Gestión y evaluación de la seguridad en el trabajo mediante técnicas de visión artificial

Abstract

La OMS recomienda efectuar evaluaciones de riesgos laborales (ERL) para disminuir las posibilidades de ocurrencia de accidentes y/o dolencias musculoesqueléticas relacionadas con el trabajo. Estas ERL tienen como objetivo adaptar las condiciones de trabajo a la capacidad de los trabajadores y proponer mejoras cuando se hallen riesgos para su salud. Las ERL se llevan a cabo principalmente mediante la observación in-situ por parte de ergonomistas. Sin embargo, es sabido que los trabajadores alteran su desempeño habitual al sentirse observados, aunado al efecto inevitable de la subjetividad intra- e inter-observador. Así, factores diferenciales como el entorno de observación, el medio de observación, la formación y la experiencia afectan a la reproducibilidad y la trazabilidad de las ERL tradicionales. En esta tesis doctoral se propone investigar y testear nuevas tecnologías basadas en Inteligencia Artificial (IA) aplicadas en un Sistema de Visión por Computadora (CVS) para obtener ERL automatizadas que reduzcan los factores limitativos anteriores. Como resultado, se ha demostrado en el laboratorio, en simulaciones y en entornos laborales reales que estos CVS inteligentes pueden ser entrenados y luego utilizados para el monitoreo de acciones que pueden generar lesiones en los trabajadores. Concretamente, se han diseñado y probado métodos basados en IA en el diseño de CVS para la detección automática de los usos adecuados del equipo de protección personal (EPP), así como para la supervisión automatizada de posibles riesgos musculoesqueléticos relacionados con el trabajo, ambos enmarcados en los procesos de digitalización del entorno de laboral planteada por la Industria-4.0.

The WHO recommends performing occupational risk assessments (ORAs) to reduce the chances of accidents and/or work-related musculoskeletal disorders. The purpose of these ORAs is to adapt working conditions to workers' capabilities, and to propose improvements when occupational health risks are found. ORAs are mainly carried out through on-site observation by ergonomists. However, it is known that workers alter their usual performance when they feel observed, added to the inevitable effect of intra- and inter-observer subjectivity. Thus, differential factors such as observation environment, observation medium, training and experience affect the reproducibility and traceability of traditional ORAs. In this doctoral thesis we propose to investigate, and test new technologies based on Artificial Intelligence (AI) applied in a Computer Vision System (CVS) to obtain automated ORAs that reduce the above limiting factors. As a result, it has been demonstrated in the laboratory, in simulations and in real work environments that these intelligent CVS can be trained and then used for monitoring actions that can generate injuries in workers. Specifically, AI-based methods have been designed and tested in the design of CVS for the automatic detection of appropriate uses of personal protective equipment (PPE), as well as for the automated monitoring of possible work-related musculoskeletal risks, both framed in the processes of digitization of the work environment raised by Industry-4.0.