Inspeção automatizada de equipamentos de proteção individual baseada em visão computacional

Página do item simplificado
dc.contributor.advisorFrança, Maria Bernadete de Morais
dc.contributor.authorSantos, Ítalo Stresser dos
dc.contributor.bancaMelo, Leonimer Flávio de
dc.contributor.bancaZarpelão, Bruno Bogaz
dc.coverage.extent111 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-09-01T11:16:56Z
dc.date.available2026-09-01T11:16:56Z
dc.date.issued2026-02-26
dc.description.abstractAnualmente, milhões de pessoas sofrem acidentes ou doenças relacionadas ao trabalho, resultando em altos índices de mortalidade e afastamentos, tanto no cenário global quanto no brasileiro. Entre as medidas fundamentais para reduzir esses números está o uso adequado dos Equipamentos de Proteção Individual (EPIs). No entanto, a fiscalização presencial ou por videomonitoramento apresenta limitações que motivam a busca por soluções automatizadas. Diante disso, este trabalho desenvolve e avalia soluções voltadas à inspeção automatizada do uso de equipamentos de proteção individual, utilizando algoritmos de visão computacional aplicados à detecção do uso de capacetes de segurança em vídeos. O sistema emprega técnicas de filtragem temporal e rastreamento de objetos (BoT-SORT e StrongSORT) para mitigar falsos alarmes, enquanto um conjunto de dados foi compilado para o treinamento do modelo, visando aumentar sua precisão em cenários reais. Diferentemente de trabalhos que propõem novas arquiteturas de redes neurais ou novos conjunto de dados, este estudo concentra-se na implementação de mecanismos de filtragem de erros de detecção, na análise comparativa de algoritmos de rastreamento e na condução de experimentos sob restrições de hardware, buscando aproximar o sistema de cenários de aplicação real em monitoramento preventivo automatizado. Os resultados mostram que o modelo treinado com o conjunto de dados desenvolvido superou outros da área em métricas de mAP e também em testes externos, com cenários distintos das imagens de treinamento. A filtragem de falsos alarmes por quadros sequenciais resultou na mitigação do disparo de alarmes em trechos de detecções errôneas, tornando os alarmes mais confiáveis. De forma semelhante, o uso dos rastreadores contribuiu para a eficácia na mitigação de alarmes indevidos. Contudo, os resultados comparativos demonstram seu impacto no tempo de processamento e também sobre os algoritmos de reidentificação por CNN. Por fim, também foi possível observar desafios de detecção em situações como o uso de bonés e o distanciamento da câmera
dc.description.abstractother1Annually, millions of people suffer from work-related accidents or illnesses, resulting in high rates of mortality and work absences, both globally and in Brazil. Among the fundamental measures to reduce these numbers is the proper use of Personal Protective Equipment (PPE). However, on-site inspection or video-based monitoring presentes limitations that motivate the search for automated solutions. In this context, this work develops and evaluates solutions aimed at the automated inspection of personal protective equipment usage, using computer vision algorithms applied to the detection of safety helmet usage in videos. The system employs temporal filtering techniques and object tracking methods (BoT-SORT and StrongSORT) to mitigate false alarms, while a dataset was compiled for model training in order to increase accuracy in real-world scenarios. Unlike studies that propose new neural network architectures or new datasets, this work focuses on the implementation of detection error filtering mechanisms, the comparative analysis of tracking algorithms, and the execution of experiments under hardware constraints, aiming to approximate the system to real-world preventive monitoring applications. The results show that the model trained with the developed dataset outperformed others in the field in terms of mAP metrics and also in external tests, considering scenarios different from those present in the training images. False alarm filtering based on sequential frames mitigated alarm triggering in segments with erroneous detections, making the alarms more reliable. Similarly, the use of trackers contributed to the effectiveness of mitigating false alarms. However, comparative results also demonstrate their impact on processing time and on CNN-based re-identification algorithms. Finally, detection challenges were observed in situations such as the use of caps and increased distance from the camera
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19860
dc.language.isopor
dc.relation.departamentCTU - Departamento de Engenharia Elétrica
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétrica
dc.subjectDetecção de EPI
dc.subjectSegurança no Trabalho
dc.subjectDataset Capacetes
dc.subjectAutomação de Inspeções
dc.subjectAcidentes de trabalho - monitoramento preventivo
dc.subjectEquipamentos de proteção individual
dc.subject.capesEngenharias - Engenharia Elétrica
dc.subject.cnpqEngenharias - Engenharia Elétrica
dc.subject.keywordsPPE Detection
dc.subject.keywordsOccupational Safety
dc.subject.keywordsHelmet Dataset
dc.subject.keywordsInspection Automation
dc.subject.keywordsOccupational Accidents - Preventive monitoring
dc.subject.keywordsPersonal Protective Equipment
dc.titleInspeção automatizada de equipamentos de proteção individual baseada em visão computacional
dc.title.alternativeAutomated inspection of personal protective equipment based on computer vision
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_EEL_Me_2026_Santos_Ítalo_S.pdf
Tamanho:
4.94 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 195135
Baixar
Nenhuma Miniatura disponível
Nome:
EN_EEL_Me_2026_Santos_Ítalo_S_TERMO.pdf
Tamanho:
2.02 MB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Engenharia Elétrica