Evaluación del rendimiento de métodos neuronales y no neuronales para clasificar la gravedad de los accidentes laborales en el complejo de la industria del calzado

En la industria del calzado, los riesgos ocupacionales son significativos y los accidentes laborales son frecuentes. Los profesionales del sector preparan documentos e informes sobre estos accidentes, pero la necesidad de más tiempo y recursos limita el aprendizaje basado en incidentes pasados. Se han aplicado métodos de aprendizaje automático (ML) y aprendizaje profundo (DL) para analizar datos de estos documentos, identificando patrones de accidentes y clasificando la gravedad de los daños. Sin embargo, es crucial evaluar el rendimiento de estos métodos en diferentes sectores económicos. Este estudio examinó métodos neuronales y no neuronales para clasificar la gravedad de los accidentes laborales en el complejo de la industria del calzado. Los métodos de bosque aleatorio (RF) y potenciación de gradiente extremo (XGBoost) fueron los métodos no neuronales más efectivos. Los métodos neuronales, redes neuronales convolucionales 1D (1D-CNN) y memoria a corto plazo a largo plazo bidireccional (Bi-LSTM), mostraron un rendimiento superior, con parámetros superiores al 98% y 99%, respectivamente, aunque con un tiempo de entrenamiento más largo. Se concluye que el uso de estos métodos es viable para clasificar accidentes en la industria del calzado. Los métodos pueden clasificar nuevos accidentes y simular escenarios, demostrando su adaptabilidad y fiabilidad en diferentes sectores económicos para la prevención de accidentes.