Antecedentes: El aumento de los accidentes en zonas de trabajo debido a la conducción distraída y agresiva demanda medidas de seguridad mejoradas. Si bien los Atenuadores Montados en Camiones (TMAs) han ayudado a reducir la gravedad de los choques, el creciente número de accidentes que involucran TMAs muestra la necesidad de sistemas de advertencia mejorados. Métodos: Este estudio propone un sistema de visión habilitado con inteligencia artificial para alertar automáticamente a los conductores en curso de colisión con TMAs, abordando las limitaciones de los sistemas de alerta manuales. El sistema utiliza aprendizaje multitarea (MTL) para detectar y clasificar vehículos, estimar zonas de distancia (peligro, advertencia y segura), y realizar segmentación de carriles y carreteras. MTL mejora la eficiencia y precisión, lo que lo hace ideal para dispositivos con recursos limitados. Utilizando una red de Agregación de Capas Eficiente Generalizada (GELAN) como base, el sistema mejora la estabilidad y el rendimiento. Además, un módulo de alerta activa alarmas basadas en velocidad, aceleración y tiempo hasta la colisión. Resultados: El modelo logra un recuerdo del 90.5%, un mAP de 0.792 para la detección de vehículos, un mIOU de 0.948 para la segmentación de carreteras, una precisión del 81.5% para la segmentación de carriles y una precisión del 83.8% para la clasificación de distancias. Conclusiones: Los resultados muestran que el sistema detecta con precisión vehículos, clasifica distancias y proporciona alertas en tiempo real, reduciendo los riesgos de colisión con TMAs y mejorando la seguridad en zonas de trabajo.