L’intelligenza artificiale può rivoluzionare la sicurezza industriale;
L’apprendimento automatico e l’intelligenza artificiale possono aiutare le organizzazioni a rilevare e segnalare le violazioni al fine di ridurre gli incidenti sul lavoro e le vittime sul lavoro.
Sebbene la sicurezza sia sempre stata una preoccupazione primaria per le organizzazioni di produzione e logistica, negli ultimi anni le aziende lungimiranti hanno cercato di sfruttare le tecnologie emergenti per monitorare e migliorare i protocolli di sicurezza e i metodi di formazione in loco. Con la possibilità di utilizzare l’apprendimento automatico per rilevare e segnalare le violazioni, l’intelligenza artificiale (AI) può aiutare le organizzazioni di tutto il mondo a fare passi da gigante nella riduzione dell’incidenza di infortuni e decessi sul lavoro.
Un aspetto cruciale della sicurezza industriale è la necessità per le persone sul sito di indossare dispositivi di protezione individuale (DPI). In un tipico cantiere edile o in un’officina industriale, un gran numero di persone lavora a turni, richiedendo un monitoraggio della sicurezza 24 ore su 24 per evitare incidenti. L’attuale sistema di monitoraggio prevede una combinazione di supervisione umana diretta e monitoraggio umano di filmati CCTV per rilevare violazioni nei protocolli di sicurezza. L’uso dell’intelligenza artificiale in queste circostanze potrebbe consentire una scansione automatizzata dei filmati CCTV in tempo reale, attivando avvisi in qualsiasi istanza di violazione del protocollo di sicurezza.
L’automazione è una proposta interessante, ma come la facciamo funzionare? Le due richieste più pressanti per una soluzione di sicurezza AI sono un alto grado di precisione nel rilevare ogni violazione e la velocità per rilevare le violazioni in tempo reale. Una soluzione tipica per un problema di questo tipo utilizza un algoritmo di rilevamento degli oggetti per rilevare sia le persone che i DPI nelle riprese video e quindi mapparle rispetto ai requisiti di conformità della sicurezza.
Questi imperativi esecutivi pongono sfide su più fronti. Ad esempio, un sistema di intelligenza artificiale che deve monitorare la conformità dei DPI tra i lavoratori in loco può affrontare le seguenti sfide:
Le reti pre-addestrate per il rilevamento di oggetti sono configurate per identificare oggetti comuni come animali, automobili e esseri umani. Non esiste un modello addestrato appropriato per rilevare i DPI.
Le dimensioni degli oggetti da rilevare nello stesso fotogramma sono molto diverse. In genere, i modelli di intelligenza artificiale utilizzano scatole di ancoraggio di dimensioni comparabili per il rilevamento. Tuttavia, il modello deve essere in grado di rilevare una persona e il componente di sicurezza industriale (come un elmetto) che indossa contemporaneamente. Ciò richiede la distribuzione di scatole di ancoraggio di dimensioni molto diverse, il che aumenta la complessità dell’addestramento.
Le telecamere a circuito chiuso sono generalmente posizionate ben al di sopra del livello del suolo per proteggerle da eventuali danni. Tuttavia, ciò si traduce in attrezzature edili che spesso ostruiscono la visuale delle telecamere. Le reti pre-addestrate sono efficaci nel rilevare le persone a brevi distanze ma non riescono quando vengono utilizzate per rilevare oggetti da telecamere ad albero alto. Inoltre, polvere, pioggia e altri inquinanti compromettono la qualità e le prestazioni di un modello di rilevamento di oggetti.
Un importante svantaggio è che l’infrastruttura esistente e la qualità dell’attrezzatura producono filmati a risoluzione molto bassa, risultando in immagini sgranate che il sistema trova difficile da leggere. Con l’attuale infrastruttura, le immagini di scarsa qualità rendono impossibile eseguire lo zoom su parti del flusso video per facilitare un migliore rilevamento.
Nonostante queste sfide, è possibile costruire una soluzione di deep learning per rilevare il personale senza DPI nei cantieri e nelle officine. In Tiger Analytics, creiamo soluzioni per tali problemi addestrando reti profonde per rilevare due classi: classe persona e DPI. I dati di formazione vengono preparati unendo le immagini da varie fonti come ImageNet, il set di dati CoCo e le immagini disponibili al pubblico del personale con equipaggiamento di sicurezza.
La classe PPE, che dispone di immagini relativamente limitate, può essere aumentata con file di geometria 3D ricreati graficamente. È quindi possibile utilizzare strumenti open source per annotare le immagini e contrassegnare le due classi.
Una soluzione iniziale è costruita utilizzando un’architettura di rete neurale di base: VGG19 con algoritmo Faster-RCNN che offre velocità di addestramento. Per migliorare la precisione delle due classi, vengono aggiunte continuamente nuove immagini al set di dati di addestramento. Qui ci troviamo di fronte a un compromesso tra un’architettura di apprendimento profondo più complessa e l’accuratezza. Se le prestazioni dell’algoritmo hanno una precisione del 70% o meno, è considerato insoddisfacente. In tal caso, è probabilmente necessario un approccio più complesso. Ciò comporta il passaggio a reti neurali più profonde e la creazione di un’architettura che estrae più funzionalità. Di solito, questo dovrebbe aumentare la precisione al 90% o più. Negli scenari di implementazione della vita reale, abbiamo raggiunto una precisione del 100% per la classe persona e di oltre il 98% per la classe DPI.
Sebbene la conformità ai DPI sia diffusa e critica, non è l’unico aspetto della sicurezza industriale che viene monitorato. Oltre ai DPI, i siti hanno altri protocolli, comprese le autorizzazioni per entrare in zone specifiche, DPI speciali per compiti diversi, ecc. L’intelligenza artificiale può essere utilizzata anche in queste aree. Il sistema dovrebbe utilizzare i fotogrammi video disponibili per implementare la suddivisione in zone e contrassegnare le aree a cui è vietato l’accesso. Il personale che entra in una zona vietata o che entra senza DPI può quindi essere contrassegnato come violazione della procedura di sicurezza. Le violazioni possono essere contrassegnate evidenziando la persona e registrando le coordinate. Soluzioni simili possono essere sviluppate per una varietà di esigenze di protocolli di sicurezza.
L’avvento dell’IA e dell’apprendimento automatico ha consentito la creazione di nuovi modi per risolvere i tradizionali problemi aziendali che possono migliorare in modo significativo la qualità della vita lavorativa. Le organizzazioni progressiste farebbero bene a osservare da vicino questi sviluppi per capire come la tecnologia può portare benefici ai loro sistemi e processi.
