Uso de técnicas de Transfer Learning para garantizar la seguridad en un entorno industrial

Abstract

La digitalización y los avances tecnológicos permiten utilizar técnicas basadas en inteligencia artificial que ayuden al desarrollo de herramientas que contribuyan a garantizar la seguridad en un entorno laboral de tipo industrial, mientras se buscan técnicas que tenga un impacto reducido en la huella de carbono continuando con el compromiso de REPSOL con las 0 emisiones. En este contexto se ha utilizado transfer learning, concretamente la red neuronal YOLOv5, para proceder a la detección de objetos en imágenes. Se ha procedido a optimizar el uso de dicha red para dos conjuntos de datos diferentes pero ambos de tipo industrial: uno de ellos contiene imágenes de trabajadores con equipos de protección personal y otro, defectos en acero laminado en caliente. La optimización se ha llevado a cabo mediante experimentación y utilizando técnicas como congelar capas, ponderar clases con baja precisión o el uso de un algoritmo genético para ajustar los hiperparámetros. Asimismo, además de optimizar el rendimiento de los diversos modelos de YOLOv5, se ha procedido a la monitorización de la huella de carbono que dejan los modelos de inteligencia artificial, un aspecto que habitualmente pasa desapercibido. Adicionalmente, se ha procedido a estimar la reducción, tanto en tiempo como en emisiones de CO2, que se ha conseguido al usar una red preentrenada en vez de tener que crearla desde cero. Como consecuencia, se ha demostrado que el uso de transfer learning no sólo ayuda a la reducción de emisiones de CO2 sino que disminuye el tiempo de entrenamiento, reduciendo costes, el time to market y proporcionando ventajas competitivas a las empresas que desarrollen soluciones de inteligencia artificial.

The digitalization and the technological advances enable the use artificial intelligence techniques that help in the development of tools that contribute to guaranteeing the safety en and industrial-type environment, while searching for techniques that have a reduced impact on the carbon footprint following REPSOL’s commitment to zero emissions. Transfer learning has been used in this context, in particular YOLOv5 has been the network chosen, to proceed with object detection on images. The network has been optimized for two different datasets but both from an industrial setting: one contains images with workers wearing personal protective equipment and another, containing defects on hot-rolled steel. The optimization has been carried out by experimenting and using techniques such as freezing layers, weighting classes with low precision and using a genetic algorithm to tune hyperparameters. Furthermore, besides optimizing the performance for the different YOLOv5 models, carbon footprint left by artificial intelligence models has been monitored, an aspect that is usually overlooked. Moreover, the reduction in both emissions and time has been estimated when using a pretrained network instead of creating it from scratch. As a consequence, it has been proven that the use of transfer learning not only helps by reducing CO2 emissions but it also reduces training time, costs, time to market and provides a competitive advantage to companies that develop artificial based solutions.