Los accidentes ocurren en la industria de la construcción como resultado del incumplimiento del equipo de protección personal (EPP). Como resultado de entornos diversos, es difícil detectar automáticamente el EPP. Los modelos tradicionales de detección de imágenes como la red neuronal convolucional (CNN) y el transformador de visión (ViT) luchan por capturar características locales y globales en la seguridad de la construcción. Este estudio introduce un nuevo enfoque para automatizar la detección de equipo de protección personal (EPP) en la industria de la construcción, llamado PPE_Swin. Al combinar la extracción de características globales y locales utilizando el mecanismo de autoatención basado en Swin-Unet, abordamos desafíos relacionados con la segmentación precisa, la robustez a las variaciones de imagen y la generalización en diferentes entornos. Para entrenar y evaluar nuestro sistema, hemos compilado un nuevo conjunto de datos, que proporciona una detección más confiable y precisa del equipo de protección personal (EPP) en diversos escenarios de construcción. Nuestro enfoque logra una notable precisión del 97% en la detección de trabajadores con y sin EPP, superando los métodos existentes más avanzados. Esta investigación presenta una solución efectiva para mejorar la seguridad de los trabajadores en los sitios de construcción mediante la automatización de la detección del cumplimiento del EPP.