Godoy Medel, SebastiánRadrigán Figueroa, Luciano Ignacio2024-12-202024-12-202024https://repositorio.udec.cl/handle/11594/12252Tesis presentada para optar al grado académico de Doctor en Ciencias de la Ingeniería con mención en Ingeniería EléctricaEsta investigación tiene como objetivo diseñar e implementar un algoritmo basado en Deep Learning y Transfer Learning para la detección de eventos de riesgo en grúas horquillas, empleando una cantidad limitada de datos. La metodología se estructuró en varias etapas: (1) recopilación y etiquetado de videos según la normativa OSHA 3949; (2) preprocesamiento de datos, incluyendo técnicas de aumento de datos e imágenes; (3) entrenamiento de modelos supervisados para la clasificación de eventos de riesgo; (4) adaptación mediante Transfer Learning de modelos pre-entrenados, optimizando su generalización; y (5) evaluación y validación comparativa frente a herramientas estandarizadas como NVIDIA DeepStream SDK y Amazon Rekognition Custom Labels. El algoritmo propuesto alcanzó un F1-score superior al 0.95, superando el umbral de 0.85 establecido para su aceptación. En comparación, Amazon Rekognition obtuvo por sobre un un F1-score 0.95, mientras que NVIDIA DeepStream SDK logró un 0.83. El modelo desarrollado demostró una mayor eficiencia en el uso de datos para el reentrenamiento y menor tiempo de inferencia en sistemas embebidos, destacando por su menor peso y capacidad para operar en entornos con recursos limitados. Un aspecto crítico fue la capacidad del modelo para generalizar, una necesidad fundamental en el contexto industrial, donde la recopilación de datos etiquetados, especialmente sobre actividades de riesgo, es costosa y limitada. Estas actividades no pueden replicarse intencionalmente debido a las implicaciones de seguridad, lo que plantea desafíos únicos para el diseño de modelos robustos. El uso de Transfer Learning fue clave para superar esta limitación, permitiendo al modelo aprender patrones generales de conjuntos de datos preexistentes y adaptarse eficazmente a nuevas condiciones operativas con pocos datos específicos. Este enfoque no solo mejoró la precisión, sino que también redujo los costos y el tiempo de desarrollo. Asimismo, las pruebas en sistemas embebidos validaron el desempeño del modelo en entornos reales, asegurando su capacidad para operar en tiempo real. Esto resulta crítico para aplicaciones industriales donde la detección rápida y precisa de eventos de riesgo puede prevenir accidentes y optimizar la seguridad y la eficiencia operativa.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalSeguridad industrialAutomatizaciónAlgoritmosThesis