Yolo-tc: un modelo de detección optimizado para monitorear objetos pequeños críticos para la seguridad en operaciones de grúas torre
Autores: Ding, Dong; Deng, Zhengrong; Yang, Rui
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Yolo-tc: un modelo de detección optimizado para monitorear objetos pequeños críticos para la seguridad en operaciones de grúas torre
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Grúa torre
Detección de objetos
YOLO-TC
Monitoreo de seguridad
Objetos peligrosos
Seguridad operativa
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 63
Citaciones: Sin citaciones
Garantizar la seguridad operativa en entornos de alto riesgo, como los sitios de construcción, es fundamental, especialmente para las operaciones de grúas torre donde las distracciones pueden provocar accidentes graves. A pesar de los enfoques existentes de monitoreo del comportamiento, la tarea de identificar objetos pequeños pero peligrosos como teléfonos móviles y cigarrillos en tiempo real sigue siendo un desafío significativo para garantizar el cumplimiento del operador y la seguridad del sitio. Los modelos tradicionales de detección de objetos a menudo son insuficientes en las cabinas de operadores de grúas debido a las complejas condiciones de iluminación, los fondos desordenados y la pequeña escala física de los objetos objetivo. Para abordar estos desafíos, presentamos YOLO-TC, un modelo refinado de detección de objetos diseñado específicamente para aplicaciones de monitoreo de grúas torre. Basado en la robusta arquitectura YOLOv7, nuestro modelo integra un mecanismo de atención espacial de canal novedoso, ECA-CBAM, en la red base, mejorando la extracción de características sin aumentar la cantidad de parámetros. Además, proponemos la arquitectura HA-PANet para lograr una fusión progresiva de características, abordando disparidades de escala y priorizando la detección de objetos pequeños mientras se reduce el ruido de objetos no relacionados. Para mejorar la regresión de cuadros delimitadores, se emplea la función de pérdida MPDIoU, lo que resulta en una precisión superior para objetos pequeños y críticos en entornos densos. Los resultados experimentales tanto en el benchmark PASCAL VOC como en un conjunto de datos personalizado demuestran que YOLO-TC supera a los modelos base, mostrando su robustez en la identificación de objetos de alto riesgo en condiciones desafiantes. Este modelo tiene un gran potencial para mejorar el monitoreo automatizado de seguridad, reduciendo potencialmente los riesgos laborales al proporcionar una solución proactiva y resistente para la detección de riesgos en tiempo real en las operaciones de grúas torre.
Descripción
Garantizar la seguridad operativa en entornos de alto riesgo, como los sitios de construcción, es fundamental, especialmente para las operaciones de grúas torre donde las distracciones pueden provocar accidentes graves. A pesar de los enfoques existentes de monitoreo del comportamiento, la tarea de identificar objetos pequeños pero peligrosos como teléfonos móviles y cigarrillos en tiempo real sigue siendo un desafío significativo para garantizar el cumplimiento del operador y la seguridad del sitio. Los modelos tradicionales de detección de objetos a menudo son insuficientes en las cabinas de operadores de grúas debido a las complejas condiciones de iluminación, los fondos desordenados y la pequeña escala física de los objetos objetivo. Para abordar estos desafíos, presentamos YOLO-TC, un modelo refinado de detección de objetos diseñado específicamente para aplicaciones de monitoreo de grúas torre. Basado en la robusta arquitectura YOLOv7, nuestro modelo integra un mecanismo de atención espacial de canal novedoso, ECA-CBAM, en la red base, mejorando la extracción de características sin aumentar la cantidad de parámetros. Además, proponemos la arquitectura HA-PANet para lograr una fusión progresiva de características, abordando disparidades de escala y priorizando la detección de objetos pequeños mientras se reduce el ruido de objetos no relacionados. Para mejorar la regresión de cuadros delimitadores, se emplea la función de pérdida MPDIoU, lo que resulta en una precisión superior para objetos pequeños y críticos en entornos densos. Los resultados experimentales tanto en el benchmark PASCAL VOC como en un conjunto de datos personalizado demuestran que YOLO-TC supera a los modelos base, mostrando su robustez en la identificación de objetos de alto riesgo en condiciones desafiantes. Este modelo tiene un gran potencial para mejorar el monitoreo automatizado de seguridad, reduciendo potencialmente los riesgos laborales al proporcionar una solución proactiva y resistente para la detección de riesgos en tiempo real en las operaciones de grúas torre.