Una cámara de seguridad registra que un trabajador entró a la zona sin casco. Tres horas después alguien revisa el video y lo ve. El casco ya no importa: el momento pasó. Con las cámaras que graban pasa siempre lo mismo, sirven para reconstruir lo ocurrido y no para evitarlo.
La detección de EPP con cámaras e IA busca cambiar eso: que la cámara avise cuando ocurre. Pero conviene entender qué hace realmente un sistema así, qué detecta bien y qué sigue necesitando a una persona, antes de evaluar uno.
Qué hace un sistema de detección de EPP
Un modelo de visión computacional analiza el video cuadro a cuadro. Primero encuentra personas y, sobre cada una, revisa si lleva los elementos definidos para esa zona. Después viene lo que distingue un sistema de una demostración: las reglas. ¿Esa zona exige casco? ¿A esta hora? ¿La falta se mantiene varios segundos o fue un cuadro suelto? Solo cuando la regla se cumple se genera un evento: una alerta con la imagen del momento, la hora, la cámara y el nivel de confianza del modelo.
A la plataforma llega el evento y no el video completo. Quien lo recibe ve en una pantalla qué se detectó, con evidencia, y decide.
Antes de la IA, la cámara
Un modelo no puede recuperar lo que la cámara no capturó. Por eso la primera pregunta de un proyecto no es qué modelo usar, sino cuántos píxeles tendrá cada persona y cada casco. Como referencia práctica, una persona necesita unos 40 a 60 píxeles de alto para detectarse con confianza, y un casco unos 25 píxeles de ancho. Una cámara gran angular instalada lejos puede dejar a los trabajadores demasiado pequeños aunque la imagen se vea bien a simple vista.
Pasa lo mismo con la luz: contraluz en los portones, turnos de noche, destellos en chalecos reflectantes. Muchas fallas atribuidas a la IA son en realidad fallas de captura, y se corrigen moviendo o cambiando una cámara.
Qué se detecta mejor y qué es más difícil
- Casco y chaleco: son grandes, de forma y color definidos, y se ven bien incluso a cierta distancia. Es el punto de partida habitual.
- Guantes, lentes y protectores auditivos: son pequeños y a menudo quedan tapados. Detectarlos exige mejor resolución, menos distancia y cámaras bien ubicadas, y no siempre es viable en cualquier punto de la planta.
La regla práctica: si una persona mirando la imagen no puede decidirlo con claridad, el modelo tampoco.
Los falsos positivos son una cuestión de aritmética
Una cámara procesa unos 15 cuadros por segundo: más de un millón de cuadros al día. Aunque el modelo se equivoque una vez cada millón de cuadros, eso significa una o dos falsas alarmas diarias por cámara. Con varias cámaras, el operador termina ignorando el sistema. Por eso se combinan tres cosas: un umbral de confianza bien elegido, reglas de persistencia (la falta debe sostenerse unos segundos) y zonas y horarios definidos.
Aun así, ningún sistema acierta siempre: un gorro que parece casco, un reflejo en un chaleco. En una plataforma bien diseñada, el operador tiene dos acciones frente a cada evento: validarlo o marcarlo como falso positivo. Ese segundo gesto no es un trámite, es la forma en que el modelo se ajusta a tu planta y mejora con el uso. Un modelo genérico sirve en un laboratorio; el que funciona en tu planta se ajustó con tu iluminación, tus cascos, tus uniformes y tus cámaras.
Cómo se mide que funciona
Un porcentaje de acierto en una demostración dice poco. Lo que siente el equipo es cuántas alertas falsas recibe por cámara cada día y cuántas infracciones reales se le escapan. Por eso un proyecto serio parte con un periodo de prueba en modo sombra: el sistema detecta y registra durante semanas, sin avisar a nadie, y se compara con lo que realmente ocurrió en la planta. Solo entonces se activan las alertas.
Tres números importan: cuántas infracciones reales se detectaron, cuántas falsas alarmas hubo por cámara al día, y cuánto tardó el aviso, separado entre día y noche. Y el tamaño de la muestra también: con diez casos de prueba no se puede afirmar nada. Por eso el resultado que se considera aceptable se acuerda por escrito antes de empezar.
Dónde se procesa el video importa
Hay dos formas de hacerlo. Enviar el video a un servicio en la nube para analizarlo allá, o procesarlo dentro de la planta, en un equipo de borde instalado en el sitio. La nube no está prohibida, pero conviene que los servidores estén en Chile: enviar imágenes de personas a servidores en otro país queda regulado por la nueva ley de datos personales y exige resolver bajo qué garantías viajan y quién responde por ellas, algo que conviene revisar con asesoría legal. En faena y planta, procesar en el sitio suele ser la opción que hace viable el proyecto:
- Privacidad: las imágenes de la operación y de las personas no salen del sitio. Lo que viaja es el evento.
- Latencia: una alerta que llega tarde no previene nada. En el borde se responde en fracciones de segundo.
- Ancho de banda: subir video continuo desde una faena es caro y poco confiable. Un evento pesa casi nada.
- Continuidad: si el enlace se cae, el equipo sigue detectando y guarda los eventos hasta que vuelva la conexión.
Con tus cámaras actuales o con cámaras con IA
Hay dos caminos. El primero es aprovechar las cámaras IP que ya tienes: el equipo de borde toma los flujos por RTSP y corre los modelos sobre ellos, sin cambiar cámaras ni cableado. Conviene cuando la instalación es reciente y la calidad de imagen acompaña. El segundo es usar cámaras industriales con IA, donde cámara y procesamiento van en el mismo equipo. Conviene en escenas exigentes o puntos aislados, como accesos y portones, donde no hay cámaras útiles.
Lo que es y lo que no es
La detección de EPP es una ayuda de supervisión. No reemplaza barreras, procedimientos ni sistemas de seguridad certificados. Detecta una condición (falta un casco), no quién es la persona, y no requiere reconocimiento facial.
Las imágenes de trabajadores son datos personales. La empresa es la responsable de su tratamiento y debe informar a sus trabajadores, por ejemplo en el reglamento interno y con señalética. Con la nueva Ley 21.719 de protección de datos personales, ya publicada y cuya entrada en vigencia está hoy en discusión de postergación en el Congreso, conviene diseñarlo así desde el inicio: procesamiento local, eventos en lugar de video continuo y un plazo de conservación definido.
Cómo parte un proyecto
- Evaluar la escena: cámaras, ángulos, iluminación y definición exacta de qué es una infracción en tu planta.
- Periodo de prueba en modo sombra: se ajusta el modelo con tus imágenes y se miden los resultados sin molestar a nadie.
- Alertas y mejora continua: se activan los avisos y cada falso positivo que valida tu equipo vuelve a mejorar el modelo.
Cinco preguntas antes de contratar
- ¿El modelo se ajusta con imágenes de mi planta o es uno genérico?
- ¿Dónde se procesa el video y qué sale del sitio?
- ¿Qué evidencia queda de cada evento (imagen, hora, cámara, confianza)?
- ¿Cuántas falsas alarmas por cámara al día es aceptable, cómo se mide en un periodo de prueba y quién valida cada evento?
- ¿Mis cámaras actuales sirven, o hay puntos donde hay que cambiarlas?
En resumen
La detección de EPP con IA funciona cuando la escena es buena, el modelo se ajusta a tu operación, el procesamiento ocurre en tu planta y una persona cierra el ciclo validando cada evento. No reemplaza a quien supervisa: le da ojos donde no alcanza a mirar.
En A&G Solutions evaluamos primero la escena, es decir, tus cámaras, ángulos e iluminación, antes de proponer nada. Si quieres revisar si lo que ya tienes instalado sirve para detectar EPP, conversemos. Más detalle del servicio en Visión computacional.