Autonomous Camera-driven Environmental Risk Intelligence Framework Integrating Digital Twin Analytics for Smart Firework Industry Safety

Resumen Técnico: Marco de Inteligencia de Riesgo Ambiental Impulsado por Cámaras Autónomas para la Seguridad de la Industria Pirotécnica Inteligente

Planteamiento del Problema
La fabricación de pirotecnia implica operaciones de alto riesgo caracterizadas por productos químicos combustibles, composiciones pirotécnicas y sensibilidad térmica. Los trabajadores enfrentan amenazas significativas derivadas de brotes de incendios, acumulación de humo, emisiones de gases tóxicos y el deterioro de la calidad del aire. Las soluciones de monitoreo existentes son en gran medida inconexas y reactivas, dependiendo de sistemas de CCTV aislados o sensores ambientales independientes. Estos métodos tradicionales no logran capturar las interacciones complejas y dinámicas entre los peligros visuales (humo/fuego), las condiciones ambientales (contaminantes, clima) y los estados fisiológicos de los trabajadores. En consecuencia, los sistemas actuales carecen de la capacidad para predecir el deterioro de la calidad del aire, la dispersión del humo o los peligros de incendio antes de que ocurran, lo que limita severamente la toma de decisiones oportuna y la respuesta de emergencia proactiva.

Metodología
El estudio propone un Marco de Inteligencia de Riesgo Ambiental Impulsado por Cámaras Autónomas que integra fuentes de datos multimodales en una arquitectura predictiva unificada. El sistema consta de cuatro capas principales de adquisición de datos:

1. Vigilancia Visual: Una cámara PTZ (Pan-Tilt-Zoom) 360° dinámica monitorea las áreas de producción e almacenamiento interiores (alcance de 100 m), mientras que un sistema de visión montado en un dron patrulla las zonas de secado y almacenamiento exteriores a bajas altitudes (15–20 pies).
2. Detección Ambiental: Nodos distribuidos miden material particulado (PM2.5, PM10), gases tóxicos (CO, SO₂), temperatura, humedad y datos meteorológicos (velocidad/dirección del viento).
3. IoT Vestible (Wearable IoT): 50 trabajadores usan voluntariamente sensores que rastrean parámetros fisiológicos (temperatura corporal, frecuencia cardíaca, SpO₂, actividad de movimiento) y la proximidad a zonas peligrosas mediante UWB.
4. Fusión de Datos y Analítica:
   • Preprocesamiento: Los fotogramas de video se someten a mejora, normalización de regiones de humo/fuego y localización de objetos.
   • Modelo de Visión Fundacional (VFM): Extrae características visuales semánticas de alto nivel (densidad de humo, actividad del trabajador, anomalías) de los flujos de PTZ y drones.
   • Transformador Espacio-Temporal (STT): Fusiona los embeddings visuales con los datos de los sensores (ambientales, fisiológicos, meteorológicos) para aprender dependencias temporales y relaciones espaciales.
   • Gemelo Digital Ambiental: Una réplica virtual de la fábrica replica continuamente las condiciones industriales, prediciendo la evolución del riesgo y las trayectorias de propagación del humo.
   • Respuesta Autónoma: El sistema activa alarmas automatizadas, activación de rociadores inteligentes y notificaciones en tableros de control basadas en predicciones de riesgo en tiempo real.

Contribuciones Clave

1. Marco Multimodal Unificado: El desarrollo de una arquitectura única que integra vigilancia PTZ dinámica, monitoreo por drones, detección fisiológica vestible y estaciones ambientales, yendo más allá de la detección de peligros de una sola modalidad.
2. Modelado Predictivo Avanzado: La propuesta de un Modelo de Visión Fundacional integrado con un Transformador Espacio-Temporal para realizar la fusión multimodal para predecir el Índice de Calidad del Aire (AQI), la probabilidad de peligro de incendio, el riesgo de exposición del trabajador y el comportamiento de propagación del humo.
3. Integración de Gemelo Digital: La implementación de un Gemelo Digital Ambiental que replica continuamente las condiciones industriales para soportar analítica de seguridad predictiva y respuesta de emergencia autónoma.
4. Mecanismo de Respuesta Autónoma: Un sistema capaz de activar automáticamente alarmas de incendio, sistemas de rociadores y recomendaciones de evacuación sin intervención humana cuando se superan los umbrales de seguridad.

Resultados Experimentales
El marco fue evaluado utilizando un conjunto de datos que comprende más de 370 GB de datos visuales y 3.5 millones de observaciones de sensores por día de una instalación de fabricación de pirotecnia.

• Detección de Peligros: El modelo VFM-STT propuesto alcanzó una precisión (accuracy) del 99.31%, una precisión (precision) del 99.18%, una exhaustividad (recall) del 99.42% y un F1-score de 99.30%, superando a los modelos base CNN, ResNet50, EfficientNet-B7, ViT y Swin Transformer.
• Predicción de AQI: El modelo demostró una capacidad de pronóstico superior con un MAE de 2.84, un RMSE de 3.67 y un R² de 0.9968, reduciendo significativamente los errores en comparación con los modelos de Regresión Lineal, Random Forest y LSTM.
• Predicción de Peligro de Incendio: El sistema logró una precisión general del 98.23% en la predicción de riesgos de incendio en varios niveles de severidad, alcanzando la clase de Riesgo Crítico con un 99.24% de precisión.
• Seguridad del Trabajador: La detección de anomalías fisiológicas (ej. fatiga, dificultad respiratoria, SpO₂ bajo) logró un 98.84% de precisión. El riesgo de exposición del trabajador fue evaluado con éxito, identificando a 6 trabajadores en categorías de riesgo crítico con una duración promedio de exposición de 212 minutos.
• Propagación de Humo: El Gemelo Digital mantuvo una alta estabilidad predictiva (R² > 0.97) para el pronóstico de la trayectoria del humo, siendo el pronóstico de 10 minutos el de mayor exactitud (MAE: 1.84).
• Tiempo de Respuesta: El sistema de respuesta de emergencia autónoma logró un tiempo de respuesta total promedio de 2.9 segundos para incidentes críticos, con tiempos de detección tan bajos como 1.0–2.1 segundos.

Significancia y Reivindicaciones
Los autores afirman que este marco representa un cambio de paradigma de un monitoreo industrial reactivo hacia ecosistemas de seguridad inteligentes y proactivos. Al fusionar datos visuales, ambientales, fisiológicos y meteorológicos a través de aprendizaje profundo avanzado (VFM y STT) y analítica de Gemelo Digital, el sistema proporciona una conciencia situacional integral que los sistemas aislados no pueden ofrecer. El estudio sostiene que este enfoque mejora significativamente el desempeño de la seguridad industrial al permitir la predicción de condiciones peligrosas antes de que escalen a incidentes, reduciendo así las lesiones ocupacionales y mejorando el cumplimiento normativo en entornos de alto riesgo como la industria de la pirotecnia. La integración de mecanismos de respuesta autónomos asegura además una mitigación rápida de las amenazas, estableciendo un nuevo estándar para la inteligencia de riesgo industrial y la sostenibilidad ambiental.