dc.contributor.advisor | Murguía Sánchez, Danny Eduardo | |
dc.contributor.author | Gutiérrez Torres, Miguel Moisés | |
dc.date.accessioned | 2022-11-11T17:54:37Z | |
dc.date.available | 2022-11-11T17:54:37Z | |
dc.date.created | 2022 | |
dc.date.issued | 2022-11-11 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12404/23766 | |
dc.description.abstract | La industria de la construcción es uno de los sectores que expone la vida de los operarios
en constante peligro debido a las condiciones laborales que esta demanda como el trabajo
en alturas, manejo de maquinaria pesada, entre otros. El uso de equipos de protección
colectiva y personal es una medida de seguridad para resguardar la vida de los operarios
frente a caídas, colisiones, entre otros accidentes. No obstante, en campo existen actitudes
inapropiadas por parte del personal de obra pues estos tienden a retirarse los equipos de
seguridad, debido a la disconformidad que produce su peso, el cambio de temperatura, entre
otros factores. En efecto, actualmente el control de estos comportamientos es exhaustivo,
pues involucra monitorear múltiples actividades proactivamente a lo largo de la jornada
laboral.
Este estudio propone evaluar la efectividad de la tecnología deep learning en
automatizar el reconocimiento de estos equipos de seguridad para comunicar a los
supervisores de campos sobre el uso inapropiado de estos objetos y, de esta manera,
controlar los accidentes de obra. En consecuencia, se desarrolló una base de datos que
comprende imágenes de equipos de seguridad en obra bajo diferentes condiciones visuales:
variedad de intraclase (posturas, color, contexturas, estaturas, etc.), intensidades de
iluminación, oclusiones, aglomeraciones, entre otros efectos. Este entregable se justifica
debido a que en comparación con la literatura se analizó una mayor variedad de equipos de
seguridad y se empleó para entrenar y evaluar tres algoritmos más recurridos en la
bibliografía (VGG-16, Resnet-18 y Inception-V3), debido al desempeño de sus resultados.
Específicamente, el performance del prototipo Inception-V3 alcanzó un valor de 84% en
accuracy empleando el set de datos de escala regular. Este desempeño indica que las
metodologías en aprendizaje profundo pueden contribuir a monitorear equipos de seguridad
de obra al disponer de mayor datos, seleccionando modelos más sofisticados y siguiendo las recomendaciones en este documento para evitar confusiones en la clasificación de
objetos.
Asimismo, existen dos contribuciones adicionales. En primer lugar, se realizó un
resumen del estado del arte sobre las aplicaciones actuales de la visión computacional en
el sector construcción con el objetivo de orientar a otros proyectos a seleccionar un tema
de estudio, identificar los logros alcanzados, responder a las limitaciones encontradas y
reconocer buenas prácticas. En segundo lugar, el set de base de datos desarrollado presenta
una mayor variedad de tipos de EPP’s y EPC’s, respecto a la literatura, y está disponible a
solicitud con el objetivo de estandarizar la existencia de un set de datos propio para el sector
construcción y facilitar la aplicación de la visión computacional en esta industria. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Pontificia Universidad Católica del Perú | es_ES |
dc.rights | info:eu-repo/semantics/openAccess | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by/2.5/pe/ | * |
dc.subject | Industria de la construcción--Medidas de seguridad | es_ES |
dc.subject | Visión por computadoras--Aplicaciones | es_ES |
dc.subject | Aprendizaje automático (Inteligencia artificial) | es_ES |
dc.title | Visión computacional en la industria de la construcción: identificación de equipos de seguridad en obras mediante el uso de deep learning | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
thesis.degree.name | Ingeniero Civil | es_ES |
thesis.degree.level | Título Profesional | es_ES |
thesis.degree.grantor | Pontificia Universidad Católica del Perú. Facultad de Ciencias e Ingeniería | es_ES |
thesis.degree.discipline | Ingeniería Civil | es_ES |
renati.advisor.dni | 42283195 | |
renati.advisor.orcid | https://orcid.org/0000-0003-1009-4058 | es_ES |
renati.author.dni | 73751845 | |
renati.discipline | 732016 | es_ES |
renati.juror | Brioso Lescano, Xavier Max | es_ES |
renati.juror | Murguia Sanchez, Danny Eduardo | es_ES |
renati.juror | Fuentes Hurtado, Diego Alfredo | es_ES |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_ES |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_ES |
dc.publisher.country | PE | es_ES |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.01.01 | es_ES |