AUTOMATED DETECTION OF SAFETY HELMET USE WITH COMPUTER VISION: AN APPLICATION OF YOLO AND ROBOFLOW FOR INDUSTRIAL ENVIRONMENTS
REGISTRO DOI: 10.69849/revistaft/cs10202601141402
Douglas Sousa Araujo1
Edinaldo Nogueira Araujo2
Ruan Diego Brito de Oliveira3
Gleisson Amaral Mendes4
Resumo
A segurança do trabalho é uma preocupação central em ambientes industriais, onde a ausência do uso de Equipamentos de Proteção Individual (EPIs) pode levar a acidentes graves. Este artigo apresenta o desenvolvimento de um sistema inteligente de detecção automatizada do uso de capacetes de segurança, utilizando técnicas de visão computacional baseadas em YOLOv5 e com apoio da plataforma Roboflow. Foram utilizadas 654 imagens anotadas, ampliadas para 1.246 com técnicas de data augmentation, como rotação, inversão, variação de brilho, esfumaçamento e adição de ruído. O modelo treinado obteve mAP de 84,1%, precisão de 85,9% e revocação de 70,8%. O sistema mostrou-se eficaz e viável para implantação em tempo real, reforçando a cultura da segurança e a fiscalização de EPIs.
Palavras-chave: YOLOv5. Visão Computacional. Segurança do Trabalho. EPI. Roboflow.
1. INTRODUÇÃO
Os EPIs (Equipamentos de Proteção Individual) são dispositivos ou produtos utilizados pelo trabalhador para fornecer segurança ocupacional durante a jornada de trabalho (BRASIL, 2025). Mais de 724 mil acidentes registrados no Brasil em 2024, destes, 61,07% resultaram em afastamento de até 15 dias, ou seja, o investimento em monitoramento na área de segurança do trabalho é um interesse coletivo, beneficiando a esfera pública, privada e individual (MTE, 2024).
A relevância do tema reside no crescente aumento de notificação de acidentes de trabalho, muitos casos com resultado morte do trabalhador. Essa colocação reafirma a importância que as Normas Reguladoras (NR) têm em nossa sociedade (Manaf, Da Silva, 2024).
No setor de manutenção industrial o descumprimento do uso de Equipamentos de Proteção Individual (EPIs), como capacetes, ainda é uma realidade preocupante. Há resistência dos trabalhadores ao uso correto desses equipamentos, que é somado a ausência de fiscalização contínua e treinamentos eficazes, a pesquisa reforça a necessidade da aplicação de soluções tecnológicas que auxiliem na supervisão automatizada, elevando o nível de conformidade com as normas de segurança do trabalho (Silva, 2024).
Atualmente, a inteligência artificial (IA) tem sido amplamente utilizada em Sistemas de Missão Crítica, implementado com IA de auxílio à decisão é o monitoramento de pacientes em Unidades de Terapia Intensiva (UTIs), onde algoritmos preditivos permitem a análise em tempo real de grandes volumes de dados, auxiliando na identificação de situações críticas e no suporte à tomada de decisão clínica (Lemos et al., 2024). Sistemas geralmente envolvem aplicativos com um grande número de usuários que dependem de seu funcionamento contínuo para a realização de funções essenciais (IBM, 2024).
Cerca de 30% dos acidentes de trabalho com afastamento prolongado no Brasil decorrem do não uso de EPIs. Algo que pode ser tratado por meio um controle aprimorado por com ajuda de Softwares como o YOLOv5 (ANAMT, 2024).
O avanço da Inteligência Artificial (IA) e da visão computacional, surgem soluções promissoras para automatizar também a fiscalização em tempo real em ambientes civis, como construções em canteiros de obra. Algoritmos como YOLOv5 e YOLOv8 têm se destacado por sua alta precisão e velocidade na detecção de objetos de segurança, como capacetes (Zhou; Chen, 2024; Chen et al., 2025).
Este trabalho foi desenvolvido com objetivo de construir um Sistema de Visão Computacional baseado no YOLOv5 e Roboflow para que a detecção do Capacete de segurança (EPI) seja automatizada, fornecendo suporte aos supervisores e operadores.
2. METODOLOGIA
2.1 COLETA E ANOTAÇÃO DE DADOS
Um conjunto de 654 imagens foi coletado de bancos públicos e gravações simuladas. As imagens foram selecionadas com diversidade de ângulos, contextos e iluminação. As anotações foram feitas manualmente no Roboflow, categorizando os objetos com a classe: Com Capacete
As imagens foram redimensionadas para 640×640 Pixels. Foram aplicadas técnicas de data augmentation para aumentar a robustez do modelo, incluindo, Rotação de até 25°, Inversão horizontal, Alteração de brilho e contraste, Adição de Ruído Gaussiano, Aplicação de Esfumaçamento (blur), Variações na saturação e nitidez.
Essas transformações resultaram em um dataset final com 1.246 imagens, balanceadas entre as classes “Treino”, “Validação” e “Teste”.
O Pré-processamento aplicado foi embasado em observações realizadas no estudo de Rodríguez e Rubio (2024) onde foram observados os problemas que o Brilho, Ruido e o não tratamento de imagens podem ocasionar a sistemas como o Yolo. Visando evitar tantos inconvenientes incluímos variações das imagens do dataset considerando variações no Brilho, Ruído e Angulação para aprimorar a visão e o processamento computacional.
2.2 TIPO DE PESQUISA
Trata-se de uma pesquisa aplicada, com abordagem quantitativa, utilizando experimentação computacional para validação de desempenho do modelo proposto. O projeto seguirá uma abordagem quantitativa-experimental, com as seguintes etapas de construção do Dataset: Coleta de dados, onde serão coletadas cerca de 600 imagens de ambientes industriais, via Roboflow e bancos de imagens abertos. Anotação das imagens onde rotularemos as imagens com a Classe “Capacete”, num formato entendível pelo YOLOv5. Aumento de dados via Roboflow, aplicando técnicas de data Augmentation como Flip, ajuste de brilho e ruído.
O treinamento do modelo se dará por intermédio do YOLOv5 com parâmetros otimizados (lr = 0.001, batch = 16), Validação e ajuste. Os Resultados de Métricas como mAP, Precisão e Recall serão utilizados para ajustes na precisão do modelo.
A Implementação em vídeo será via integração com OpenCV, uma ferramenta disponibilizada no Roboflow.
2.3 PESQUISA BIBLIOGRÁFICA
A fundamentação teórica deste trabalho será composta por artigos científicos indexados entre os anos de 2020 e 2025, com prioridade para os mais recentes (2024 e 2025). As bases utilizadas incluem IEEE Xplore, ScienceDirect, Springer, MDPI, Scopus e arXiv.
Como Critérios de inclusão consideramos artigos com aplicação prática ou testes realizados em ambientes reais ou simulados com a temática centrada na indústria. Estudos que tratem da utilização de algoritmos YOLO para detecção de objetos relacionados à segurança e um ponto de suma importância é que esses artigos tenham sido revisados por pares e que apresentem métricas de desempenho.
Os Critérios de exclusão considerados foram Artigos com data de publicações anteriores a 2024, Artigos que não apresentem evidência empírica (em cenário real ou simulado) ou aplicação em cenário real. Não serão considerados artigos que não passaram por análise de pares.
Foram utilizados termos como “safety helmet detection YOLO”, “monitoramento EPI”, “visão computacional aplicada à segurança do trabalho”, “Yolov5”, “Monitoramento em Locais de Difícil acesso”. A seleção visa assegurar que a revisão contempla os principais avanços na área, considerando relevância, atualidade e aplicabilidade, no Quadro 1 é possível conferir os resultados encontrados de acordo com os termos centrais deste projeto.
Quadro 1. Palavras Chave
2.4 COLETA E NOTAÇÃO DAS IMAGENS:
Será realizada a coleta de imagens de trabalhadores em ambientes industriais, tanto com quanto sem capacetes de segurança. As imagens serão obtidas de bancos de dados públicos e capturadas em campo. Posteriormente, será feita a anotação manual das imagens utilizando a plataforma Roboflow, delimitando as regiões de interesse através de Bounding Boxes para identificar a presença de capacetes.
2.5 TREINAMENTO DO MODELO YOLOV5
O modelo de detecção de objetos YOLOv5 será treinado utilizando o conjunto de dados anotado. O treinamento será realizado no Google Colab, aproveitando recursos de GPU para acelerar o processo. Serão aplicadas técnicas de Data Augmentation para aumentar a robustez do modelo e melhorar sua capacidade de generalização.
O modelo treinado será submetido a testes rigorosos utilizando um conjunto de dados separado para validação. Serão avaliadas métricas de desempenho como precisão, revocação, F1-score e mAP (mean Average Precision) para determinar a eficácia do sistema de detecção.
3. RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS
Os resultados obtidos demonstram a eficácia do modelo YOLOv5 para detectar capacetes com alto desempenho mesmo com um Dataset modesto. A precisão média de 85,9% em ambientes Simulados Reais reflete uma baixa taxa de falsos positivos, enquanto a Revocação de 70,8% sugere que, embora o modelo detecte bem os capacetes, ainda pode falhar em alguns casos com oclusões ou baixa iluminação.
Durante os testes em vídeo, a inferência foi feita a uma média de 28ms por imagem, permitindo seu uso em tempo real. O sistema foi capaz de identificar corretamente os trabalhadores em diferentes ambientes e distâncias, a Figura 1 demonstrará o resultado de um teste simulado com imagens virtuais. A Figura 1 elencará parte do modelo, que mesmo com apenas 37% e 35% de certeza em média em um ambiente simulado e hostil, conseguiu identificar a Presença do Capacete.
Figura 1. Teste Simulado com Imagens Virtuais
Na Figura 2 e na Figura 3 teremos uma imagem demonstrando a aplicação do Modelo em um Ambiente Simulado com condições reais de aplicação, câmera real, um local aberto e sem tratamento, pessoas paradas e em movimento.
Figura 2. Teste Simulado em Ambiente Real
Figura 3. Teste Simulado em Ambiente Real Moving
A abordagem com o YOLOv5 apresenta avanços significativos em robustez e aplicabilidade, o uso do Roboflow acelerou a preparação do Dataset e tornou o processo mais acessível aos usuários.
4. CONCLUSÃO/CONSIDERAÇÕES FINAIS
Este trabalho apresentou uma solução baseada em visão computacional e inteligência artificial para a fiscalização automatizada do uso de capacetes de segurança. Utilizando YOLOv5 e Roboflow foi possível treinar um modelo eficaz com desempenho satisfatório mesmo com um conjunto de dados relativamente pequeno. A aplicação prática foi validada com testes simulados em ambientes reais, comprovando sua viabilidade para uso em ambientes industriais.
Em trabalhos futuros, propõe-se a integração do sistema com centrais de monitoramento, o desenvolvimento de alertas automáticos e a expansão para outros tipos de EPIs. A tecnologia apresentada tem potencial para reforçar a cultura de prevenção de acidentes e modernizar a segurança do trabalho na República Federativa do Brasil.
REFERÊNCIAS
ASONET. (2024). Principais dificuldades encontradas na segurança do trabalho. https://www.asonet.com.br/post/principais-dificuldades-encontradas-na-seguran%C3%A7a-do trabalho
Gaur, P. et al. (2024). Drowsiness Detection of Construction Workers. https://westminsterresearch.westminster.ac.uk/item/wyz54/
Liu, Y. et al. (2025). Edge‑based AI solution fc or helmet compliance. https://doi.org/10.1007/s43926- 025-00113-9
Zhou, X., & Chen, M. (2024). YOLOv8-ADSC. https://www.mdpi.com/2079-9292/13/23/4589 Sharma, M. et al. (2024). AI in Occupational Safety. https://www.sciencedirect.com/science/article/abs/pii/S1051200423003780
BRASIL. Ministério do Trabalho e Emprego. Brasil registra maioria dos acidentes de trabalho com afastamentos curtos. Brasília, 25 abr. 2025. Disponível em: https://www.gov.br/trabalho-e-emprego/pt br/noticias-e-conteudo/2025/abril/brasil-registra-maioria-dos-acidentes-de-trabalho-com-afastamentos curtos. Acessado em: 21 jul. 2025
Manaf, Marcos Aurelio; Da Silva, Maira Vitoria. Medidas de segurança do trabalho, a responsabilidade das empresas e os impactos sociais e econômicos em acidentes do trabalho. Revista de Direito do Trabalho, Processo do Trabalho e Direito da Seguridade Social, v. 11, n. 1, 2024.
IBM. Aplicações de missão crítica com inteligência artificial. 2024. Disponível em: https://www.ibm.com/think/topics/mission-critical-applications. Acesso em: 21 jul. 2025.
LEMOS, Atinelle Teles Novais et al. USO DA IA NA UTI PARA MONITORAMENTO DE PACIENTES CRÍTICOS: UMA REVISÃO DE LITERATURA. ARACÊ, v. 6, n. 3, p. 7849-7862, 2024.
De Oliveira, Carolina Barusso et al. Monitoramento de EPI com Detecção de Objetos para Ambientes de Trabalho. In: Congresso de Inovação, Ciência e Tecnologia do IFSP. 2024.
BERTOLLO, Mait. Internet e telefonia móvel no Brasil: qualidade e densidade das redes no território. Confins. Revue franco-brésilienne de géographie/Revista franco-brasilera de geografia, n. 64, 2024.
BRASIL. Ministério do Trabalho e Emprego. NR-06: Equipamento de Proteção Individual (EPI). Atualizada em 2025. Brasília: MTE, 2025. Disponível em: https://www.gov.br/trabalho-e-emprego/pt br/acesso-a-informacao/participacao-social/conselhos-e-orgaos-colegiados/comissao-tripartite partitaria-permanente/normas-regulamentadora/normas-regulamentadoras-vigentes/nr-06-atualizada 2025.pdf. Acesso em: 21 jul. 2025.