respectivamente. Sin embargo, la detección de uso de EPP tiene un mal desempeño, pues presenta una diferencia promedio de 56,95% para intervalos de 1 minuto y 58,29% para intervalos de 15 segundos respecto a la detección Manual. Por lo tanto, es efectivo la utilización de YOLO en detecciones para efectos de productividad y para detecciones de no uso de EPP.
Notas
Tesis (Ingeniero Civil)
Palabras clave
Industria de la Construcción, Productividad del Trabajo, Medidas de Seguridad, Modelos Matemáticos, Aprendizaje de Máquina