Nuove tecniche per monitorare il rispetto delle norme sui DPI

Gli incidenti sul lavoro possono essere pericolosi, soprattutto in settori come costruzione e manifattura. Per garantire la sicurezza dei lavoratori, è fondamentale utilizzare correttamente i dispositivi di protezione individuale (DPI) come caschi, occhiali protettivi, maschere e abbigliamento. Questo articolo parla di nuove tecniche per controllare se i lavoratori utilizzano correttamente il proprio equipaggiamento di sicurezza.

#L'importanza dei DPI

I dispositivi di protezione individuale sono vitali per proteggere i lavoratori da vari pericoli. Aiutano a ridurre infortuni e malattie dovuti all'esposizione a rischi come sostanze chimiche tossiche, temperature estreme e pericoli meccanici. Usare e mantenere correttamente i DPI è cruciale per mantenere i dipendenti al sicuro.

#Categorie di DPI

I DPI possono essere divisi in cinque categorie principali in base alla parte del corpo che proteggono:

1. Testa
2. Parte superiore del corpo
3. Mani
4. Piedi
5. Corpo intero

Esempi di DPI includono caschi, occhiali protettivi, visiere, cuffie, giubbotti di sicurezza, guanti e scarpe di sicurezza. Ogni tipo serve a uno scopo specifico per proteggere i lavoratori dai pericoli potenziali.

#Approcci attuali per controllare l’uso dei DPI

In passato, gli ispettori della sicurezza controllavano manualmente se i lavoratori indossavano i loro DPI. Anche se questo metodo è semplice, è impegnativo e può portare a errori umani. Alcuni settori hanno iniziato a usare sensori per monitorare la conformità ai DPI, ma questi sistemi possono essere costosi e delicati.

Recentemente, sono state proposte nuove metodologie tecnologiche focalizzate sulla visione artificiale come alternative non invasive. Questi metodi stanno diventando popolari negli ambienti di costruzione e manifattura. Usano immagini e modelli di apprendimento automatico per verificare se i lavoratori indossano l’equipaggiamento di sicurezza necessario.

#Il dataset SH17

Per migliorare il monitoraggio della conformità ai DPI, è stato creato un nuovo dataset chiamato SH17. È composto da oltre 8.000 immagini contenenti istanze di vari tipi di DPI raccolti in diversi ambienti industriali. Questo dataset è importante per addestrare e validare modelli informatici che possono rilevare l'uso dei DPI.

#Addestramento dei modelli per il Rilevamento dei DPI

Sono stati addestrati diversi modelli avanzati utilizzando il dataset SH17. I primi risultati mostrano che uno dei modelli ha ottenuto buone prestazioni nel rilevare i DPI, raggiungendo oltre il 70% di Accuratezza. I modelli possono essere utilizzati in diversi scenari e offrono una soluzione scalabile per le industrie che mirano a rispettare le normative di sicurezza.

#Revisione della letteratura

In molti luoghi di lavoro, gli ispettori sono ancora il metodo più comune per garantire la conformità ai DPI. Tuttavia, come accennato in precedenza, questo può essere costoso e soggetto a errori. Alcuni sistemi precedenti si basavano su sensori, ma questi possono essere sia costosi che delicati.

Recentemente, i metodi di visione artificiale sono emersi come soluzioni economiche rispetto ai sensori tradizionali. Questi metodi analizzano le immagini per addestrare modelli di apprendimento automatico in grado di trovare i DPI necessari per la sicurezza. Molti studi si sono concentrati sul rilevamento dei DPI utilizzando tecniche di rilevamento degli oggetti, soprattutto in contesti di costruzione.

#Datasets esistenti per il rilevamento dei DPI

Molti dataset disponibili per il rilevamento dei DPI si concentrano principalmente sui caschi di sicurezza. Alcuni dataset notabili includono:

• Dataset GDUT-HWD: Focalizzato sui caschi, presenta immagini in diversi colori ma ha molte immagini irrilevanti a causa del crowdsourcing.
• Dataset Safety Helmet Wearing (SHW): Questo dataset include immagini di persone con e senza caschi. Ha migliaia di istanze per migliorare i metodi di rilevamento.
• Dataset Color Helmet and Vest (CHV): Questo dataset ha immagini che mostrano diversi colori di caschi e giubbotti, rendendolo utile per il rilevamento specifico dei colori.

Tuttavia, la maggior parte dei dataset si rivolge principalmente al settore delle costruzioni, il che significa che molti altri scenari manifatturieri non sono pienamente rappresentati. Il dataset SH17 mira a colmare questa lacuna includendo una varietà più ampia di DPI provenienti da ambienti diversi.

#Come è stato creato il dataset SH17

Il dataset SH17 è stato creato raccogliendo immagini da Pexels, un sito che offre diritti d'uso chiari per le sue immagini. I creatori hanno utilizzato vari termini di ricerca relativi ai lavoratori manifatturieri e hanno raccolto circa 11.000 campioni. Dopo aver rimosso duplicati e immagini irrilevanti, il dataset finale è consistito in oltre 8.000 campioni chiari.

#Processo di annotazione

Per garantire la qualità dei dati, un team di annotatori ha etichettato le immagini. Questo ha comportato l'identificazione e la marcatura delle varie istanze di DPI in ogni immagine. Il processo di annotazione è stato accurato, con più persone che hanno verificato l'accuratezza.

Le categorie di classe includevano diversi articoli di DPI e parti del corpo, assicurando che il dataset coprisse una vasta gamma di situazioni che i lavoratori possono incontrare in ambienti industriali.

#Metriche di valutazione

Quando si valuta la prestazione dei modelli di rilevamento, vengono comunemente utilizzate diverse metriche. Queste metriche includono precisione, richiamo e precisione media. La precisione misura quanti degli oggetti rilevati erano corretti, mentre il richiamo verifica quanti oggetti rilevanti sono stati rilevati complessivamente. La precisione media fornisce una visione più completa dell'accuratezza del modello attraverso le diverse classi.

#Sperimentazione e risultati

I modelli addestrati su SH17 sono stati testati per vedere quanto bene hanno performato. Sono state utilizzate diverse versioni dei modelli YOLO, e i risultati iniziali hanno mostrato prestazioni promettenti. Il modello con le migliori prestazioni ha raggiunto oltre il 70% di accuratezza, indicando che potrebbe essere efficace in contesti reali.

#Capacità di generalizzazione

I modelli addestrati sono stati anche testati su diversi dataset per vedere quanto bene potevano adattarsi a nuovi ambienti. Ad esempio, applicando uno dei modelli a un altro dataset focalizzato sul rilevamento dei DPI, ha comunque ottenuto risultati ragionevolmente buoni. Questo suggerisce che le tecniche sviluppate possono essere applicate in vari ambienti industriali, rendendole strumenti versatili per garantire la conformità alla sicurezza.

#Conclusione

Garantire la sicurezza dei lavoratori attraverso l'uso corretto dei DPI è una preoccupazione critica in settori come la manifattura. Il dataset SH17 fornisce una risorsa preziosa per addestrare modelli che possono controllare efficacemente la conformità ai DPI. Con i continui miglioramenti nella tecnologia di apprendimento automatico e visione artificiale, questi modelli hanno il potenziale di migliorare significativamente i sistemi di gestione della sicurezza, proteggendo in ultima analisi i lavoratori e riducendo gli incidenti sul lavoro. Gli sforzi futuri mireranno a migliorare il rilevamento di articoli DPI meno comuni e sviluppare modelli specializzati per aumentare i tassi di conformità complessivi in ambienti diversificati.