Avaliação do custo-benefício da aplicação de métodos de aprendizado semi supervisionado para detecção de Equipamentos de Proteção Individual em Ambiente Industrial

Abstract

A detecção automatizada de Equipamentos de Proteção Individual (EPIs) em ambientes industriais representa um desafio significativo devido aos altos custos e tempo demandado para anotação manual de dados. Este trabalho investigou a eficácia de métodos de aprendizado semi supervisionado como alternativa ao aprendizado totalmente supervisionado para detecção de EPIs, visando responder qual abordagem apresenta melhor relação custo-benefício. A metodologia experimental foi conduzida em ambiente industrial real, utilizando 50.088 imagens capturadas em uma indústria para detecção de quatro classes: capacete, colete, pessoa e abafador tipo concha. Foram implementadas estratégias de anotação parcial com 10%, 20% e 30% dos dados, aplicando técnicas de pseudo-labeling através da arquitetura YOLOv8. Os resultados foram avaliados mediante validação cruzada com k=10 repetições e análise estatística usando testes de Friedman e Nemenyi. Os modelos semi supervisionados demonstraram performance comparável ao totalmente supervisionado, com diferenças controladas nas métricas principais: mAP@0.5 de 0.971 (10%), 0.979 (20%) e 0,985 (30%) contra 0.986 (100%) e mAP@0.5:0.95 de 0.767 (10%), 0.771 (20%) e 0,801 (30%) contra 0.805 (100%). A abordagem semi supervisionada resultou em economia substancial de tempo de anotação, reduzindo em 85% o processo manual. Os resultados indicam que métodos semi supervisionados constituem alternativa viável e economicamente vantajosa para desenvolvimento de sistemas de detecção de EPIs, mantendo eficácia técnica com significativa redução de recursos humanos especializados.