Monitoramento de segurança em ambiente industrial por meio de visão computacional baseada em redes neurais

Abstract

Este trabalho apresenta o desenvolvimento de um sistema automatizado para o monitoramento do uso de Equipamentos de Proteção Individual (EPI) em ambientes industriais, empregando técnicas de visão computacional baseadas em redes neurais convolucionais. O objetivo consiste em aumentar a eficácia da fiscalização de segurança e garantir a conformidade com as normas regulamentadoras por meio de um sistema de detecção em tempo real de baixo custo computacional. A metodologia adota a arquitetura YOLOv8n, treinada a partir do conjunto de dados SH17, que engloba diversas classes de equipamentos e contextos operacionais de manufatura. O treinamento foi realizado em ambiente de nuvem com auxílio de processamento gráfico de alto desempenho, aplicando técnicas de aprendizado por transferência e aumento de dados para otimizar a generalização do modelo. O modelo treinado atingiu um mAP@0.5 de 32,9%, revocação de 48,0% e precisão de 57,2%, indicando desempenho aceitável para detecção de EPIs em tempo real em cenários controlados, quando comparado com resultados da literatura. A implementação final resultou em um software com interface gráfica capaz de processar fontes de vídeo diversificadas, emitindo alertas visuais imediatos em caso de não conformidades com latência média de 1800 ms. Conclui-se que a automação do monitoramento reduz a dependência de inspeção humana, mitiga riscos de acidentes e fornece evidências digitais para a gestão de segurança do trabalho, apresentando-se como uma solução escalável e de baixo custo para o cenário industrial moderno.

This work presents the development of an automated system for monitoring the use of Personal Protective Equipment (PPE) in industrial environments, employing computer vision techniques based on convolutional neural networks. The objective is to enhance the effectiveness of safety inspection and ensure compliance with regulatory standards through a low computational cost real-time detection system. The methodology adopts the YOLOv8n architecture, trained using the SHl 7 dataset, which includes severa! equipment classes and operational manufacturing contexts. The training process was carried out in a cloud environment with the support of high-performance graphical processing, applying transfer learning and data augmentation techniques to optimize the model's generalization capability. The trained model achieved a mAP@0.5 of 32.9%, recall of 48.0%, and precision of 57.2%, indicating acceptable performance for real-time PPE detection in controlled scenarios, when compared to the literature. The final implementation resulted in software with a graphical interface capable of processing diverse vídeo sources, issuing immediate visual alerts in cases of non-compliance, with an average latency of 1800 ms. lt is concluded that monitoring automation reduces dependence on human inspection, mitigates accident risks, and provides digital evidence for occupational safety management, presenting itself as a scalable and low-cost solution for the modem industrial sector.