MonitorVLM-v2: A Deployed Vision-Language Framework for Real-Time Safety Violation Detection

Resumo Técnico: MonitorVLM-v2

Declaração do Problema
Embora os Grandes Modelos de Linguagem-Visão (VLMs) tenham avançado o raciocínio multimodal por meio da geração de Cadeia de Pensamento (CoT) autogressiva e aberta, essa abordagem é fundamentalmente desalinhada com os requisitos da vigilância de segurança industrial. Ambientes críticos de segurança, como a mineração subterrânea, exigem decisões que sejam delimitadas, determinísticas e de baixa latência. Os métodos atuais baseados em CoT sofrem de inferência de comprimento variável, onde a latência escala conjuntamente com o comprimento do traço de raciocínio e o número de fluxos de vídeo simultâneos. Isso cria um gargalo de vazão que impede o monitoramento de múltiplas transmissões em tempo real. Além disso, saídas textuais de formato livre carecem da interface estruturada necessária para o controle determinístico e auditabilidade. Os pipelines atuais dependem frequentemente de evidências fragmentadas (detecção de objetos, reconhecimento de ação) ou correspondência de similaridade semântica (ex: CLIP), que falham em traduzir dados visuais em julgamentos de segurança baseados em regras confiáveis.

Metodologia
Os autores propõem o MonitorVLM-v2, um framework orientado à implantação que recasualiza a avaliação de segurança como uma inferência probabilística sobre um espaço de decisão regulatória finito, em vez de uma geração de texto aberta. A metodologia consiste em três inovações principais:

1. Compressão de Raciocínio-para-Decisão:
   O framework reformula a tarefa para mapear segmentos visuais temporais diretamente para previsões de ID de Regra (Rule-ID) de etapa única dentro de um espaço simbólico finito ($Y = \{y_0, \dots, y_K\}$), onde $y_0$ representa a não violação e $y_{1\dots K}$ correspondem a regulamentações de segurança específicas. Isso desacopla a complexidade da inferência do comprimento da saída, reduzindo o custo de decodificação de $O(T)$ (sequência de tokens variável) para $O(1)$ (token único). Para evitar que o modelo memorize associações estáticas de índice de token, os autores introduzem o Embaralhamento de Token de Regra (RTS - Rule-Token Shuffling), que permuta periodicamente o mapeamento entre regulamentações e tokens durante o treinamento, forçando o modelo a fundamentar as previsões na semântica visual-regulatória.

2. Otimização de Política Simbólica (SymPO):
   Para enfrentar o desafio de distinguir entre hipóteses regulatórias visualmente semelhantes, os autores propõem o SymPO, um algoritmo de otimização de política contrastiva. Diferente do Ajuste Fino Supervisionado (SFT) padrão, que apenas maximiza a verossimilhança do token de verdade fundamental (ground-truth), o SymPO emprega uma função de recompensa contrastiva: ele atribui uma recompensa de $+1$ ao ID da regra correta e $-1$ a todas as alternativas incorretas. Isso penaliza explicitamente hipóteses concorrentes, aguçando as fronteiras de decisão dentro do espaço simbólico finito e melhorando a discriminação sob condições ambíguas.

3. Triagem Humano-IA Guiada por Entropia: A incerteza preditiva é quantificada usando a entropia de Shannon sobre a distribuição de decisão simbólica. O sistema implementa um mecanismo de roteamento adaptativo:

   • Previsões de baixa entropia: Roteadas para um caminho de confirmação rápida Top-1 para verificação humana.
   • Previsões de alta entropia: Roteadas para um conjunto de candidatos Top-3 para revisão especializada.
     Isso garante que o esforço cognitivo humano seja focado em casos ambíguos, mantendo uma alta vazão para instâncias claras, preservando 100% de auditabilidade humana.

Resultos Principais
O framework foi validado através de experimentos controlados e uma implantação prospectiva de quatro meses em uma instalação de mineração subterrânea operacional com 10 feeds de câmera simultâneos.

• Eficiência: O MonitorVLM-v2 alcançou um aumento de 19,45 vezes na velocidade de inferência em comparação com as bases de CoT, reduzindo a latência de 3,82–6,41 segundos para 0,15–0,39 segundos por segmento, satisfazendo assim os requisitos de vazão sub-segundo para monitoramento de múltiplas transmissões.
• Precisão: No espaço de decisão simbólica, o modelo (baseado em um backbone Qwen3-2B otimizado com SymPO) alcançou 69,84% de precisão em um protocolo rigoroso de ID de regra. Isso superou modelos proprietários zero-shot (ex: Claude Sonnet 4.6 com 56,73%) e bases de código aberto com ajuste fino.
• Impacto Operacional: Durante a implantação de quatro meses, o sistema identificou 89 violações confirmadas sob monitoramento contínuo de 24 horas, comparado a 32 violações identificadas pelo fluxo de inspeção manual de rotina do local (que cobria apenas 18 horas diárias). Isso representa um aumento de 2,78 vezes na detecção de violações.
• Análise de Erro: Os erros residuais mostraram-se estruturados em vez de aleatórios, concentrados em cenários de baixa iluminação, oclusão severa ou distorção de perspectiva. A triagem guiada por entropia identificou com sucesso esses casos ambíguos, com o caminho de revisão Top-3 recuperando 247 casos difíceis adicionais (28,65% do conjunto de teste) que o caminho Top-1 havia perdido.

Significância e Alegações
O artigo afirma que o MonitorVLM-v2 representa o primeiro framework de VLM que alcança implantação operacional contínua e validada longitudinalmente para o monitoramento de segurança industrial regido por regras. Sua principal significância reside em demonstrar que, para tarefas delimitadas e críticas de segurança, traços de raciocínio em linguagem natural explícitos não são uma necessidade funcional. Ao comprimir o raciocínio multimodal em decisões simbólicas de etapa única e calibradas, o framework atinge uma interface previsível, auditável e de baixa latência adequada para a responsabilidade industrial.

Os autores enfatizam que o sistema foi projetado como um complemento, e não um substituto, para a supervisão humana. A combinação de inferência simbólica comprimida e triagem guiada por entropia estabelece uma interface escalável entre a tomada de decisão autônoma e o julgamento supervisório humano, abordando as limitações fundamentais de cobertura descontínua e fadiga de atenção inerentes à vigilância exclusivamente humana. O trabalho sugere um caminho principiológico para adaptar VLMs de assistentes de linguagem aberta em módulos de decisão confiáveis para diversos domínios industriais regidos por regras.