Análisis comparativo del rendimiento de modelos de detección de objetos para la identificación de elementos de protección personal en dispositivos de borde

Abstract

La supervisión del uso adecuado de elementos de protección personal (EPP) continúa siendo un desafío crítico en los sectores industrial y de la construcción, especialmente en contextos con limitaciones de recursos tecnológicos. En los últimos años, la visión por computadora y el aprendizaje profundo han demostrado un alto potencial para automatizar esta tarea; sin embargo, la mayoría de las evaluaciones se han realizado en entornos de alto poder de cómputo. Este trabajo de grado tiene como objetivo comparar el rendimiento de distintas arquitecturas de visión por computadora para la detección de EPP en dispositivos de borde de bajo costo, considerando métricas de precisión y eficiencia computacional. La investigación adopta un enfoque cuantitativo y experimental, en el que se entrenan y evalúan al menos tres modelos de detección de objetos sobre conjuntos de datos públicos. Las pruebas se ejecutan en condiciones controladas en un dispositivo de borde (Raspberry PI 5 con y sin NPU), midiendo métricas como mAP, velocidad de inferencia (FPS) y tamaño del modelo. Los resultados permiten identificar diferencias significativas en el desempeño de las arquitecturas evaluadas, evidenciando compromisos entre precisión y eficiencia. Finalmente, se concluye que ciertas arquitecturas optimizadas presentan un equilibrio adecuado para su implementación en sistemas de bajo costo, y se aportan criterios técnicos para el despliegue de soluciones de seguridad industrial basadas en dispositivos de borde.

Monitoring the proper use of personal protective equipment (PPE) remains a critical challenge in the industrial and construction sectors, especially in contexts with limited technological resources. In recent years, computer vision and deep learning have shown great potential for automating this task; however, most evaluations have been conducted in high-performance computing environments. This thesis aims to compare the performance of different computer vision architectures for PPE detection on low-cost edge devices, focusing on accuracy and computational efficiency. The research adopts a quantitative and experimental approach, in which at least three object detection models are trained and evaluated on public datasets. The tests are run under controlled conditions on an edge device (Raspberry Pi 5 with and without an NPU), measuring metrics such as mAP, inference speed (FPS), and model size. The results identify significant differences in the performance of the evaluated architectures, highlighting trade-offs between accuracy and efficiency. Finally, it is concluded that certain optimized architectures offer a suitable balance for implementation in low-cost systems, and technical criteria are provided for deploying industrial security solutions based on edge devices.