Supervision inteligente: Generacion de alertas tempranas para la prevencion de accidentes en zonas de riesgo utilizando inteligencia artificial

Autores: Santiago Pulido (Plibots) · Nicolas Ayobi (Plibots) · Mateo Pinilla (Plibots) · Fredy Aguilera (Colmena) · Andres Alvarado (Nabors Drilling) · Andres Gomez (Nabors Drilling)

---

Resumen

Problema: Un desafio prevalente en industrias con operaciones de alto riesgo es la prevencion de accesos no autorizados a zonas con un alto potencial de interaccion con peligros inminentes. Por ende, la supervision sistematica de estas zonas de riesgo y la identificacion de intrusiones no autorizadas son imperativas. Este estudio busca implementar un sistema inteligente capaz de alertar sobre esos accesos no autorizados a zonas de riesgo con el fin de investigar como la inteligencia artificial (IA) puede asistir en la prevencion de accidentes en operaciones de alto riesgo.

Metodologia: Se plantea iniciar con un piloto en la industria minero-energetica. Se analizaron datos de accidentes de la IOGP y datos de casi-accidentes recopilados de Nabors Drilling determinando la distribucion de sus causas para estimar la cantidad de accidentes prevenibles utilizando alertas tempranas de intrusiones en zonas contiguas al Catwalk (Planchada del taladro). Posteriormente, se construyo una base de datos con videos de zonas contiguas a la zona de riesgo con el fin de entrenar un modelo de IA capaz de detectar personas en el perimetro de dicha zona. Finalmente, se implemento una herramienta digital que permite seleccionar un area de riesgo y desplegar el modelo para generar alertas automaticas al localizar individuos en cercania al area seleccionada.

Resultados: Mediante el analisis de los accidentes registrados por la IOGP en America entre 2013 y 2017 se encontro que un 54% estan asociados a una supervision inadecuada. El analisis de casi-accidentes de Nabors Drilling en Colombia desde el 2020 revelo que el 32% de incidentes son evitables por la generacion de alertas tempranas ante intrusiones no autorizadas. El modelo de IA obtuvo una precision promedio por fotograma del 60% y una cobertura de 77%, con un tiempo de prediccion de 0.041 segundos. La probabilidad de generacion de alerta ante una intrusion supera el 99% en un lapso menor a 1 segundo desde el inicio de la intrusion.

Conclusiones: La aplicacion de IA en la vigilancia de zonas de riesgo en la industria petrolera demuestra ser una herramienta efectiva para la deteccion temprana de situaciones de riesgo, lo que permite aumentar la velocidad de respuesta y mejorar los mecanismos de prevencion.

Palabras clave: Inteligencia Artificial, Seguridad en Operaciones, Prevencion de Accidentes, Vigilancia Automatica.

Introduccion

Las operaciones en la industria del petroleo y gas se caracterizan por la existencia de multiples riesgos para sus trabajadores (Wingate et al., 2022). Esto debido a las multiples fuentes de peligros laborales presentes en operaciones de campo que configuran un entorno riesgoso donde los trabajadores enfrentan mayores probabilidades de lesiones (Esswein et al., 2016; Parasram et al., 2024). En Estados Unidos, se demostro que las tasas de lesiones mortales en la industria del petroleo y gas son hasta siete veces mas altas que el promedio de otros sectores (Mason et al., 2015). Estudios de accidentalidad han identificado que los accidentes mas comunes en estas operaciones son debidos a caidas, explosiones, exposicion a quimicos, fallos mecanicos y golpes por objetos (Wingate et al., 2023).

La seguridad laboral es particularmente critica en la industria petrolera colombiana donde una proporcion importante de los empleados son contratados temporalmente de diversas comunidades, y a menudo representan una mano de obra poco calificada (Lopez-Perez et al., 2022; Salamanca et al., 2017). Limitando asi mecanismos de prevencion convencionales como programas de formacion en seguridad laboral. Del mismo modo, las operaciones suelen realizarse en municipios alejados de centros medicos, dificultando la capacidad de respuesta a accidentes. Por ello, es crucial implementar soluciones de seguridad que permitan la prevencion temprana de accidentes y que puedan ser aplicadas facilmente en las operaciones de campo en Colombia.

Uno de los factores criticos que contribuye a las altas tasas de accidentalidad es la falta de vigilancia constante (Ahmadi et al., 2021) y, en particular, las intrusiones a zonas de riesgo (Benny & Renjith, 2023). La ausencia de monitoreo en tiempo real en dichas zonas conlleva a practicas inseguras y accidentes prevenibles. Actualmente, se implementan soluciones como señalizacion, capacitaciones y supervision tradicional (Anderson et al., 2022). Sin embargo, estas soluciones son muy limitadas ya que estan sujetas a comportamientos omisivos motivados por una baja percepcion del riesgo. Tambien, se ha propuesto el uso de sensores inteligentes, pero estos requieren de altos costos en instalacion y mantenimiento (Fataliyev & Mehdiyev, 2018).

En la ultima decada, la inteligencia artificial (IA) se ha destacado como una herramienta de automatizacion prometedora y hoy es la tecnologia mas explorada en diversas industrias por su capacidad para analizar grandes volumenes de datos (Jan et al., 2023). La base de la IA es el aprendizaje automatico, que permite a las maquinas comprender relaciones en los datos y tomar decisiones sin ser preprogramadas (Murphy, 2012). Especificamente, las IAs modernas utilizan el aprendizaje profundo, que usa redes neuronales artificiales entrenadas iterativamente para extraer patrones relevantes en datos complejos como imagenes, texto y audio (LeCun et al., 2015).

La vision por computador, el area de la IA que se encarga del procesamiento de imagenes, utiliza las redes neuronales convolucionales (CNN), una clase de redes neuronales artificiales que procesan datos visuales e identifican caracteristicas como bordes, texturas y formas (Krizhevsky et al., 2017). Las CNNs son una herramienta esencial para aplicaciones avanzadas de vision por computador, como la medicina, robotica, seguridad y vigilancia.

La vigilancia basada en IA consiste en entrenar modelos de vision por computador para detectar personas en videos (Usha Rani & Raviraj, 2023). La deteccion de personas es uno de los problemas mas estudiados en vision por computador y busca localizar e identificar cada persona en una imagen mediante cajas envolventes, las cuales delimitan la posicion y tamaño de cada persona identificada (Dalal & Triggs, 2005). Asi, es posible utilizar estos modelos para ubicar personas en los fotogramas de un video y generar respuestas inmediatas a situaciones de riesgo, mejorando la seguridad operativa e incrementando la capacidad de accion temprana (Pianissola et al., 2024).

El presente estudio desarrolla un sistema de vigilancia automatica basada en IA para detectar intrusiones no autorizadas en zonas de riesgo y generar alertas tempranas, con el objetivo de prevenir accidentes laborales mediante la identificacion oportuna de situaciones de riesgo. Utilizando reportes de accidentes, datos historicos de casi-accidentes, videos en zonas criticas y el entrenamiento de un modelo de IA, hemos creado una herramienta robusta para mejorar la seguridad en la industria petrolera.

Metodologia

Nuestra metodologia para crear un sistema de generacion de alertas automaticas de intrusion esta compuesta por cuatro pasos:

1. Realizamos un analisis de accidentalidad mediante un estudio estadistico utilizando reportes publicos de accidentalidad y datos de casi-accidentes de empresas petroleras en Colombia.
2. Recopilamos una base de datos de videos de operaciones de campo en la zona contigua al Catwalk.
3. Desarrollamos, adaptamos, entrenamos y validamos un modelo de vision por computador para la deteccion de personas en tiempo real.
4. Desarrollamos un software para generar alertas en casos de intrusiones en areas de riesgo predefinidas.

Estudio estadistico sobre casi-accidentes en empresas petroleras colombianas

Inicialmente, revisamos reportes publicos de accidentalidad de la IOGP (IOGP, 2023) y utilizamos literatura previa que emplea un sistema de Analisis de Factores Humanos y Clasificacion en la industria del petroleo y gas (HFACS-OGI) (Theophilus et al., 2017; Nwankwo et al., 2022) para obtener la frecuencia de accidentes a traves de multiples causas, que pueden presentarse simultaneamente.

Posteriormente, recopilamos 2.729 reportes de casi-accidentes de la base de datos de Nabors Drilling, provenientes de operaciones de intervencion de pozos y perforacion en Colombia. Los reportes incluyen descripciones detalladas del evento, condiciones y medidas correctivas. Clasificamos y etiquetamos los reportes segun cinco variables categoricas de interes:

Recopilacion de datos de video

Las camaras de video instaladas en las areas de operaciones de campo representan una fuente natural y asequible de datos reales para entrenar un modelo robusto que opere directamente sobre las señales de video emitidas por las camaras ya instaladas, sin necesidad de adquirir nuevos equipos.

Recopilamos 14 videos de operaciones realizadas en la zona contigua al Catwalk, capturados en diferentes dias y horas por dos camaras. Nuestra base de datos final contiene un total de 6.5 horas de video capturadas a 60 fps y resolucion de 1080x1920. Utilizando la herramienta Label Studio, dibujamos cajas envolventes sobre cada trabajador presente en 2.459 fotogramas seleccionados, anotando un total de 3.860 cajas envolventes.

Desarrollo y entrenamiento del modelo de IA

Dado que el modelo sera utilizado para la prevencion de accidentes y la supervision constante automatica, es esencial que funcione en tiempo real. Optamos por utilizar la metodologia de deteccion Single Shot Detector (SSD) con la red MobileNet como espina dorsal (conocido como MobileNet-SSD). MobileNet permite codificar una imagen y se destaca por su procesamiento veloz que la hace ideal para aplicaciones en tiempo real e implementaciones en entornos con recursos computacionales limitados.

Inicialmente, MobileNet-SSD fue diseñada por Google para deteccion de multiples objetos genericos en la extensa base de datos COCO de Microsoft. Modificamos las ultimas capas de esta red para detectar trabajadores unicamente. Igualmente, utilizamos los parametros preentrenados para hacer transferencia de aprendizaje, proporcionando una base inicial que facilita el entrenamiento y mejora el desempeño.

Marco de evaluacion

Para evaluar el modelo en nuestra base de datos, utilizamos metricas estandar para problemas de deteccion:

• Precision promedio (AP): Calcula la relacion entre verdaderos positivos y falsos positivos; mide la calidad en predicciones y penaliza predicciones incorrectas.
• Cobertura promedio (AR): Calcula la relacion de verdaderos positivos y falsos negativos; mide la capacidad de identificacion y penaliza predicciones faltantes.

Utilizamos un umbral de interseccion sobre union (IoU) del 50% para considerar una deteccion como verdadero positivo. Para validar el desempeño, diseñamos una metodologia de validacion cruzada, dividiendo el conjunto de datos en 4 particiones diferentes.

Software para la generacion de alertas

El modelo de deteccion de personas unicamente indica la ubicacion de un trabajador, pero no especifica si el trabajador se encuentra dentro de una zona de riesgo. Nuestro sistema incluye una interfaz interactiva que permite delimitar areas de riesgo mediante un poligono sobre el campo visual capturado por la camara. El software genera una alerta si alguna caja envolvente del modelo se encuentra dentro del poligono definido como zona de riesgo.

Esta solucion es robusta y escalable, y facilita la prevencion de accidentes en zonas de riesgo, ajustandose a la dinamicidad de las operaciones de campo para funcionar sobre cualquier zona de riesgo delimitada.

Resultados

Estudio estadistico

Utilizamos el estudio HFACS-OGI realizado por Nwankwo et al. (2022) sobre reportes de accidentes de la IOGP entre 2013 y 2017 para calcular la distribucion porcentual de accidentes en diferentes continentes y categorias de causalidad. Nos enfocamos en categorias que hacen parte de actos inseguros o de supervision insegura.

Tras el analisis de los reportes de casi-accidentes, se observo que las categorias de las variables "Tipo de peligro" y "Tarea al momento del accidente" tenian definiciones semanticas similares. Estas categorias fueron reagrupadas en 11 meta categorias para facilitar el analisis estadistico.

Desarrollo del modelo de vigilancia automatica

Evaluamos tres versiones diferentes de nuestro modelo:

Pruebas de eficiencia en generacion de alertas

Para estimar la eficiencia del modelo en detectar intrusiones y generar alertas, utilizamos 10 videoclips de intrusiones en la zona del Catwalk. Los resultados clave:

La probabilidad de detectar al intruso tiende a 99% en un lapso menor a un segundo, demostrando la alta eficiencia y precision de la herramienta diseñada.

Discusion

El analisis de reportes de la IOGP muestra que el continente americano tiene una mayor incidencia de accidentes y muertes que cualquier otro continente. La supervision inadecuada es la principal causa en America, con el 54% de los accidentes etiquetados en esta categoria. Estas estadisticas respaldan la necesidad de sistemas avanzados de supervision.

El analisis estadistico de casi-accidentes revela que la mayoria no involucran un objeto especifico y muestran una distribucion relativamente uniforme entre los equipos involucrados. Esta aleatoriedad resalta la necesidad de un sistema de supervision sistematica e ininterrumpida en zonas riesgosas. Los casi-accidentes por golpes de objetos, atrapamientos y caida de objetos constituyen el 32% de los casi-accidentes y pueden mitigarse alertando sobre intrusiones en zonas riesgosas.

El modelo alcanza una precision del 60% y una cobertura del 77%, demostrando una buena calidad de prediccion y una alta capacidad de identificacion de trabajadores presentes. El error de 23% de cobertura se vuelve insignificante ya que el modelo predice sobre fotogramas independientes, causando que la probabilidad de fallo disminuya a medida que avanza el tiempo.

Los indicadores de velocidad de prediccion demuestran que el modelo realiza predicciones en menos de 50 milisegundos y puede operar a 21 fotogramas por segundo, demostrando que funciona en tiempo real y es optimo para la supervision sistematica de areas de riesgo.

Conclusiones

El desarrollo y la implementacion de un sistema inteligente de vigilancia basado en IA para la deteccion de intrusiones en zonas de riesgo representa un avance significativo en la prevencion de accidentes laborales en la industria petrolera.

• El analisis de los reportes de la IOGP demostro que America presenta una mayor accidentalidad y que la supervision inadecuada esta presente en mas de la mitad de los accidentes.
• El analisis de los casi-accidentes revelo patrones cruciales en cuanto a los tipos de peligros, equipos involucrados, tareas realizadas y lugares de incidentes.
• El modelo basado en MobileNet-SSD alcanzo una precision promedio del 60% y una cobertura del 77%, con capacidad para generar alertas en menos de un segundo.
• El software desarrollado permite delimitar interactivamente las zonas de riesgo y generar alertas automaticas cuando se detecta una intrusion.
• La herramienta es escalable y adaptable: puede entrenarse facilmente con datos de cualquier operacion de campo y detectar intrusiones en cualquier zona de riesgo delimitada.

Este sistema no solo mejora la seguridad de los trabajadores, sino que establece un precedente para la aplicacion de tecnologias avanzadas en seguridad laboral, adaptandose a diversas industrias y mejorando la eficiencia y seguridad en el trabajo.

---

Agradecimientos: Colmena Seguros y Nabors Drilling por promover entornos de trabajo mas seguros mediante innovacion aplicada.

Referencias

• Ahmadi, O., Mortazavi, S. B., & Asilian Mahabadi, H. (2021). Application and modification of the Tripod Beta method for analyzing the causes of oil and gas industry accidents. International Journal of Occupational Safety and Ergonomics, 27(3), 928-937.
• Alkaabi, S., AlAzri, A., AlZakwani, S., & Altamimi, F. (2023). A Methodology to Evaluate Video Analytics for Drilling Safety Operation using Machine Learning. SPE-213764-MS.
• Anderson, T., Graham, C., Rouncefield, M., Busby, J., & Kerr, E. (2022). Seeing danger: Safety on an offshore oil and gas platform.
• Benny, A., & Renjith, V. R. (2023). Safety and Risk Management in Oil and Gas Industries: A Review. Advances in Construction Safety, 133-141.
• Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. IEEE CVPR 2005, 886-893.
• Esswein, E. J., Retzer, K., King, B., & Cook-Shimanek, M. (2016). Occupational Health and Safety Aspects of Oil and Gas Extraction. Environmental and Health Issues in Unconventional Oil and Gas Development, 93-105.
• Fataliyev, T. Kh., & Mehdiyev, S. A. (2018). Analysis and New Approaches to the Solution of Problems of Operation of Oil and Gas Complex as Cyber-Physical System. International Journal of Information Technology and Computer Science, 10(11), 67-76.
• Howard, A. G. et al. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv:1704.04861.
• Howard, A. et al. (2019). Searching for MobileNetV3. IEEE/CVF ICCV, 1314-1324.
• IOGP. (2023). IOGP Safety performance indicators — 2023 data.
• Jan, Z. et al. (2023). Artificial intelligence for industry 4.0: Systematic review of applications, challenges, and opportunities. Expert Systems with Applications, 216, 119456.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
• Lin, T.-Y. et al. (2014). Microsoft COCO: Common Objects in Context. ECCV 2014, 740-755.
• Liu, W. et al. (2016). SSD: Single Shot MultiBox Detector. ECCV 2016, 21-37.
• Mason, K. L. et al. (2015). Occupational fatalities during the oil and gas boom — United States, 2003-2013. MMWR, 64(20), 551-554.
• Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.
• Nwankwo, C. D. et al. (2022). Analysis of accidents caused by human factors in the oil and gas industry using the HFACS-OGI framework. International Journal of Occupational Safety and Ergonomics, 28(3), 1642-1654.
• Parasram, V. et al. (2024). Severe Work-Related Injuries in the Oil and Gas Extraction Industry. MMWR, 73(5), 104-109.
• Pianissola, B. H. V. et al. (2024). Video Based AI Tools for Safety Enhancement on the Drill Floor. OTC-35129-MS.
• Sandler, M. et al. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. IEEE/CVF CVPR, 4510-4520.
• Theophilus, S. C. et al. (2017). Human factors analysis and classification system for the oil and gas industry (HFACS-OGI). Reliability Engineering & System Safety, 167, 168-176.
• Usha Rani, J., & Raviraj, P. (2023). Real-Time Human Detection for Intelligent Video Surveillance. SN Computer Science, 4(3), 258.
• Wingate, K. C. et al. (2023). Fatalities in Oil and Gas Extraction Database. MMWR Surveillance Summaries, 72(8), 1-15.
• Wingate, K. C. et al. (2022). Self-reported exposure to hazards and mitigation strategies among oil and gas extraction workers. Journal of Occupational and Environmental Hygiene, 19(10-11), 676-689.