Supervisión inteligente: Generación de alertas tempranas para la prevención 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 desafío prevalente en industrias con operaciones de alto riesgo es la prevención de accesos no autorizados a zonas con un alto potencial de interacción con peligros inminentes. Por ende, la supervisión sistemática de estas zonas de riesgo y la identificación 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 cómo la inteligencia artificial (IA) puede asistir en la prevención de accidentes en operaciones de alto riesgo.

Metodología: Se plantea iniciar con un piloto en la industria minero-energética. Se analizaron datos de accidentes de la IOGP y datos de casi-accidentes recopilados de Nabors Drilling determinando la distribución 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 construyó 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 perímetro de dicha zona. Finalmente, se implementó una herramienta digital que permite seleccionar un área de riesgo y desplegar el modelo para generar alertas automáticas al localizar individuos en cercanía al área seleccionada.

Resultados: Mediante el análisis de los accidentes registrados por la IOGP en América entre 2013 y 2017 se encontró que un 54% están asociados a una supervisión inadecuada. El análisis de casi-accidentes de Nabors Drilling en Colombia desde el 2020 reveló que el 32% de incidentes son evitables por la generación de alertas tempranas ante intrusiones no autorizadas. El modelo de IA obtuvo una precisión promedio por fotograma del 60% y una cobertura de 77%, con un tiempo de predicción de 0.041 segundos. La probabilidad de generación de alerta ante una intrusión supera el 99% en un lapso menor a 1 segundo desde el inicio de la intrusión.

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

Palabras clave: Inteligencia Artificial, Seguridad en Operaciones, Prevención de Accidentes, Vigilancia Automática.

Introducción

Las operaciones en la industria del petróleo y gas se caracterizan por la existencia de múltiples riesgos para sus trabajadores (Wingate et al., 2022). Esto debido a las múltiples 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 demostró que las tasas de lesiones mortales en la industria del petróleo y gas son hasta siete veces más altas que el promedio de otros sectores (Mason et al., 2015). Estudios de accidentalidad han identificado que los accidentes más comunes en estas operaciones son debidos a caídas, explosiones, exposición a químicos, fallos mecánicos y golpes por objetos (Wingate et al., 2023).

La seguridad laboral es particularmente crítica en la industria petrolera colombiana donde una proporción 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 así mecanismos de prevención convencionales como programas de formación en seguridad laboral. Del mismo modo, las operaciones suelen realizarse en municipios alejados de centros médicos, dificultando la capacidad de respuesta a accidentes. Por ello, es crucial implementar soluciones de seguridad que permitan la prevención temprana de accidentes y que puedan ser aplicadas fácilmente en las operaciones de campo en Colombia.

Uno de los factores críticos 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 prácticas inseguras y accidentes prevenibles. Actualmente, se implementan soluciones como señalización, capacitaciones y supervisión tradicional (Anderson et al., 2022). Sin embargo, estas soluciones son muy limitadas ya que están sujetas a comportamientos omisivos motivados por una baja percepción del riesgo. También, se ha propuesto el uso de sensores inteligentes, pero estos requieren de altos costos en instalación y mantenimiento (Fataliyev & Mehdiyev, 2018).

En la última década, la inteligencia artificial (IA) se ha destacado como una herramienta de automatización prometedora y hoy es la tecnología más explorada en diversas industrias por su capacidad para analizar grandes volúmenes de datos (Jan et al., 2023). La base de la IA es el aprendizaje automático, que permite a las máquinas comprender relaciones en los datos y tomar decisiones sin ser preprogramadas (Murphy, 2012). Específicamente, las IAs modernas utilizan el aprendizaje profundo, que usa redes neuronales artificiales entrenadas iterativamente para extraer patrones relevantes en datos complejos como imágenes, texto y audio (LeCun et al., 2015).

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

La vigilancia basada en IA consiste en entrenar modelos de visión por computador para detectar personas en videos (Usha Rani & Raviraj, 2023). La detección de personas es uno de los problemas más estudiados en visión por computador y busca localizar e identificar cada persona en una imagen mediante cajas envolventes, las cuales delimitan la posición y tamaño de cada persona identificada (Dalal & Triggs, 2005). Así, 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 acción temprana (Pianissola et al., 2024).

El presente estudio desarrolla un sistema de vigilancia automática 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 identificación oportuna de situaciones de riesgo. Utilizando reportes de accidentes, datos históricos de casi-accidentes, videos en zonas críticas y el entrenamiento de un modelo de IA, hemos creado una herramienta robusta para mejorar la seguridad en la industria petrolera.

Metodología

Nuestra metodología para crear un sistema de generación de alertas automáticas de intrusión está compuesta por cuatro pasos:

1. Realizamos un análisis de accidentalidad mediante un estudio estadístico utilizando reportes públicos 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 visión por computador para la detección de personas en tiempo real.
4. Desarrollamos un software para generar alertas en casos de intrusiones en áreas de riesgo predefinidas.

Estudio estadístico sobre casi-accidentes en empresas petroleras colombianas

Inicialmente, revisamos reportes públicos de accidentalidad de la IOGP (IOGP, 2023) y utilizamos literatura previa que emplea un sistema de Análisis de Factores Humanos y Clasificación en la industria del petróleo y gas (HFACS-OGI) (Theophilus et al., 2017; Nwankwo et al., 2022) para obtener la frecuencia de accidentes a través de múltiples causas, que pueden presentarse simultáneamente.

Posteriormente, recopilamos 2.729 reportes de casi-accidentes de la base de datos de Nabors Drilling, provenientes de operaciones de intervención de pozos y perforación en Colombia. Los reportes incluyen descripciones detalladas del evento, condiciones y medidas correctivas. Clasificamos y etiquetamos los reportes según cinco variables categóricas de interés:

Recopilación de datos de video

Las cámaras de video instaladas en las áreas 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 cámaras ya instaladas, sin necesidad de adquirir nuevos equipos.

Recopilamos 14 videos de operaciones realizadas en la zona contigua al Catwalk, capturados en diferentes días y horas por dos cámaras. Nuestra base de datos final contiene un total de 6.5 horas de video capturadas a 60 fps y resolución 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 será utilizado para la prevención de accidentes y la supervisión constante automática, es esencial que funcione en tiempo real. Optamos por utilizar la metodología de detección 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 detección de múltiples objetos genéricos en la extensa base de datos COCO de Microsoft. Modificamos las últimas capas de esta red para detectar trabajadores únicamente. Igualmente, utilizamos los parámetros preentrenados para hacer transferencia de aprendizaje, proporcionando una base inicial que facilita el entrenamiento y mejora el desempeño.

Marco de evaluación

Para evaluar el modelo en nuestra base de datos, utilizamos métricas estándar para problemas de detección:

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

Utilizamos un umbral de intersección sobre unión (IoU) del 50% para considerar una detección como verdadero positivo. Para validar el desempeño, diseñamos una metodología de validación cruzada, dividiendo el conjunto de datos en 4 particiones diferentes.

Software para la generación de alertas

El modelo de detección de personas únicamente indica la ubicación 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 áreas de riesgo mediante un polígono sobre el campo visual capturado por la cámara. El software genera una alerta si alguna caja envolvente del modelo se encuentra dentro del polígono definido como zona de riesgo.

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

Resultados

Estudio estadístico

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 distribución porcentual de accidentes en diferentes continentes y categorías de causalidad. Nos enfocamos en categorías que hacen parte de actos inseguros o de supervisión insegura.

Tras el análisis de los reportes de casi-accidentes, se observó que las categorías de las variables "Tipo de peligro" y "Tarea al momento del accidente" tenían definiciones semánticas similares. Estas categorías fueron reagrupadas en 11 meta categorías para facilitar el análisis estadístico.

Desarrollo del modelo de vigilancia automática

Evaluamos tres versiones diferentes de nuestro modelo:

Pruebas de eficiencia en generación 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 precisión de la herramienta diseñada.

Discusión

El análisis de reportes de la IOGP muestra que el continente americano tiene una mayor incidencia de accidentes y muertes que cualquier otro continente. La supervisión inadecuada es la principal causa en América, con el 54% de los accidentes etiquetados en esta categoría. Estas estadísticas respaldan la necesidad de sistemas avanzados de supervisión.

El análisis estadístico de casi-accidentes revela que la mayoría no involucran un objeto específico y muestran una distribución relativamente uniforme entre los equipos involucrados. Esta aleatoriedad resalta la necesidad de un sistema de supervisión sistemática e ininterrumpida en zonas riesgosas. Los casi-accidentes por golpes de objetos, atrapamientos y caída de objetos constituyen el 32% de los casi-accidentes y pueden mitigarse alertando sobre intrusiones en zonas riesgosas.

El modelo alcanza una precisión del 60% y una cobertura del 77%, demostrando una buena calidad de predicción y una alta capacidad de identificación 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 predicción 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 óptimo para la supervisión sistemática de áreas de riesgo.

Conclusiones

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

• El análisis de los reportes de la IOGP demostró que América presenta una mayor accidentalidad y que la supervisión inadecuada está presente en más de la mitad de los accidentes.
• El análisis de los casi-accidentes reveló patrones cruciales en cuanto a los tipos de peligros, equipos involucrados, tareas realizadas y lugares de incidentes.
• El modelo basado en MobileNet-SSD alcanzó una precisión 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 automáticas cuando se detecta una intrusión.
• La herramienta es escalable y adaptable: puede entrenarse fácilmente con datos de cualquier operación 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 aplicación de tecnologías avanzadas en seguridad laboral, adaptándose a diversas industrias y mejorando la eficiencia y seguridad en el trabajo.

---

Agradecimientos: Colmena Seguros y Nabors Drilling por promover entornos de trabajo más seguros mediante innovación 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.