Monitoraggio in tempo reale della sicurezza della linea di produzione mediante rilevamento di oggetti basato sul deep learning e potenziamento delle caratteristiche

Sommario

Questo articolo propone un metodo di monitoraggio della sicurezza in linea di produzione che integra You Only Look Once versione 11 (YOLOv11) con reti neurali convoluzionali. Il metodo ha raggiunto una precisione media media a soglia di intersezione-su-unione pari a 0,5 (mAP@0,5) di 0,91, un mAP@0,5:0,95 di 0,82 e 120 fotogrammi al secondo su un'unità di elaborazione grafica, superando i modelli di riferimento valutati.

Abstract

Con l'approfondimento dell'Industria 4.0, i livelli di automazione e di intelligenza delle linee di produzione sono notevolmente migliorati, aumentando i requisiti relativi alle prestazioni in tempo reale, all'accuratezza e alla sicurezza del monitoraggio. I sistemi di monitoraggio tradizionali, basati su ispezioni manuali o su semplici decisioni basate su soglie, soffrono generalmente di tempi di risposta lenti, elevati tassi di falsi allarmi e intelligenza limitata. Pertanto, questo articolo propone un sistema di monitoraggio della sicurezza per linee di produzione che integra You Only Look Once versione 11 (YOLOv11) con una rete neurale convoluzionale (CNN). In primo luogo, le immagini acquisite sono state preelaborate. Successivamente, YOLOv11 è stato utilizzato per identificare in tempo reale operatori, attrezzature e potenziali rischi. Poi, è stata introdotta una rete CNN potenziata con fusione di caratteristiche multiscala e meccanismi di attenzione per migliorare le capacità di estrazione delle caratteristiche per obiettivi piccoli e parzialmente oscurati. Infine, i risultati di rilevamento sono stati fusi con le caratteristiche potenziate dalla CNN per valutare lo stato di sicurezza. Sono stati condotti esperimenti utilizzando un dataset autocostruito sulla sicurezza delle linee di produzione, impiegando l'ottimizzatore di discesa del gradiente stocastico (SGD) con momento 0.9, un tasso di apprendimento iniziale di 0,01, una riduzione del peso di 0,0005, un aggiustamento del tasso di apprendimento con annealing coseno, una dimensione del batch di 32 e un addestramento per 200 epoche. Sono stati utilizzati mAP@0.5 e la velocità di rilevamento in frame al secondo (FPS) come metriche di valutazione per il confronto con gli algoritmi di riferimento valutati. I risultati mostrano che il sistema proposto ha raggiunto un mAP@0.5 di 0,91 e una velocità di rilevamento di 120 FPS. Ha inoltre dimostrato prestazioni robuste in condizioni complesse come l'ombreggiatura e variazioni di illuminazione, confermando la sua efficacia e il potenziale di applicazione pratica nel monitoraggio della sicurezza delle linee di produzione.

Introduzione

Nella produzione industriale moderna, la sicurezza è il fondamento per garantire l'efficienza produttiva e il benessere del personale. L'ambiente della linea di produzione coinvolge tipicamente apparecchiature meccaniche ad alta velocità, processi tecnologici complessi e operazioni collaborative che richiedono più mansioni. Ogni piccolo rischio potenziale per la sicurezza può causare gravi incidenti industriali, con ingenti perdite economiche e persino decessi. È quindi fondamentale istituire un sistema di monitoraggio della sicurezza efficiente, intelligente e in tempo reale per migliorare la sicurezza nella produzione industriale^1,2.

I metodi tradizionali di monitoraggio della sicurezza si basano principalmente sulla sorveglianza manuale tramite video e su vari sensori (ad esempio, infrarossi, fumo e vibrazioni)³. Il monitoraggio manuale non è solo inefficiente, ma è anche soggetto a mancati rilevamenti a causa della fatica del personale addetto alla sorveglianza, e non è in grado di garantire una copertura continua e completa. Sebbene i sensori possano offrire una certa funzione di preallarme, il loro raggio di rilevamento è limitato ed essi sono sensibili alle interferenze ambientali, con conseguenti problemi significativi di falsi allarmi⁴. I sistemi intelligenti di monitoraggio stanno diventando un settore di ricerca sempre più rilevante. L'analisi in tempo reale di un flusso video mediante un algoritmo di apprendimento profondo (deep learning) consente di identificare automaticamente eventi anomali, comportamenti non sicuri e potenziali rischi, migliorando così notevolmente l'intelligenza del sistema di sorveglianza^4,5.

Il rilevamento di oggetti è una tecnologia fondamentale nel monitoraggio intelligente. Come rappresentanti dei rilevatori di oggetti monostadio, gli algoritmi della serie You Only Look Once (YOLO) mostrano vantaggi significativi. Dal YOLOv1 al YOLOv8, questa serie di algoritmi ha subito uno sviluppo continuo, con miglioramenti apportati all'architettura della rete, alla funzione di perdita e alle metodologie di addestramento, tra gli altri aspetti^6,7. Il YOLOv11, in particolare, ha raggiunto una maggiore accuratezza nel rilevamento mantenendo al contempo un'elevata frequenza di fotogrammi, specialmente in presenza di sfondi complessi e oggetti densamente affollati⁸.

Tuttavia, nonostante le ottime prestazioni in compiti generali di rilevamento oggetti, YOLOv11 affronta ancora alcune sfide in specifici scenari di monitoraggio della sicurezza in linea di produzione⁹. Ad esempio, l'accuratezza di rilevamento di YOLOv11 può diminuire quando i lavoratori sono parzialmente oscurati da attrezzature o quando i segnali di sicurezza sono piccoli e presentano un colore molto simile a quello dello sfondo. Ciò richiede al modello capacità più elevate di estrazione delle caratteristiche e di comprensione semantica¹⁰.

Le reti neurali convoluzionali (CNN) possiedono notevoli capacità nell'estrazione delle caratteristiche delle immagini¹¹. Progettando architetture di rete più profonde e complesse, le CNN possono apprendere caratteristiche d'immagine più ricche e astratte. Combinare una CNN con YOLOv11 sfrutta le capacità di rilevamento rapido di YOLOv11 e l'estrazione profonda delle caratteristiche della CNN, consentendo così di realizzare un sistema di monitoraggio della sicurezza più robusto e intelligente.

Sulla base di ciò, questo articolo propone un sistema di monitoraggio della sicurezza in linea di produzione che utilizza YOLOv11 e una CNN. Gli aspetti innovativi di questo studio includono: (1) la proposta di un'architettura di fusione profonda di YOLOv11 e una CNN migliorata; (2) l'introduzione della fusione di caratteristiche multiscala e di un meccanismo di attenzione composito per potenziare il riconoscimento delle caratteristiche chiave di sicurezza; e (3) la verifica dei vantaggi prestazionali del modello su un dataset autocostruito di scene complesse.

Sviluppo degli algoritmi della serie YOLO
Dalla sua prima introduzione da parte di Redmon et al. nel 2015¹², l'algoritmo You Only Look Once (YOLO) ha suscitato notevole interesse. A differenza dei rilevatori a due stadi che si basano su proposte di regione, YOLO tratta il rilevamento di oggetti come un compito di regressione. Prevedendo direttamente le classi e le posizioni degli oggetti in un'immagine, YOLO aumenta in modo significativo la velocità di rilevamento, rendendolo adatto all'uso in tempo reale¹³.

Come lavoro pionieristico di questa serie, YOLOv1 realizza per la prima volta una rilevazione end-to-end degli obiettivi¹⁴. YOLOv1 prevede la suddivisione dell'immagine in ingresso in una struttura a griglia, in cui ogni cella della griglia, solitamente organizzata in un formato S × S, ha il compito di rilevare gli oggetti che rientrano nei suoi limiti.

In particolare, l'output di YOLOv1 è un tensore. Tra gli S × S × (B × 5 + C), la previsione di ciascun riquadro delimitatore contiene 5 elementi: coordinate del punto centrale (x,y), larghezza w, altezza h e valore di confidenza c. Il processo di calcolo è illustrato nell'Equazione (1):
   (1)

Tra questi, Pr(Object) rappresenta la probabilità che ci sia un bersaglio nella griglia, mentre IOU rappresenta il rapporto tra l'intersezione e l'unione tra il riquadro delimitatore predetto e il riquadro reale. Ogni griglia prevede anche un insieme di probabilità per le classi, Pr che indica la probabilità che il bersaglio appartenga alla i-esima classe qualora sia presente un bersaglio. La funzione di perdita di YOLOv1 è composta da tre componenti principali: la perdita per la predizione delle coordinate, la perdita per la stima della fiducia e la perdita per la predizione della categoria¹⁵.

YOLOv2 introduce la normalizzazione del batch, un classificatore ad alta risoluzione e una strategia di addestramento multi-scala, che migliorano stabilità e accuratezza¹⁶. YOLOv3 utilizza Darknet-53 come rete principale e si ispira al concetto di Feature Pyramid Network (FPN) per potenziare il rilevamento degli oggetti¹⁷.

YOLOv4 ha introdotto numerose ottimizzazioni rispetto a YOLOv3, adottando tecnologie come la Cross Stage Partial Network (CSPNet)¹⁸, la Path Aggregation Network (PANet)¹⁹ e il miglioramento dei dati tramite tecnica Mosaic, al fine di migliorare ulteriormente le prestazioni del modello. YOLOv5 ha apportato significativi contributi nell'ambito ingegneristico, offrendo un'implementazione più semplice da utilizzare e più efficiente²⁰.

Negli ultimi anni, la serie YOLO ha continuato a evolversi, con il rilascio di versioni come YOLOv6, YOLOv7 e YOLOv8 una dopo l'altra. Introducendo la struttura Extended Efficient Layer Aggregation Network (E-ELAN) e tecniche di ri-parametrizzazione del modello, YOLOv7 raggiunge nuovi traguardi sia in termini di velocità che di accuratezza. Questi miglioramenti non solo aumentano l'efficienza dell'apprendimento delle caratteristiche, ma ottimizzano anche le prestazioni di inferenza della rete, consentendo a YOLOv7 di superare le versioni precedenti e molti detector mainstream in svariate attività di rilevamento oggetti in tempo reale. YOLOv8 ottimizza ulteriormente la struttura della rete, adotta un design privo di ancoraggi (anchor-free), semplifica il modello e ne migliora la capacità di generalizzazione²¹.

Basandosi sui vantaggi delle versioni precedenti, YOLOv11, utilizzato in questo studio, è stato ottimizzato per scenari industriali complessi. I suoi principali miglioramenti includono una rete di estrazione delle caratteristiche, un modulo di fusione delle caratteristiche più efficiente e una progettazione della funzione di perdita più robusta. Questi miglioramenti consentono a YOLOv11 di prestare meglio nel gestire occlusioni, piccoli bersagli e sfondi complessi negli ambienti produttivi. YOLOv11 è una versione della serie YOLO rilasciata da Ultralytics. Rispetto a YOLOv8, migliora il modulo C3K2 e il percorso di fusione delle caratteristiche, e introduce una strategia adattiva per le box di ancoraggio, fornendo così una maggiore robustezza nella rilevazione in scenari industriali.

Fondamenti e progressi della rete neurale convoluzionale (CNN)
La rete neurale convoluzionale (CNN) è un modello fondamentale che ha profondamente influenzato il successo dell'apprendimento profondo nel campo della visione artificiale. Opera estraendo caratteristiche locali dell'immagine attraverso operazioni di convoluzione e successivamente riducendo la dimensionalità delle caratteristiche tramite operazioni di pooling, realizzando così un'astrazione gerarchica dell'immagine²².

Un CNN tipico è composto da diversi strati convoluzionali, di pooling e completamente connessi. Lo strato convoluzionale analizza l'immagine in ingresso con un kernel di convoluzione, calcola prodotti scalari su regioni locali e produce una mappa delle caratteristiche. Il processo di calcolo è mostrato nell'Equazione (2):

   (2)

Dove x è l'immagine in ingresso, w^k e b^k sono rispettivamente il peso e il bias del kernel di convoluzione, e sono i valori della mappa delle caratteristiche in uscita nella posizione (i,j). Il livello di pooling utilizza comunemente il Max Pooling o l'Average Pooling. Il livello completamente connesso è responsabile dell'estrazione delle caratteristiche e della previsione delle probabilità di classificazione.

Sulla base di ciò, questo articolo propone un modulo di potenziamento delle caratteristiche CNN per YOLOv11, costituito da due rami paralleli: un ramo con convoluzioni multi-scala che utilizza kernel convoluzionali 3 × 3 e 5 × 5 per estrarre caratteristiche a diverse scale; e un ramo di attenzione che collega in sequenza i moduli di attenzione ai canali (Squeeze-and-Excitation) e di attenzione spaziale, al fine di potenziare le caratteristiche discriminanti degli obiettivi principali. Gli output dei due rami vengono fusi mediante somma puntuale, e la corrispondente funzione di perdita per il potenziamento delle caratteristiche è mostrata nella formula (3):

  (3)

L_coord è la perdita di regressione delle coordinate del riquadro delimitatore; L_conf è la perdita di confidenza del target; L_cls è la perdita di classificazione della categoria; L_feat è la perdita di miglioramento delle caratteristiche, utilizzata per vincolare le caratteristiche discriminative dei target di piccole dimensioni e dei target parzialmente oscurati estratte dal modulo di potenziamento della CNN; λ_coord, λ_conf, λ_cls, λ_feat sono i coefficienti di peso dei rispettivi termini di perdita. Per questo compito, si imposta λ_feat = 0,05, mentre i restanti pesi vengono bilanciati in base ai requisiti del compito di rilevamento.

Le strutture classiche di CNN, come VGGNet²³ e ResNet²⁴, hanno ottenuto un notevole successo nei compiti di classificazione delle immagini. Tra queste architetture, ResNet attenua efficacemente il problema del gradiente che scompare durante l'addestramento di reti profonde, facilitando così la costruzione di strutture di rete più profonde e complesse.

Nei compiti di rilevamento degli oggetti, la CNN è solitamente utilizzata come estrattore di caratteristiche (backbone). Ad esempio, Darknet, cross-stage partial Darknet (CSPDarknet), ecc., nella serie di algoritmi YOLO, sono tutti basati sulla CNN²⁵. Per potenziare le capacità di estrazione delle caratteristiche, i ricercatori hanno proposto numerose strutture CNN migliorate. Ad esempio, il modulo Inception estrae caratteristiche in parallelo attraverso kernel di convoluzione multi-scala. DenseNet migliora il riutilizzo delle caratteristiche mediante connessioni dense. La Squeeze-and-Excitation Network regola in modo adattivo l'importanza dei canali delle caratteristiche attraverso meccanismi di attenzione²⁶.

In questo studio, abbiamo progettato un modulo CNN migliorato per potenziare le capacità di estrazione delle caratteristiche di YOLOv11. Questo modulo combina la fusione di caratteristiche multiscala con un meccanismo di attenzione per catturare in modo più efficace le informazioni chiave relative alla sicurezza negli scenari di linea di produzione.

Stato di applicazione dell'apprendimento profondo nel monitoraggio della sicurezza industriale
L'apprendimento profondo ha ottenuto un notevole sviluppo nel monitoraggio della sicurezza industriale. Gli algoritmi basati su CNN vengono utilizzati per determinare se i lavoratori indossano correttamente i caschi di sicurezza, rilevare intrusioni non autorizzate in zone pericolose e monitorare lo stato di funzionamento di apparecchiature difettose²⁷.

Per quanto riguarda il riconoscimento del comportamento, vengono utilizzati CNN 3D e reti neurali ricorrenti per analizzare il comportamento operativo dei lavoratori e identificare azioni potenzialmente pericolose. Ad esempio, analizzando le sequenze della postura dei lavoratori, è possibile determinare se stanno violando le procedure operative di sicurezza²⁸.

YOLO e Faster R-CNN sono ampiamente utilizzati per il rilevamento di persone e attrezzature in video di sorveglianza in tempo reale. Ad esempio, è stato proposto in letteratura un sistema di rilevamento in tempo reale di caschi basato su YOLOv5, che migliora efficacemente l'intelligenza nella gestione della sicurezza nei cantieri²⁹.

Sebbene siano stati compiuti alcuni progressi nella ricerca esistente, rimangono diverse sfide. In primo luogo, le scene industriali presentano tipicamente illuminazione complessa, occlusioni e interferenze di sfondo, che impongono requisiti rigorosi sulla robustezza dell'algoritmo. In secondo luogo, le prestazioni in tempo reale rappresentano un requisito fondamentale, e l'algoritmo deve raggiungere un'inferenza ad alta velocità mantenendo l'accuratezza. Infine, la ricerca esistente si concentra principalmente sul rilevamento di un singolo compito e manca di esplorare la fusione di informazioni provenienti da più fonti e un'analisi completa³⁰.

In questo studio, il modello proposto di fusione tra YOLOv11 e CNN mira ad affrontare le sfide sopra menzionate e a realizzare un monitoraggio completo ed in tempo reale dei rischi per la sicurezza in linea di produzione, potenziando le capacità di estrazione e fusione delle caratteristiche.

Protocollo

Algoritmo YOLOv11 e CNN

Architettura generale del sistema
Il sistema di monitoraggio della sicurezza per la linea di produzione proposto in questo articolo adotta un'architettura ibrida che combina YOLOv11 con una CNN migliorata per realizzare un monitoraggio della sicurezza in tempo reale ad alta precisione e velocità. Come mostrato in Figura 1, il sistema è composto principalmente da un modulo di pre-elaborazione dell'input, un modulo di rilevamento oggetti YOLOv11, un modulo di potenziamento delle caratteristiche CNN e un modulo di decisione di fusione. L'immagine in ingresso viene innanzitutto normalizzata e aumentata dal modulo di pre-elaborazione per migliorare la capacità di generalizzazione del modello. Successivamente, le caratteristiche vengono estratte tramite il backbone CSPDarknet, e il campo recettivo viene ampliato dal modulo di pooling piramidale spaziale rapido (SPPF). Le caratteristiche multiscala vengono fuse dopo il campionamento superiore, e l'attenzione ai canali e l'attenzione spaziale vengono applicate in sequenza alle caratteristiche fuse per potenziare ulteriormente la rappresentazione discriminativa degli obiettivi principali. Il modulo di potenziamento delle caratteristiche CNN viene inserito dopo le uscite dei livelli C3, C4 e C5 della rete principale di YOLOv11, ricevendo mappe delle caratteristiche multiscala di dimensioni rispettivamente di 80 × 80 × 256, 40 × 40 × 512 e 20 × 20 × 1.024. Il modulo di potenziamento delle caratteristiche CNN migliora ulteriormente l'estrazione delle caratteristiche per obiettivi piccoli e parzialmente oscurati. Infine, il modulo di decisione di fusione combina i risultati del rilevamento di YOLOv11 con le caratteristiche potenziate dalla CNN e li ottimizza congiuntamente attraverso una funzione di perdita progettata per fornire la posizione precisa, la categoria e il punteggio di confidenza dell'obiettivo.

Framework di rilevamento YOLOv11
YOLOv11 ha introdotto diversi miglioramenti fondamentali che sfruttano i punti di forza del framework di rilevamento in un'unica fase della serie YOLO. La sua architettura è suddivisa in tre componenti principali: una rete backbone, una rete di fusione delle caratteristiche e un head di rilevamento. La rete backbone utilizza una struttura CSPDarknet potenziata. La rete di fusione delle caratteristiche incorpora connessioni locali tra stadi e convoluzioni separabili per profondità, ispirandosi alle reti piramidali di caratteristiche e alle reti di aggregazione del percorso per fondere efficacemente caratteristiche a più scale.

Modulo di potenziamento delle caratteristiche
Il modulo di potenziamento delle caratteristiche ha lo scopo di migliorare la sensibilità del modello nei confronti delle caratteristiche chiave per la sicurezza. Esso elabora le mappe delle caratteristiche prodotte da ciascun livello della rete principale YOLOv11, fondendo informazioni a diverse scale mediante operazioni di upsampling e downsampling. In particolare, il ramo multi-scala cattura la diversità spaziale delle scale, mentre il ramo di attenzione potenzia dinamicamente i canali e le risposte posizionali più rilevanti. Questi due rami non agiscono in modo indipendente, ma sono complementari e vengono fusi attraverso connessioni residue e una ricampionatura delle caratteristiche. La mappa delle caratteristiche elaborata dal modulo di potenziamento a ciascuna scala viene regolata in modo da corrispondere al numero originale di canali della mappa delle caratteristiche mediante una convoluzione 1 × 1, quindi fusa con la mappa delle caratteristiche originale di YOLOv11 attraverso un'addizione elemento per elemento. La mappa delle caratteristiche fusa viene quindi inviata alla successiva rete piramidale di caratteristiche (FPN) per la fusione multi-scala, formando così una rappresentazione gerarchica delle caratteristiche di sicurezza. Per garantire un'integrazione senza interruzioni tra i moduli, viene adottata una strategia di addestramento congiunto end-to-end, in cui la funzione di perdita combina la perdita di rilevamento di YOLOv11 e la perdita di potenziamento delle caratteristiche del modulo CNN.

Figura 1. Algoritmo YOLOv11-CNN. Il modulo di potenziamento delle caratteristiche mira ad amplificare la sensibilità del modello nei confronti di caratteristiche critiche per la sicurezza. Esso elabora le mappe delle caratteristiche provenienti da diversi strati del backbone YOLOv11, fondendo caratteristiche a diverse scale mediante operazioni di upsampling e downsampling. Inoltre, incorpora meccanismi di attenzione di tipo spaziale e per canale. Per garantire un'integrazione senza interruzioni tra i moduli YOLOv11 e CNN, viene impiegata una strategia di addestramento congiunta. Durante l'addestramento, i parametri di entrambi i moduli vengono ottimizzati in modo end-to-end. La funzione di perdita combina la perdita di rilevamento di YOLOv11 con la perdita di potenziamento delle caratteristiche del modulo CNN. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Risultati

Per verificare l'efficacia del modello proposto di fusione tra YOLOv11 e CNN nel monitoraggio della sicurezza in linea di produzione, è stato costruito un dataset che copre vari scenari di rischio per la sicurezza. Questo dataset contiene 12.000 immagini di scenari in linea di produzione, suddivise in set di addestramento, validazione e test in un rapporto 7:1,5:1,5, con un seme casuale fisso pari a 42. Include diverse condizioni operative, come illuminazione standard, scarsa illuminazione, occlusione parziale, occlusione pesante, sfocatura dovuta al movimento e sfondi complessi. La soglia di confidenza per l'inferenza è stata impostata a 0,5 e la soglia di soppressione non massima (NMS) a 0,45. Tutti gli esperimenti sono stati ripetuti tre volte e i risultati sono riportati come media ± deviazione standard. Le categorie di annotazione sono lavoratori, caschi di sicurezza, bracci robotici, aree pericolose, attrezzi e veicoli, utilizzando il formato PASCAL Visual Object Classes (VOC). La soglia di intersezione rispetto all'unione (IoU) è impostata a 0,5 e la coerenza delle annotazioni è stata verificata mediante validazione incrociata tra due persone. Le immagini in ingresso sono state ridimensionate uniformemente a 640 × 640 e arricchite con dati Mosaic. L'addestramento è stato eseguito utilizzando l'ottimizzatore SGD con un tasso di apprendimento iniziale di 0,01, momento di 0,9, riduzione del peso di 0,0005 e una dimensione del batch di 32. L'addestramento è proseguito per 200 epoche ed è stato utilizzato il raffreddamento coseno per aggiustare il tasso di apprendimento.

Per valutare accuratamente l'efficacia del modello, sono state utilizzate diverse metriche di valutazione: la precisione media (mAP), i frame al secondo (FPS) per misurare la velocità di elaborazione dei frame delle immagini, la precisione per valutare l'accuratezza delle predizioni positive, il richiamo (recall) per misurare la capacità del modello di rilevare i veri positivi e l'area sotto la curva (AUC) per indicare l'area sotto la curva caratteristica operativa del ricevitore (ROC), riflettendo così la capacità complessiva di classificazione del modello. Le formule di calcolo sono riportate nelle Equazioni (4), (5), (6), (7), (8), (9), (10), (11):

  (4)
  (5)
  (6)
Richiamo  (7)
  (8)
  (9)
  (10)
  (11)

  Qui, mAP@0.5 indica la precisione media media a una soglia IoU di 0.5; N è il numero di categorie; AP_i è la precisione media della i-esima categoria; e mAP@[0.5:0.95] è la mAP media calcolata su soglie IoU comprese tra 0,5 e 0,95. TP, FP, FN e TN rappresentano rispettivamente il numero di veri positivi, falsi positivi, falsi negativi e veri negativi. F è il numero totale di fotogrammi elaborati, T è il tempo totale di elaborazione, TPR è il tasso di veri positivi e FPR è il tasso di falsi positivi.
Per il componente di rilevamento YOLOv11, la funzione di perdita è mostrata nell'Equazione (12):

     (12)

  Dove L_coord indica la deviazione tra il frame previsto e quello reale, Lconf misura l'errore di confidenza del frame previsto, Lclass misura l'errore di previsione della categoria e λcoord, λconf e λclass sono i coefficienti di peso utilizzati per bilanciare le rispettive perdite.

L'analisi dei dati nella Tabella 1 mostra che il metodo proposto raggiunge un mAP@0.5 di 0,91 e un mAP@0,5:0,95 di 0,82, con miglioramenti rispettivamente di 0,04 e 0,04 rispetto a YOLOv5. Il suo punteggio F1 è 0,935, anch'esso superiore a quelli dei modelli di confronto. La velocità di rilevamento è di 120 FPS, quattro volte superiore a quella di Faster R-CNN, ma leggermente inferiore a YOLOv10 e YOLOv11. Il numero di parametri è di 6,7 M, soltanto 1,5 M in più rispetto a YOLOv11, con un miglioramento di 0,03 nel mAP@0,5. Rispetto a EfficientDet, che ha un costo computazionale simile, l'accuratezza è 0,06 maggiore, mentre il numero di parametri è del 56% inferiore. I dati dimostrano che il meccanismo proposto di fusione multi-risoluzione e di attenzione migliora efficacemente l'accuratezza nel rilevamento di piccoli target, raggiungendo un buon equilibrio tra velocità e accuratezza. In sintesi, il nostro metodo proposto ottiene un equilibrio tra accuratezza e velocità di rilevamento. L'mAP@0,5 è 0,02 superiore rispetto al secondo modello migliore, il punteggio F1 raggiunge 0,935 e i 6,7 M di parametri sono sufficienti per un'implementazione pratica. Il meccanismo di fusione multi-risoluzione e di attenzione potenzia il riconoscimento di target piccoli e parzialmente oscurati in scenari complessi. Il modello bilancia accuratezza ed efficienza, risultando adatto a scenari in tempo reale come il monitoraggio della sicurezza industriale. Va notato che tutti i modelli di confronto utilizzano pesi preaddestrati ufficiali, con una risoluzione di ingresso uniforme di 640 × 640, soglia NMS di 0,45 e soglia di confidenza di 0,5.

Metodo	mAP@0.5	mAP@0.5:0.95	F1-score	FPS	Parametri (M)
YOLOv5	0.87	0.78	0.89	130	7.1
EfficientDet	0.85	0.73	0.88	50	15.3
RetinaNet	0.82	0.68	0.85	45	37.6
Faster R-CNN	0.84	0.7	0.87	30	45.2
YOLOv10	0.89	0.77	0.88	135	5.3
YOLOv11	0.88	0.75	0.895	140	5.2
OURS	0.91	0.82	0.935	120	6.7

Tabella 1: Tabella comparativa completa delle prestazioni dei modelli. L'analisi dei dati mostra che il metodo proposto raggiunge un valore di mAP@0.5 pari a 0,91 e un mAP@0,5:0,95 di 0,82, con miglioramenti rispettivamente di 0,04 e 0,04 rispetto a YOLOv5. Il suo punteggio F1 è 0,935, anch'esso superiore a quelli dei modelli di confronto. La velocità di rilevamento è di 120 FPS, quattro volte superiore a quella di Faster R-CNN, ma leggermente inferiore a YOLOv10 e YOLOv11. Il numero di parametri è di 6,7 M, soltanto 1,5 M in più rispetto a YOLOv11, con un miglioramento di 0,03 nel mAP@0,5. Rispetto a EfficientDet, che ha un costo computazionale simile, l'accuratezza è maggiore di 0,06, mentre il numero di parametri è inferiore del 56%. I dati dimostrano che la fusione multi-risoluzione e il meccanismo di attenzione proposti migliorano efficacemente l'accuratezza nel rilevamento di piccoli target, raggiungendo un buon equilibrio tra velocità e accuratezza. In sintesi, il nostro metodo proposto ottiene un equilibrio tra accuratezza e velocità di rilevamento. L'mAP@0,5 è di 0,02 superiore rispetto al secondo modello migliore, il punteggio F1 raggiunge 0,935 e i 6,7 M di parametri risultano sufficienti per un'implementazione pratica. Il meccanismo di fusione multi-risoluzione e di attenzione potenzia il riconoscimento di target piccoli e parzialmente nascosti in scenari complessi. Il modello bilancia accuratezza ed efficienza, risultando adatto a scenari in tempo reale come il monitoraggio della sicurezza industriale. È importante notare che tutti i modelli di confronto utilizzano pesi preaddestrati ufficiali, con una risoluzione di ingresso uniforme di 640 × 640, una soglia NMS uniforme di 0,45 e una soglia di confidenza uniforme di 0,5.

Figura 2 fornisce un'analisi approfondita dei tipi di rilevamento errato del modello. YOLOv11 + CNN presenta il tasso più basso di falsi rilevamenti da sfondo (85 volte/10.000 fotogrammi), con la maggior parte dei falsi rilevamenti che si verifica in oggetti simili (62 volte) e in scene parzialmente ostruite (48 volte). L'analisi della curva ROC indica che la percentuale di veri positivi (TPR) del modello ha raggiunto 0,9 (AUC = 0,98) con una percentuale di falsi positivi (FPR) pari a 0,1, e la minima distanza tra le curve sostiene l'elevata affidabilità della confidenza di rilevamento. Questi risultati dell'analisi non solo confermano le prestazioni del modello, ma forniscono anche una chiara roadmap tecnica per l'ottimizzazione successiva dei falsi rilevamenti, in particolare rafforzando la sua capacità di distinguere oggetti simili.

Figura 2. Analisi degli errori. Analisi dei tipi di rilevamento errato del modello. YOLOv11 + CNN presenta il tasso più basso di falsi rilevamenti di sfondo (85 volte/10.000 fotogrammi), con la maggior parte dei falsi rilevamenti concentrati su oggetti simili (62 volte) e scene parzialmente ostruite (48 volte). L'analisi della curva ROC indica che la percentuale di veri positivi (TPR) del modello ha raggiunto 0,9 (AUC = 0,98) con una percentuale di falsi positivi (FPR) pari a 0,1, e la minore distanza tra le curve supporta l'affidabilità del livello di confidenza del rilevamento. Questi risultati dell'analisi non solo confermano le prestazioni del modello, ma forniscono anche una chiara roadmap tecnica per l'ottimizzazione successiva dei falsi rilevamenti, in particolare rafforzando la sua capacità di distinguere oggetti simili. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 3 confronta le prestazioni del modello su diverse piattaforme hardware. YOLOv11 + CNN raggiunge una latenza ultra-bassa di 18 ms sull'unità di elaborazione tensoriale (TPU) per dispositivi edge, con un'oscillazione di soli ±2 ms, e il consumo energetico è mantenuto a 15 W. I test sul throughput dimostrano che il modello raggiunge una velocità di elaborazione di 70 FPS sui dispositivi di calcolo edge Jetson Xavier, con la latenza al 99° percentile mantenuta entro 50 ms. Questi indicatori di prestazione nell'implementazione consentono al modello di adattarsi alle esigenze di distribuzione su svariate piattaforme di calcolo nei settori industriali. L'analisi degli errori mostra inoltre che il modello è in grado di mantenere prestazioni stabili in ambienti con risorse limitate, dimostrandone l'applicabilità ingegneristica.

Figura 3. Prestazioni di implementazione. Confronto delle prestazioni del modello su diverse piattaforme hardware. YOLOv11 + CNN raggiunge una latenza ultra-bassa di 18 ms sul Edge TPU (con una fluttuazione di soli ±2 ms) e il consumo energetico è mantenuto a 15 W. I test sul throughput dimostrano che il modello raggiunge una velocità di elaborazione di 70 FPS sui dispositivi di calcolo edge Jetson Xavier, con la latenza al 99° percentile mantenuta entro 50 ms. Questi indicatori di prestazione nell'implementazione indicano che il modello è in grado di adattarsi alle esigenze di implementazione su diverse piattaforme di calcolo nei settori industriali. L'analisi degli errori mostra inoltre che il modello riesce a mantenere prestazioni stabili in ambienti con risorse limitate, dimostrandone l'applicabilità ingegneristica. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 4 confronta le differenze nelle prestazioni di rilevamento di ciascun modello attraverso sei categorie di destinazione. YOLOv11 + CNN ha raggiunto un'accuratezza dello 0,96 nel compito di riconoscimento del casco di sicurezza, superando il modello di riferimento di 4 punti percentuali. Il grafico tratteggiato indica che il modello presenta minime fluttuazioni di prestazione tra le categorie (±0,05), riflettendo le sue capacità di generalizzazione. La matrice di confusione, presentata come mappa termica, rivela un falso rilevamento reciproco del 15% tra l'area pericolosa e il braccio robotico. Questo risultato fornisce una chiara indicazione per l'ottimizzazione successiva del modello.

Figura 4. Analisi del rilevamento per categoria. Confronto delle differenze nelle prestazioni di rilevamento di ciascun modello attraverso sei categorie target. YOLOv11 + CNN ha raggiunto un'accuratezza di 0,96 nel compito di riconoscimento del casco di sicurezza, superando il modello di riferimento di 4 punti percentuali. Il grafico tratteggiato indica che il modello presenta fluttuazioni minime delle prestazioni tra le categorie (±0,05), riflettendo le sue capacità di generalizzazione. La matrice di confusione, presentata come mappa termica, rivela un tasso di falso rilevamento reciproco del 15% tra l'area pericolosa e il braccio robotico. Questo risultato fornisce una chiara indicazione per l'ottimizzazione successiva del modello. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 5 fornisce una registrazione completa del processo di addestramento per ciascun modello. YOLOv11 + CNN mostra la velocità di convergenza più rapida, con una perdita che scende a 0,1 entro 30 epoche, e la differenza tra la curva mAP del set di validazione e quella del set di addestramento è costantemente inferiore all'1%. L'analisi del grafico della banda di errore mostra che il valore finale di mAP@0,5 del modello è stabile a 0,94 ± 0,01, e l'intervallo di fluttuazione delle prestazioni è solo un terzo rispetto a quello di RetinaNet. Questi risultati confermano l'efficacia del protocollo di addestramento congiunto. Il modello mostra vantaggi prestazionali nelle fasi iniziali dell'addestramento, indicando che la sua architettura gli consente di apprendere le caratteristiche rapidamente.

Figura 5. Analisi del processo di addestramento. Cronologia del processo di addestramento per ciascun modello. YOLOv11 + CNN mostra la velocità di convergenza più rapida (la perdita scende a 0,1 entro 30 epoche) e la differenza tra la curva mAP@0,5 del set di validazione e quella del set di addestramento è sempre inferiore all'1%. L'analisi tramite grafico a bande di errore mostra che il valore finale di mAP@0,5 del modello è stabile a 0,94 ± 0,01, con un'oscillazione prestazionale pari a un terzo rispetto a RetinaNet. Questi risultati confermano l'efficacia del protocollo di addestramento congiunto. Il modello mostra vantaggi prestazionali già nelle fasi iniziali dell'addestramento, indicando che la sua architettura consente un apprendimento rapido delle caratteristiche. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Tabella 2 presenta i risultati quantitativi delle prestazioni di diversi modelli di rilevamento in ambienti complessi. I dati di test raccolti in condizioni di illuminazione standard e in vari scenari estremi mostrano che YOLOv11 + CNN mantiene prestazioni ottimali in tutte le condizioni. In condizioni di illuminazione standard, il valore mAP@0,5 di questo modello ha raggiunto 0,91, risultando significativamente superiore rispetto a YOLOv5 (0,87) e Faster R-CNN (0,84). Con il peggioramento delle condizioni ambientali, le prestazioni di ciascun modello diminuiscono in misura variabile, ma YOLOv11 + CNN dimostra la maggiore robustezza ambientale: in condizioni di scarsa illuminazione (< 50 lux), le prestazioni diminuiscono solo del 3% (fino a 0,88), risultato migliore rispetto alla riduzione del 5% osservata nei modelli comparativi; in scenari fortemente ostruiti (> 50%), il suo valore mAP rimane comunque stabile a 0,78, con un degrado prestazionale (13%) significativamente inferiore rispetto a YOLOv5 (15%) e Faster R-CNN (16%). Questi risultati dimostrano che YOLOv11 + CNN migliora l'adattabilità del modello a fattori complessi, come le variazioni di illuminazione e le ostruzioni, grazie a meccanismi avanzati di fusione delle caratteristiche e di attenzione, sostenendo così applicazioni pratiche in scenari industriali.

Condizione del test	YOLOv11 + CNN	YOLOv5	Faster R-CNN	Fluttuazione delle prestazioni
Illuminazione standard	0.91	0.87	0.84	0.01
Bassa illuminazione (< 50 lux)	0.88 (-3%)	0.82 (-5%)	0.79 (-5%)	0.02
Occlusione parziale (30%–50%)	0.85 (-6%)	0.80 (-7%)	0.76 (-8%)	0.03
Occlusione pesante (> 50%)	0.78 (-13%)	0.72 (-15%)	0.68 (-16%)	0.04
Sfocatura per movimento	0.83 (-8%)	0.77 (-10%)	0.73 (-11%)	0.05

Tabella 2: Tabella di analisi quantitativa dell'adattabilità ambientale. Prestazioni di diversi modelli di rilevamento in ambienti complessi attraverso un'analisi quantitativa. I dati di prova, che vanno da condizioni di illuminazione standard a vari scenari estremi, mostrano che YOLOv11 + CNN mantiene le prestazioni più elevate in tutte le condizioni di prova. Nelle condizioni di illuminazione standard, il valore mAP@0.5 di questo modello ha raggiunto 0,91, risultando significativamente superiore rispetto a YOLOv5 (0,87) e a Faster R-CNN (0,84). Con il peggioramento delle condizioni ambientali, le prestazioni di ciascun modello diminuiscono in misura variabile, ma YOLOv11 + CNN mostra la maggiore robustezza ambientale tra i modelli valutati: in condizioni di scarsa illuminazione (< 50 lux), le prestazioni diminuiscono solo del 3% (fino a 0,88), risultando migliori rispetto alla riduzione del 5% osservata nei modelli di confronto; in scenari fortemente ostruiti (> 50%), il suo valore mAP rimane comunque stabile a 0,78, con un degrado prestazionale (13%) significativamente inferiore rispetto a YOLOv5 (15%) e a Faster R-CNN (16%). Questi risultati dimostrano che YOLOv11 + CNN migliora l'adattabilità del modello a fattori complessi, come variazioni di illuminazione e interferenze da ostruzioni, grazie a un meccanismo di fusione delle caratteristiche e a una progettazione dell'attenzione ottimizzati, sostenendo così applicazioni pratiche in scenari industriali.

Tabella 3 mostra che nell'esperimento è stato utilizzato l'ottimizzatore SGD, con un valore di quantità di moto pari a 0,9 per accelerare la convergenza e ridurre le oscillazioni. È stato utilizzato un tasso di apprendimento iniziale di 0,01 con annealing coseno, che è gradualmente diminuito durante l'addestramento per affinare l'ottimizzazione. È stata introdotta una riduzione del peso (weight decay) pari a 0,0005 per applicare la regolarizzazione L2 e ridurre l'overfitting. Una dimensione del batch pari a 32 ha consentito un bilanciamento tra efficienza computazionale e stabilità della stima del gradiente. Le 200 epoche di addestramento hanno garantito una convergenza sufficiente. I parametri sono stati adattati al compito di rilevamento in un'unica fase, bilanciando velocità e accuratezza dell'addestramento.

Parametro	Valore
Ottimizzatore	SGD
Tasso di apprendimento iniziale	0.01
Momento	0.9
Decadimento del peso	0.0005
Dimensione del batch	32
Epoche di addestramento	200
Programmazione del tasso di apprendimento	Annichilimento coseno

Tabella 3: Tabella dei parametri iperottimizzanti per l'addestramento. È stato utilizzato l'ottimizzatore SGD in questo esperimento, con una quantità di moto pari a 0,9 per accelerare la convergenza e sopprimere le oscillazioni. È stato impostato un tasso di apprendimento iniziale di 0,01 con annealing coseno, che si riduce gradualmente durante l'addestramento per affinare l'ottimizzazione. È stata introdotta una riduzione del peso (weight decay) pari a 0,0005 per applicare la regolarizzazione L2 e ridurre l'overfitting. Una dimensione del batch di 32 ha permesso di bilanciare l'efficienza computazionale con la stabilità della stima del gradiente. Le 200 epoche di addestramento hanno garantito una convergenza sufficiente. I parametri sono stati adattati al compito di rilevamento in un'unica fase, bilanciando velocità e accuratezza dell'addestramento.

Tabella 4 mostra che, utilizzando YOLOv11 come modello di riferimento, il valore mAP@0.5 è 0,89. L'introduzione esclusiva della fusione multi-risoluzione riduce l'accuratezza a 0,88. L'aggiunta successiva dell'attenzione ai canali e dell'attenzione spaziale migliora rispettivamente l'accuratezza a 0,90 e a 0,89. L'accuratezza combinata di tutti i moduli raggiunge 0,91, con un miglioramento di 0,02 rispetto al modello di riferimento. I dati indicano che l'attenzione ai canali migliora direttamente l'accuratezza e che la combinazione tra multi-risoluzione e meccanismi di attenzione offre le prestazioni ottimali.

Configurazione	mAP@0.5
YOLOv11 (valore di riferimento)	0.89
+ Fusione multi-risoluzione	0.88
+ Multi-risoluzione + attenzione ai canali	0.9
+ Multi-risoluzione + attenzione spaziale	0.89
Modulo completo (YOLOv11 + CNN)	0.91

Tabella 4: Tabella dei test di ablazione. Utilizzando YOLOv11 come modello di riferimento, il valore mAP@0.5 è 0,89. L'introduzione esclusiva della fusione multi-risoluzione riduce l'accuratezza a 0,88. L'aggiunta dell'attenzione ai canali o dell'attenzione spaziale dopo la fusione multi-risoluzione migliora l'accuratezza rispettivamente a 0,90 e 0,89. L'accuratezza combinata di tutti i moduli raggiunge 0,91, con un miglioramento di 0,02 rispetto al modello di riferimento. I dati mostrano che l'attenzione ai canali produce un guadagno maggiore rispetto all'attenzione spaziale in questo contesto e che la combinazione tra fusione multi-risoluzione e meccanismi di attenzione risulta ottimale.

Figura 6 valuta sistematicamente le prestazioni del modello in condizioni ambientali estreme. L'mAP di YOLOv11 + CNN è diminuito solo del 6% (fino a 0,88) in condizioni di scarsa illuminazione e ha comunque mantenuto un mAP di 0,78 (8% superiore al valore di riferimento) in scene fortemente ostruite. Questi risultati dimostrano che il modello mostra un'adattabilità ambientale, affrontando efficacemente i comuni cambiamenti di illuminazione e i problemi di occlusione parziale nella produzione industriale, sostenendo così il funzionamento stabile del sistema di rilevamento.

Figura 6. Adattabilità ambientale. Una valutazione sistematica delle prestazioni del modello in ambienti estremi. L'mAP di YOLOv11 + CNN è diminuito solo del 6% (fino a 0,88) in condizioni di scarsa illuminazione, mantenendo comunque un mAP di 0,78 (8% superiore al valore di riferimento) in scene fortemente occluse. Questi risultati dimostrano che il modello presenta adattabilità ambientale, affrontando efficacemente i comuni cambiamenti di illuminazione e i problemi di occlusione parziale nella produzione industriale, sostenendo così il funzionamento stabile del sistema di rilevamento. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 7 confronta le differenze nella distribuzione delle caratteristiche tra YOLOv11 e YOLOv11 + CNN su sei tipi di target industriali mediante la riduzione della dimensionalità t-SNE. Il grafico a sinistra mostra che le caratteristiche del modello base YOLOv11 presentano una notevole dispersione intraclasse (distanza intraclasse 2,34 ± 0,15), in particolare nelle categorie "Zona Pericolosa" (rosso) e "Veicolo" (viola), dove si osserva un significativo sovrapposizione, risultato coerente con il tasso di falsi rilevamenti del 15% nel gruppo sperimentale 3. Il grafico a destra mostra che il modello migliorato YOLOv11 + CNN aumenta significativamente la compattezza intraclasse grazie al modulo di potenziamento delle caratteristiche, incrementando di 1,8 volte la distanza media tra i centri dei cluster all'interno di ciascuna categoria.

Figura 7. Confronto della distribuzione delle caratteristiche mediante t-SNE. Confronto delle differenze nella distribuzione delle caratteristiche tra YOLOv11 e YOLOv11 + CNN su sei tipi di target industriali, ottenuto mediante riduzione della dimensionalità con t-SNE. Il grafico a sinistra mostra che le caratteristiche del modello base YOLOv11 presentano una notevole dispersione intra-classe (distanza intra-classe 2,34 ± 0,15), in particolare nelle categorie "Zona pericolosa" (rosso) e "Veicolo" (viola), dove si osserva un sostanziale sovrapposizione, risultato coerente con il tasso di falsi rilevamenti del 15% registrato nel gruppo sperimentale 3. Il grafico a destra mostra che il modello migliorato YOLOv11 + CNN aumenta significativamente la compattezza intra-classe grazie al modulo di potenziamento delle caratteristiche, incrementando di 1,8 volte la distanza media tra i centri dei cluster per ogni categoria. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 8 verifica il contributo di ciascun modulo attraverso esperimenti sistematici di ablazione. I risultati dell'ablazione mostrano che l'aggiunta dell'attenzione ai canali dopo la fusione multi-scala aumenta il valore mAP@0,5 a 0,90, mentre l'aggiunta dell'attenzione spaziale lo aumenta a 0,89. Il modulo completo raggiunge il valore più alto di mAP@0,5 pari a 0,91. La visualizzazione tramite mappa termica mostra che il meccanismo di attenzione combinata può potenziare contemporaneamente la risposta di rilevamento nella zona centrale dell'area pericolosa (valore di attivazione: +0,15) e dei piccoli obiettivi ai margini (+0,08). I dati sperimentali dimostrano che la fusione delle caratteristiche multi-scala e i meccanismi di attenzione hanno un effetto cumulativo, consentendo al modello di soddisfare i requisiti di rilevamento degli obiettivi a diverse scale.

Figura 8. Esperimento modulare di ablazione. Verifica del contributo di ciascun modulo attraverso esperimenti sistematici di ablazione. I risultati dell'ablazione mostrano che l'aggiunta dell'attenzione ai canali dopo la fusione multi-scala aumenta il valore mAP@0.5 a 0,90, mentre l'aggiunta dell'attenzione spaziale aumenta il valore mAP@0.5 a 0,89. Il modulo completo raggiunge il valore mAP@0.5 più alto, pari a 0,91. La visualizzazione tramite mappa termica mostra che il meccanismo di attenzione combinata riesce a potenziare contemporaneamente la risposta di rilevamento al centro dell'area pericolosa (valore di attivazione: +0,15) e ai piccoli obiettivi ai margini (+0,08). I dati sperimentali dimostrano che la fusione delle caratteristiche multi-scala e i meccanismi di attenzione hanno un effetto cumulativo, consentendo al modello di soddisfare i requisiti di rilevamento degli obiettivi su diverse scale. Cliccare qui per visualizzare una versione ingrandita di questa figura.

DISPONIBILITÀ DEI DATI:
Le immagini complete grezze della linea di produzione e i flussi video sono soggetti a restrizioni di riservatezza industriale e non vengono resi pubblicamente disponibili. Una Descrizione del Dataset Supplementare (File Supplementare 1) fornisce dettagli sull'acquisizione del dataset, sulla distribuzione delle categorie e degli scenari, sulle specifiche di annotazione, sulle procedure di controllo qualità, sulle suddivisioni dei dati, sul pre-elaborazione e sulle procedure di aumento dei dati. Un Pseudocodice e un Quadro per la Riproducibilità (File Supplementare 2) forniscono un flusso di lavoro a livello di pseudocodice, descrizioni delle configurazioni e indicazioni per la riproduzione. Un sottoinsieme anonimizzato e ulteriori materiali di supporto possono essere richiesti all'autore corrispondente per ricerche accademiche senza fini di lucro, previa autorizzazione istituzionale e nel rispetto delle restrizioni di riservatezza.

File Supplementare 1. Descrizione del dataset supplementare. Questo file descrive il protocollo di acquisizione del dataset, la copertura degli scenari, la distribuzione delle classi, le specifiche di annotazione, le procedure di controllo qualità, la suddivisione in training/validation/test, il pre-elaborazione e le procedure di aumento dati. Cliccare qui per scaricare il file.

File Supplementare 2. Pseudocodice e struttura per la riproducibilità. Questo file fornisce dettagli a livello di pseudocodice relativi al flusso di lavoro e alla configurazione per la pre-elaborazione, il training, la valutazione e il deployment, e descrive le restrizioni relative alle riprese industriali grezze e all'accesso ai materiali di supporto. Cliccare qui per scaricare il file.

Discussione

I risultati sperimentali mostrano che il modello proposto di fusione YOLOv11–CNN migliora l'accuratezza di rilevamento e le prestazioni in tempo reale per il monitoraggio della sicurezza in linea di produzione. Sfruttando il rilevamento efficiente in un'unica fase di YOLOv11 e il potenziamento delle caratteristiche del modulo CNN, il sistema ha identificato lavoratori, attrezzature e aree pericolose in condizioni complesse di illuminazione e occlusione. La fusione di caratteristiche multiscala e i meccanismi di attenzione hanno potenziato la capacità di concentrarsi sugli elementi chiave della sicurezza, fornendo evidenze visive interpretabili per l'allarme precoce.

Il sistema ha un valore pratico per le linee di produzione in contesti come la produzione automobilistica e il montaggio elettronico, dove il monitoraggio in tempo reale può ridurre la dipendenza dall'ispezione manuale e abbreviare i tempi di risposta a potenziali rischi per la sicurezza. Per obiettivi di piccole dimensioni, come viti e utensili, e per operatori parzialmente oscurati da bracci robotici o altre attrezzature, la fusione di caratteristiche multiscala e i meccanismi di attenzione migliorano la capacità del modello di estrarre ed evidenziare caratteristiche relative alla sicurezza. Questi miglioramenti sono rilevanti per ambienti produttivi in cui gli obiettivi variano per dimensioni e visibilità.

Tuttavia, questo studio presenta ancora limitazioni evidenti. In caso di forti occlusioni o illuminazione molto scarsa, le prestazioni del modello potrebbero diminuire poiché le informazioni sulle caratteristiche dell'oggetto diventano incomplete e le caratteristiche convoluzionali esistenti potrebbero non essere sufficienti. Il nuovo modulo di potenziamento delle caratteristiche CNN introduce 1,5 milioni di parametri aggiuntivi, il che potrebbe aumentare il carico computazionale sui dispositivi edge a basso costo e limitare il suo utilizzo in ambienti con risorse limitate. Lo studio utilizza dati di immagini a luce visibile e non integra informazioni provenienti da sensori multimodali, come immagini termiche a infrarossi o radar a onde millimetriche; pertanto, le prestazioni potrebbero risultare limitate in scenari industriali estremi, come totale oscurità o presenza di fumo.

Le ricerche future si concentreranno sulle seguenti direzioni: leggerezza del modello basata sul pruning strutturato e sulla distillazione della conoscenza per ridurre il carico di parametri mantenendo le prestazioni di rilevamento; costruzione di un framework di rilevamento con fusione multimodale visibile-infrarosso per migliorare la capacità di rilevamento in condizioni estreme di illuminazione e in presenza di fumo; introduzione di un modulo Transformer leggero per sostituire parte dei livelli convoluzionali e potenziare l'estrazione di caratteristiche contestuali a lungo raggio; e sviluppo di un sottosistema end-to-end per il riconoscimento di comportamenti anomali, al fine di supportare l'intero flusso di lavoro dal rilevamento dell'obiettivo all'allarme precoce sui comportamenti.

In conclusione, questo studio si concentra su un sistema di monitoraggio della sicurezza in linea di produzione che integra gli algoritmi YOLOv11 e CNN per consentire la rilevazione in tempo reale e l'allarme precoce di potenziali rischi per la sicurezza in ambienti industriali complessi. Attraverso verifiche sperimentali, il modello ibrido ha mostrato vantaggi prestazionali in termini di accuratezza nella rilevazione degli oggetti e velocità di inferenza. Grazie alla sua architettura di rilevamento monostadio efficiente e all'estrazione delle caratteristiche ottimizzata, YOLOv11 ha ottenuto buoni risultati nell'identificazione rapida di operatori, attrezzature e aree pericolose, catturando con precisione gli elementi chiave per la sicurezza negli scenari di linea di produzione. Allo stesso tempo, l'introduzione del modulo CNN migliorato ha ulteriormente potenziato l'acquisizione delle caratteristiche e il rilevamento di oggetti parzialmente oscurati. Nel monitoraggio della sicurezza in linea di produzione, il modello si concentra automaticamente sulle aree di sicurezza più importanti nell'immagine attraverso l'analisi visiva, fornendo una base interpretabile per gli avvisi di sicurezza. Il modello ibrido ha dimostrato una forte adattabilità e stabilità in diversi scenari di produzione, inclusi lavorazione, assemblaggio e stoccaggio. I principali contributi di questo articolo sono i seguenti:

(1) È stata progettata un'architettura di fusione profonda di YOLOv11 e CNN per bilanciare velocità e accuratezza nel rilevamento.
(2) È stato sviluppato un meccanismo di fusione di caratteristiche multiscala e ottimizzazione dell'attenzione per potenziare la capacità di focalizzarsi sugli elementi chiave di sicurezza in scenari complessi.
(3) Esperimenti effettuati su un dataset autocostruito relativo alla sicurezza in linea di produzione hanno mostrato che il modello ha raggiunto un valore mAP@0.5 di 0.91 e una velocità di rilevamento di 120 FPS. Nei test cross-scenari, il modello ha dimostrato prestazioni stabili.

Gli studi di caso tipici hanno mostrato che, in condizioni standard di illuminazione, un casco di sicurezza con solo il 40% di visibilità è stato correttamente rilevato mediante fusione multiscala e attenzione ai canali (confidenza 0,93), mentre il modello di base lo ha identificato erroneamente come sfondo. In scenari con scarsa illuminazione, quando un lavoratore è entrato in un'area pericolosa, l'attenzione spaziale è riuscita a delimitare correttamente l'obiettivo con linee direzionali, mentre il metodo di confronto non è stato in grado di rilevarlo. I casi di errore hanno incluso una chiave inglese rilevata erroneamente come attrezzo a causa della somiglianza testurale con lo sfondo in condizioni di forte occlusione, e un casco di sicurezza non rilevato a causa di un basso rapporto segnale-rumore a distanza in condizioni di scarsa illuminazione, evidenziando limitazioni nella rappresentazione delle caratteristiche in condizioni estreme. Questi risultati indicano che il modello è robusto in scenari normali e moderatamente complessi, ma necessita ancora di miglioramenti in condizioni estreme.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
API COCO		N/D	Strumento di valutazione utilizzato per la valutazione dell'accuratezza nel rilevamento degli obiettivi e per l'analisi statistica.
CUDA 11.4	NVIDIA	N/D	Piattaforma di calcolo parallelo utilizzata insieme al framework PyTorch 1.12.
Edge TPU		N/D	Piattaforma di distribuzione utilizzata per i test di latenza e consumo energetico; la latenza riportata era di 18 ms e il consumo energetico era di 15 W.
Dispositivo di elaborazione edge Jetson Xavier	NVIDIA		Dispositivo di elaborazione edge utilizzato per i test del throughput; la velocità di elaborazione riportata era di 70 FPS con una latenza al 99° percentile entro i 50 ms.
GPU NVIDIA Tesla V100	NVIDIA		GPU utilizzata nel server di addestramento/valutazione.
PyTorch 1.12		N/D	Framework di deep learning utilizzato per l'addestramento e la valutazione del modello.
scikit-learn		N/D	Strumento di valutazione/analisi statistica utilizzato per la valutazione del modello.
Dati immagini di sicurezza della linea di produzione autocostruiti	N/D	N/D	Dati costituiti da 12.000 immagini di scenari di linea di produzione in formato VOC, comprendenti condizioni di illuminazione standard, scarsa illuminazione, occlusione parziale, occlusione pesante, sfocatura per movimento e sfondi complessi; sei categorie di annotazione: operatori, caschi di sicurezza, bracci robotici, aree pericolose, attrezzi e veicoli.
Server di addestramento			Server dotato di GPU NVIDIA Tesla V100 e sistema operativo Ubuntu 20.04.
Sistema operativo Ubuntu 20.04		N/D	Sistema operativo utilizzato sul server di addestramento/valutazione.
Formato di annotazione VOC	N/D	N/D	Formato di annotazione utilizzato per il dataset autocostruito di sicurezza della linea di produzione.
Modello di rilevamento oggetti YOLOv11	Ultralytics	N/D	Modello di rilevamento oggetti utilizzato per rilevare in tempo reale operatori, attrezzature e potenziali rischi.