Detección y clasificación de operaciones inseguras en maquinaria de construcción pesada mejorada por SRGAN utilizando aprendizaje en cascada

Resumen En la industria de la construcción, que es inherentemente peligrosa y donde las lesiones son frecuentes, la operación insegura de maquinaria de construcción pesada contribuye significativamente a las tasas de lesiones y accidentes. Para reducir estos riesgos, este estudio presenta un nuevo marco para detectar y clasificar estas operaciones inseguras para cinco tipos de maquinaria de construcción. Utilizando una arquitectura de aprendizaje en cascada, el enfoque emplea una Red Generativa Antagónica de Super-Resolución (SRGAN), Transformadores de Detección en Tiempo Real (RT-DETR), auto-DIstillación sin etiquetas (DINOv2) y modelos de Transformador de Atención de Vecindario Dilatado (DiNAT). El estudio se centra en mejorar la detección y clasificación de operaciones inseguras en maquinaria de construcción mediante la ampliación de imágenes de vigilancia de baja resolución y la creación de insumos de alta resolución detallados para el modelo RT-DETR. Esta mejora, al aprovechar la información temporal, mejora significativamente la precisión de detección y clasificación de objetos. El rendimiento de la tubería en cascada arrojó una precisión media de detección y clasificación de primer nivel del 96%, una precisión de clasificación de segundo nivel del 98.83% y una precisión de clasificación de tercer nivel del 98.25%, entre otros métricas. La integración en cascada de estos modelos presenta una solución completa para la vigilancia casi en tiempo real en entornos de construcción dinámicos, avanzando las tecnologías de vigilancia y contribuyendo significativamente a la gestión de seguridad dentro de la industria.