OnSafety Vision AI (OnVI): Um Sistema de Detecção de EPIs e não conformidades via Ensemble de Redes Neurais e Super Resolução em Arquitetura Híbrida e Adaptativa

• Luiz M. F. de Lima OnSafety
• Jonathan C. Kuspil UEM / OnSafety
• Karina Y. Kimura UEM / OnSafety
• Caio Flexa OnSafety
• Renan Ceratto OnSafety
• Gislaine Camila L. Leal UEM / OnSafety
• Edwin V. C. Galdamez UEM / OnSafety

DOI: https://doi.org/10.5753/sbsi_estendido.2026.249066

Resumo

O monitoramento manual de EPIs apresenta-se ineficiente frente à complexidade do ambiente industrial. Este trabalho propõe o OnVI (OnSafety Vision AI), uma solução de Visão Computacional baseada em uma Arquitetura Híbrida e Adaptativa que integra privacidade e escalabilidade. O sistema orquestra um Ensemble de redes YOLOv4 de inferência de EPIs (Generalistas e Especialistas), estimativa de pose e Super Resolução para superar limitações de oclusão e distância. Essa estratégia visa compensar as limitações de detectores isolados por meio da robustez do conjunto, maximizando a precisão na identificação de conformidades e não conformidades e minimizando falsos positivos, sem negligenciar a flexibilidade de infraestrutura exigida pela indústria moderna.

Referências

Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection.

Brasil (2018). Lei nº 13.709, de 14 de agosto de 2018. Diário Oficial da República Federativa do Brasil.

Brasil (2022). NR 06 - EQUIPAMENTOS DE PROTEÇÃO INDIVIDUAL - EPI. Acesso em: 21 de janeiro de 2026.

Delhi, V., Lal, S., and Thomas, A. (2020). Detection of personal protective equipment (ppe) compliance on construction site using computer vision based deep learning techniques. Frontiers in Built Environment, 6.

Dietterich, T. G. (2000). Ensemble methods in machine learning. In Multiple Classifier Systems, pages 1–15, Berlin, Heidelberg. Springer Berlin Heidelberg.

Do, M.-T., Kim, D. T., Ha, M.-H., Chen, O. T.-C., Chinh, N., and Tran, A. (2023). An effective method for detecting personal protective equipment at real construction sites using the improved yolov5s with siou loss function. pages 430–434.

Evans, E. (2003). Domain-Driven Design: Tackling Complexity in the Heart of Software. Pearson Education.

Gallo, G., Di Rienzo, F., Garzelli, F., Ducange, P., and Vallati, C. (2022). A smart system for personal protective equipment detection in industrial environments based on deep learning at the edge. IEEE Access, 10:110862–110878.

Ganaie, M., Hu, M., Malik, A., Tanveer, M., and Suganthan, P. (2022). Ensemble deep learning: A review. Engineering Applications of Artificial Intelligence, 115:105151.

Martin, R. (2003). Agile Software Development: Principles, Patterns, and Practices. Alan Apt series. Pearson Education.

McCambridge, J., Witton, J., and Elbourne, D. R. (2014). Systematic review of the hawthorne effect: New concepts are needed to study research participation effects. Journal of clinical epidemiology, 67(3):267–277.

Protik, A., Hossain, A., and Siddique, S. (2021). Real-time personal protective equipment (ppe) detection using yolov4 and tensorflow.

Smartlab (2026). Observatório de segurança e saúde no trabalho. Acesso em: 21 janeiro de 2026.

Wang, X., Xie, L., Dong, C., and Shan, Y. (2021). Real-esrgan: Training real-world blind super-resolution with pure synthetic data. In International Conference on Computer Vision Workshops (ICCVW).

Wong, T. K. M., Man, S. S., and Chan, A. H. S. (2020). Critical factors for the use or non-use of personal protective equipment amongst construction workers. Safety Science, 126:104663.