Se usó la API de Cloud Translation para traducir esta página.

Guía del detector de equipo de protección personal (EPP)

tarjeta del modelo de desenfoque de personas en la consola

El modelo de Detector de equipo de protección personal (EPP) te ayuda a verificar la presencia de equipos que limitan la exposición a peligros en un lugar de trabajo o un entorno comunitario.

El modelo detecta a las personas y los elementos de EPP (guantes, máscaras y cascos) que usa una persona específica. El modelo detecta los elementos de PPE y si cubren las partes correspondientes del cuerpo humano. El modelo informa esta información de cobertura como una puntuación de cobertura que varía entre [0, 1]. El modelo acepta una transmisión de video como entrada. El modelo genera resultados de detección como un búfer de protocolo que puedes ver en BigQuery. El modelo se ejecuta a una FPS.

El operador de detección de EPP tiene tres parámetros de control que puedes configurar:

Protectores para la cabeza: El operador muestra información sobre los artículos de EPI relacionados con la cobertura de la cabeza. Establece este valor en la consola de Google Cloud o establece enableHeadCoverageDetection como verdadero en PersonalProtectiveEquipmentDetectionConfig.
Protectores para el rostro: El operador muestra información sobre el elemento de EPI relacionado con la cobertura facial. Establece este valor en la consola de Google Cloud o establece enableFaceCoverageDetection como verdadero en PersonalProtectiveEquipmentDetectionConfig.
Cubremanos: El operador muestra información sobre el EPP relacionado con la cobertura de las manos. Establece este valor en la consola de Google Cloud o establece enableHandsCoverageDetection como verdadero en PersonalProtectiveEquipmentDetectionConfig.

Especificaciones de la app del modelo de detector de EPP

Usa las siguientes instrucciones para crear un modelo de detector de PPE en la consola deGoogle Cloud .

Console

Crea una app en la Google Cloud consola

Para crear una app de detector de EPP, sigue las instrucciones en Cómo compilar una aplicación.

Ve a la pestaña Aplicaciones.

Cómo agregar un modelo de detector de EPP

Cuando agregues nodos de modelo, selecciona el detector de PPE de la lista de modelos previamente entrenados.
Establece los tipos de EPP que deseas detectar en el menú de opciones.

Cómo agregar un conector de BigQuery

Para usar el resultado, conecta la app a un conector de BigQuery.

Para obtener información sobre el uso del conector de BigQuery, consulta Cómo conectar y almacenar datos en BigQuery. Para obtener información sobre los precios de BigQuery, consulta la página Precios de BigQuery.

Cómo ver los resultados de la salida en BigQuery

Después de que el modelo envíe datos a BigQuery, consulta las anotaciones de salida en el panel de BigQuery.

Si no especificaste una ruta de acceso de BigQuery, puedes ver la ruta de acceso creada por el sistema en la página Studio de Vertex AI Vision.

En la Google Cloud consola, abre la página de BigQuery.

Ir a BigQuery
Selecciona Expandir junto al proyecto de destino, el nombre del conjunto de datos y el nombre de la aplicación.
En la vista de detalles de la tabla, haz clic en Vista previa. Consulta los resultados en la columna annotation. Para obtener una descripción del formato de salida, consulta Resultado del modelo.

La aplicación almacena los resultados en orden cronológico. Los resultados más antiguos se encuentran al comienzo de la tabla, mientras que los más recientes se agregan al final de la tabla. Para consultar los resultados más recientes, haz clic en el número de página para ir a la última página de la tabla.

Salida del modelo

El resultado del modelo incluye una marca de tiempo, los cuadros de detección, las etiquetas de objetos que corresponden a los cuadros y las puntuaciones de confianza de ese objeto. La velocidad de la transmisión de salida es de un fotograma por segundo.

El resultado del modelo es un formato de buffer de protocolo que incluye información sobre el fotograma de video y el resultado de la predicción de detección de PPE. El objetivo del modelo es verificar si las personas usan correctamente el equipo de protección. Como resultado, el modelo se enfoca en detectar a las personas y el PPE que usan. El resultado del modelo se enfoca en la detección de personas. Para cada persona que se detecta, el modelo enumera el EPP que la rodea y la puntuación de cobertura de cada pieza de equipo.

En el siguiente ejemplo de búfer de protocolo, ten en cuenta lo siguiente.

Hora actual: La marca de tiempo indica la hora en la que se genera el resultado de la inferencia.
Personas detectadas: El resultado de detección principal que incluye un cuadro identificado por una persona, varios cuadros identificados por PPE y una puntuación de cobertura para cada parte del cuerpo.
Cuadro de persona identificada: El cuadro de límite, la puntuación de confianza y la entidad de persona.
Cuadro identificado como EPP: El cuadro delimitador, la puntuación de confianza y la entidad de EPP.

Ejemplo de objeto JSON de salida de anotación

{
  "currentTime": "2022-11-10T21:02:13.499255040Z",
  "detectedPersons": [
    {
      "personId": "0",
      "detectedPersonIdentifiedBox": {
        "boxId": "0",
        "normalizedBoundingBox": {
          "xmin": 0.486749,
          "ymin": 0.35927793,
          "width": 0.048630536,
          "height": 0.21746585
        },
        "confidenceScore": 0.31775203,
        "personEntity":{
          "personEntityId":"0"
        }
      },
      "detected_ppe_identified_boxes": {
        "normalized_bounding_box": {
          "xmin": 0.07268746,
          "ymin": 0.80575824,
          "width": 0.22973709,
          "height": 0.18754286
        },
        "confidence_score": 0.45171335,
        "ppe_entity": {
          "ppe_label_string": "Glove",
          "ppe_supercategory_label_string": "Hand Coverage"
        }
      },
      "detected_ppe_identified_boxes":{
        "normalized_bounding_box":{
          "xmin": 0.35457548,
          "ymin": 0.016402662,
          "width": 0.31828704,
          "height": 0.18849815
        },
        "confidence_score": 0.44129524,
        "ppe_entity":{
          "ppe_label_string": "Helmet",
          "ppe_supercategory_label_string": "Head Coverage"
          }
      }
    }
  ]
}

Definición del búfer de protocolo

// Output format for Personal Protective Equipment Detection Operator
message PersonalProtectiveEquipmentDetectionOutput {
 // Current timestamp
 protobuf.Timestamp current_time = 1;

 // The entity info for annotations from person detection prediction result
 message PersonEntity {

   // Entity id
   int64 person_entity_id = 1;
 }

 // The entity info for annotations from PPE detection prediction result
 message PPEEntity {
   // Label id
   int64 ppe_label_id = 1;
   // Human readable string of the label (Examples: helmet, glove, mask)
   string ppe_label_string = 2;
   // Human readable string of the super category label (Examples: head_cover,
   // hands_cover, face_cover)
   string ppe_supercategory_label_string = 3;
   // Entity id
   int64 ppe_entity_id = 4;
 }

 // Bounding Box in the normalized coordinates
 message NormalizedBoundingBox {
   // Min in x coordinate
   float xmin = 1;
   // Min in y coordinate
   float ymin = 2;
   // Width of the bounding box
   float width = 3;
   // Height of the bounding box
   float height = 4;
 }

 // PersonIdentified box contains the location and the entity info of the
 // person
 message PersonIdentifiedBox {
   // An unique id for this box
   int64 box_id = 1;
   // Bounding Box in the normalized coordinates
   NormalizedBoundingBox normalized_bounding_box = 2;
   // Confidence score associated with this box
   float confidence_score = 3;
   // Person entity info
   PersonEntity person_entity = 4;
 }

 // PPEIdentified box contains the location and the entity info of the PPE
 message PPEIdentifiedBox {
   // An unique id for this box
   int64 box_id = 1;
   // Bounding Box in the normalized coordinates
   NormalizedBoundingBox normalized_bounding_box = 2;
   // Confidence score associated with this box
   float confidence_score = 3;
   // PPE entity info
   PPEEntity ppe_entity = 4;
 }

 // Detected Person contains the detected person and their associated
 // PPE and their protecting information
 message DetectedPerson {
   // The id of detected person
   int64 person_id = 1;
   // The info of detected person identified box
   PersonIdentifiedBox detected_person_identified_box = 2;
   // The info of detected person associated ppe identified boxes
   repeated PPEIdentifiedBox detected_ppe_identified_boxes = 3;

   // Coverage score for each body part


   // Coverage score for face
   optional float face_coverage_score = 4;
   // Coverage score for eyes
   optional float eyes_coverage_score = 5;
   // Coverage score for head
   optional float head_coverage_score = 6;
   // Coverage score for hands
   optional float hands_coverage_score = 7;
   // Coverage score for body
   optional float body_coverage_score = 8;
   // Coverage score for feet
   optional float feet_coverage_score = 9;
 }

 // A list of DetectedPersons
 repeated DetectedPerson detected_persons = 2;
}

Prácticas recomendadas y limitaciones

Para obtener los mejores resultados cuando uses el detector de PPE, ten en cuenta lo siguiente cuando obtengas datos y uses el modelo.

Recomendaciones de datos de origen

Recomendación: Cuando sea posible, haz que los sujetos de detección permanezcan quietos y miren hacia la cámara.

Datos de imágenes de muestra que el detector de EPP puede procesar correctamente:

imagen de muestra de una persona que mira a la cámara con una cubierta facial — *Fuente de la imagen: Ani Kolleshi en Unsplash.*

No se recomienda: Evita los datos de imagen en los que los elementos clave de PPE son demasiado pequeños en el marco.

Datos de imágenes de muestra que el detector de PPE no puede procesar correctamente:

imagen de ejemplo de elementos de EPP que son demasiado pequeños para ser detectados — *Fuente de la imagen: Josue Isai Ramos Figueroa en Unsplash.*

No se recomienda: Evita los datos de imágenes que muestren los elementos clave de PPE desde un punto de vista poco común o ángulos irregulares.