Asegurar el cumplimiento del equipo de protección personal (EPP) en sitios de construcción es crítico para prevenir lesiones y fatalidades, sin embargo, las inspecciones manuales son lentas, propensas a errores y carecen de capacidad en tiempo real. Este estudio presenta un sistema automatizado de monitoreo del cumplimiento de EPP que detecta cascos de seguridad y gafas utilizando los modelos de detección de objetos YOLOv7 y YOLOv8. Se preprocesó y anotó un conjunto de datos de 5,500 imágenes, obtenidas de repositorios públicos y capturas en campo, en Roboflow. Ambos modelos fueron entrenados en Google Colab durante 50 épocas (tamaño de lote 16, tamaño de imagen 640×640) y evaluados utilizando precisión media promedio (mAP), precisión, recuperación y velocidad de inferencia. YOLOv7 alcanzó mAP50 (0.893), precisión (0.902), recuperación (0.845) y velocidad de inferencia (13.5 ms), superando a YOLOv8 con mAP50 (0.866), precisión (0.856), recuperación (0.812) y 14.6 ms. Por clase, YOLOv7 detectó cascos de seguridad (mAP50 0.947) y no gafas (mAP50 0.916). Desplegado en la cámara de una laptop, YOLOv7 monitoreó con precisión el cumplimiento tanto en imágenes estáticas como en video en vivo. Los resultados destacan el balance superior de precisión y velocidad de YOLOv7 para la aplicación de seguridad en tiempo real en el sitio. Los trabajos futuros expandirán la diversidad ambiental en los conjuntos de datos y explorarán variantes más nuevas de YOLO para mejorar la robustez en condiciones difíciles del sitio.
Shubqizam et al. (Fri,) estudiaron esta cuestión.