Stime congiunte dell’Organizzazione Mondiale della Sanità (WHO) e dell’Organizzazione Internazionale del Lavoro (ILO) indicano che nel 2016 quasi 2 milioni di persone in tutto il mondo sono morte per eventi legati al lavoro. Nello stesso periodo, sono avvenuti 360 milioni di incidenti non fatali, per un totale di 90 milioni di DALY (Disability-Adjusted Life Year, ovvero numero di anni di vita persi). Questi eventi, oltre all’ovvio costo umano, hanno anche un prezzo alto per la società, stimato dall’European Agency for Safety and Health at Work (EU-OSHA) in una perdita di quasi il 4% del GDP a livello mondiale, per un totale di 2.680 miliardi di euro. La tecnologia può aiutarci a prevenire questi incidenti evitabili, con l’utilizzo di sensori ambientali, dispositivi indossabili e telecamere di sorveglianza. Tramite tecniche di intelligenza artificiale, è possibile processare in tempo reale la grande quantità di dati che arriva da questi device, utilizzando algoritmi complessi per trasformare le informazioni eterogenee in indicatori della sicurezza di un luogo di lavoro.
Indice degli argomenti
Tecnologie per la sicurezza sul Lavoro
Nell’ultimo periodo (2021) , un numero insolitamente alto di lavoratori italiani (fino a 12 in due giorni) ha perso la vita in una serie di sfortunati incidenti. Questo ha portato l’attenzione dei media sulle morti bianche e ha costretto il governo a intervenire con sanzioni e controlli. I dati INAIL degli infortuni sul lavoro relativi al periodo gennaio-agosto 2021 evidenziano un quadro preoccupante: anche se in rapporto al 2020 le denunce di infortunio con esito mortale sono calate del 6%, le denunce totali sono aumentate dell’8%. L’istituto, inoltre, consiglia di fare cautela nel confronto tra il 2020 e il 2021 “in quanto i dati delle denunce mortali degli open data mensili, più di quelli delle denunce nel complesso, sono provvisori e influenzati fortemente dalla pandemia”. Anche a livello mondiale la situazione non è molto diversa: se le morti legate al lavoro sono diminuite del 14% dal 2000 al 2016, i decessi per alcuni fattori di rischio, come quelli causati da turni di lavoro molto lunghi, sono in rialzo. Di tutti questi decessi, il 19% è causato da infortuni, nei termini di lesioni e ferite.
In questo scenario in cui non si delinea una chiara tendenza al miglioramento, la tecnologia (e in particolare l’IoT) viene in supporto all’uomo e fornisce degli strumenti per aiutare a prevenire gli infortuni sul lavoro. Ciò è particolarmente vero per le attività manifatturiere che, pur comprendendo il 16% degli occupati, contano il 20% delle denunce (dati ISTAT). In questo settore, i più avanzati dispositivi tecnologici per la sicurezza rientrano in tre categorie principali: sensori ambientali, dispositivi indossabili e telecamere di sorveglianza. Le aziende che offrono soluzioni per la sicurezza adottano strategie differenti, ma di solito si focalizzano su una di queste tre tecnologie, con una entrambe le rimanenti di supporto.
Sensori indossabili e ambientali
Le prime due tecnologie nominate possono essere trattate insieme, in quanto fanno entrambe uso di sensori. Se questi sono fissi e utilizzati per monitorare un’area si parla di sensori ambientali, se invece sono posizionati su indumenti utilizzati dai lavoratori con lo scopo di tenere sotto controllo la loro salute e sicurezza si parla di sensori e dispositivi indossabili. Questi strumenti monitorano il benessere dei lavoratori e lo stato delle aree in cui operano, misurando segni vitali e variabili ambientali. I sensori indossabili possono essere collocati sui normali abiti da lavoro, su specifiche attrezzature di sicurezza (come gli elmetti o le giacche ad alta visibilità), ma anche su accessori extra, come orologi e braccialetti. Il battito cardiaco, la temperatura della pelle e altri indicatori dello stato fisico possono così essere combinati con variabili ambientali come l’umidita e la temperatura dell’aria, per creare degli indicatori che aiutano a controllare i dipendenti che iniziano a mostrare affaticamento o incorrono in rischi per la salute.
I dati collezionati da questi sensori, ad esempio, possono alimentare un’applicazione mobile per manager e dipendenti: un lavoratore registra il suo accesso alla struttura aziendale, la sua attività lavorativa attuale e lo stato di salute e riceve notifiche visive e uditive dei rischi, insieme a suggerimenti per abbassarli. Allo stesso tempo, il manager può monitorare il livello di rischio di ogni dipendente e prendere provvedimenti se necessario.
Con la varietà di sensori IoT disponibili sul mercato, una soluzione di questo tipo può essere personalizzata sul business, tracciando qualsiasi tipo di misura di interesse e utilizzando tali informazioni per estendere la supervisione oltre la sicurezza del singolo lavoratore. È possibile, ad esempio, utilizzare i dati ambientali per controllare se un grande macchinario è in funzione o se le condizioni per il suo corretto funzionamento sono soddisfatte. Con un monitoraggio costante e completo delle condizioni di salute dei lavoratori e dello stato dell’ambiente, è possibile quantificare il rischio di un’area, fare una classifica dei processi più rischiosi e anticipare quindi gran parte degli incidenti di produzione.
Un esempio di soluzione più specifica prevede sensori integrati negli elmetti di sicurezza. Con il sistema GPS è possibile tracciare la posizione dei lavoratori in tempo reale, controllare in maniera automatica gli accessi alle diverse strutture, e impedire l’ingresso in aree pericolose. Tracciare la posizione dei dipendenti con un semplice strumento come un’applicazione per smartphone può facilitare l’individuazione di aree sovraffollate e di violazioni di zone ad accesso limitato, tutti potenziali fattori di rischio per gli incidenti. È anche possibile gestire il flusso di persone durante i processi di lavoro e ottimizzare gli spostamenti e il posizionamento del personale.
Computer vision
La dimensione del mercato globale dei sensori industriali è stata valutata a 19,29 miliardi di dollari nel 2019 e si prevede che raggiunga i 33,56 miliardi di dollari entro il 2027. Le soluzioni per la sicurezza che prevedono sensori sono generalmente le più utilizzate, in quanto forniscono dati affidabili su cui applicare modelli robusti. Gli algoritmi che trasformano questi dati in informazione seguono spesso linee guida per la sicurezza e la salute stabilite da organi competenti, che si concretizzano nel rispetto di soglie di cautela. In questo caso, risulta semplice comprendere il funzionamento dei modelli e poter giustificare gli output risultanti. Inserire informazione a priori nel processo decisionale, nella forma di limiti e regole indicate dalle istituzioni, permette di limitare la responsabilità del datore di lavoro nel caso di errori e incidenti. Questi sistemi, tuttavia, sono limitati dai sensori utilizzati e dalle informazioni che essi possono registrare, ed è possibile prevenire solamente gli incidenti che sono anticipati da alterazioni di indicatori vitali o di variabili ambientali. Situazioni comuni di pericolo facilmente riconoscibili da un supervisore, come ad esempio la mancanza di abbigliamento di sicurezza o la vicinanza a grossi macchinari in movimento, sono infatti molto difficili da riconoscere con queste soluzioni. Le applicazioni di computer vision per la sicurezza, che estraggono informazioni da un flusso video tramite l’elaborazione di immagini, cercano di sopperire a questi limiti, simulando artificialmente il controllo visivo di un operatore.
Nell’accezione moderna, la computer vision rientra tra le applicazioni di intelligenza artificiale, che spesso si pongono l’ambizioso obiettivo di assolvere compiti tipicamente umani. Gli esseri umani sono infatti molto bravi a riconoscere oggetti e situazioni all’interno di immagini, essendoci storicamente evoluti per farlo in maniera efficiente. Programmare una macchina per farlo, tuttavia, è sicuramente più complesso, ma permette di affrontare un insieme ampio e diversificato di problemi fino a poco tempo fa irrisolvibili.
Soluzioni di computer vision per la sicurezza sui luoghi di lavoro permettono, ad esempio, di identificare i dipendenti tramite riconoscimento facciale, controllare che indossino gli adeguanti dispositivi di sicurezza (DPI) e di garantire o meno l’accesso ad aree macchinari sulla base di questi controlli. Un altro vantaggio è la scalabilità, sia a livello di funzionalità che di quantità. Nelle applicazioni con sensori, nuovi dispositivi indossabili devono essere forniti a ogni nuovo dipendente. Inoltre, essendo soluzioni fortemente legate all’hardware, nuove funzionalità richiedono nuovi sensori. Con l’utilizzo della computer vision, è sufficiente posizionare una telecamera in ogni punto che è necessario monitorare, indipendentemente dal numero dei lavoratori.
In più, per aggiungere dei controlli, è sufficiente aggiornare il software di elaborazione con nuovi modelli, in quanto il dato in input rimane sempre il flusso video. Le immagini registrate dalle telecamere contengono abbastanza informazioni da essere sufficienti per un gran numero di funzionalità diverse, senza necessità di ricorrere a nuovo hardware. Questo ha un effetto diretto sui costi, che aumentano rispetto ai luoghi da monitorare ma non al numero di dipendenti, e che spesso hanno anche una componente fissa molto accessibile.
Infine, c’è anche da considerare la praticità: le soluzioni di computer vision non prevedono che i dipendenti debbano indossare indumenti particolari (magari ingombranti) o portare con sé dispositivi aggiuntivi, rendendo anche più semplice la gestione organizzativa.
Applicazioni reali della Computer vision AI per la sicurezza
Aree ad accesso limitato
L’uso di modelli di deep learning per la computer vision ha permesso di raggiungere una precisione molto vicina al 100% nel rilevamento del profilo umano in un fotogramma. Questo, in combinazione con una performance di decine di inferenze al secondo, garantisce un’affidabilità molto alta nell’importante compito del riconoscimento delle persone. È possibile sfruttare questi modelli per aumentare la sicurezza di un’area, rilevando intrusioni in zone ad accesso limitato o la presenza di lavoratori vicino a grossi veicoli in movimento. Come detto in precedenza, le soluzioni di visione artificiale sono altamente personalizzabili, e l’area ad accesso limitato può essere specificata facilmente per ogni telecamera e ogni circostanza.
Nelle applicazioni in cui l’area interdetta si modifica velocemente, ad esempio quando la telecamera è posta su un muletto o se la zona da monitorare è un veicolo in movimento, gli algoritmi di computer vision possono segmentare dinamicamente i diversi elementi di un fotogramma, e riconoscere quelli che devono essere tenuti fuori portata. In questi casi, si ottiene un modello più robusto calcolando la prossimità del soggetto attraverso il rilevamento delle diverse parti dello scheletro umano e la loro proporzione relativa. Nel caso sia necessario aumentare ulteriormente l’accuratezza, è possibile utilizzando un modello più specifico per stimare la posizione del corpo in 3D o integrare il sistema con sensori di prossimità.
Controllo degli accessi
La funzionalità di controllo degli accessi si differenzia da quella dell’area interdetta perché è progettata in modo da essere applicata in prossimità degli ingressi, per regolarne e tracciarne l’accesso. L’obiettivo è di autenticare i lavoratori tramite il riconoscimento visivo dell’identità e consentirne l’accesso solo se sono soddisfatti alcuni criteri. Questo permette di sostituire il badge personale con informazioni biometriche (come il riconoscimento del viso) e anche di specificare diversi requisiti per ogni soggetto. La flessibilità di questa soluzione consente di controllare la presenza di DPI o di qualsiasi altra condizione riconoscibile visivamente, come l’accesso di una persona alla volta.
Monitoraggio in tempo reale dei DPI
Un aspetto fondamentale della sicurezza nel settore industriale è l’utilizzo dei dispositivi di protezione individuale (DPI). In un sondaggio svolto negli Stati Uniti dalla Kimberly-Clark Professional, l’89% degli intervistati ha ammesso di aver osservato lavoratori non indossare gli adeguati dispositivi di protezione e il 29% che questo sia capitato in numerose occasioni. Si tratta in primo luogo di una questione di sicurezza dei lavoratori, ma anche di rispetto della normativa. Ogni fabbrica, lavoro e macchinario ha dei requisiti legislativi in termini di DPI, ed è importante per il datore di lavoro essere conforme e poterlo dimostrare.
È possibile implementare nelle telecamere modelli personalizzati di computer vision per rilevare i dispositivi di protezione desiderati (come elmetto, giubbotto catarifrangente, guanti e occhiali di sicurezza). La soluzione può essere installata sia in prossimità di macchinari specifici, specificando gli indumenti da indossare per il loro funzionamento, sia come telecamera di sicurezza standard, con lo scopo di monitorare continuamente la presenza dei DPI stessi.
Server contro On the Edge
Un sistema di sorveglianza basato sulla visione artificiale può possedere un server centrale che fa da unità di calcolo per tutte le telecamere, oppure essere caratterizzato da singole unità di elaborazione, una per ogni dispositivo. Nel primo caso si parla di una soluzione server, mentre nel secondo caso di soluzione “on the edge”. Un server permette una gestione centralizzata del sistema più efficiente e spesso una potenza di calcolo superiore. Una soluzione “on the edge”, tuttavia, offre alcuni vantaggi, da considerare soprattutto se non si possiede già un sistema di videosorveglianza o se le aree da monitorare non sono troppo numerose.
Sfruttando framework ottimizzati per l’inferenza su CPU è possibile raggiunge una velocità di elaborazione coerente con il frame rate naturale della telecamera, anche senza fare ricorso a costosi sistemi di computazione che sfruttano GPU. Questo è anche possibile perché un sistema decentralizzato non ha necessità di mandare le immagini al server per essere processate, evitando ritardi causati dal trasferimento dati. Un’installazione di questo tipo risulta anche sicura dal punto di vista della privacy: i fotogrammi non sono salvati o trasferiti e sono elaborati direttamente nel device, e il sistema può quindi fare anche a meno di una connessione internet per funzionare. Infine, come è facile intuire, il costo di diverse unità di calcolo semplici risulta molto inferiore a quello di un singolo server di pari potenza.
I Near-Miss e il mondo assicurativo
L’European Agency for Safety & Health at Work (EU-OSHA) stima che nel 2015 in Italia ogni infortunio sul lavoro sia costato alla società circa 55mila euro, quasi 5mila euro per ogni lavoratore italiano, per una perdita totale del 4% del GDP. Tra le voci che compongono questa cifra spiccano i costi indiretti, come l’abbassamento della qualità della vita, le ore di lavoro perse, le multe per il mancato adeguamento ai regolamenti e l’aumento dei premi assicurativi. Riconoscere i rischi e stimare il livello di sicurezza di un’area di lavoro diventa quindi importante per poter limitare queste grosse perdite economiche e di salute.
Tramite i sistemi di controllo di cui abbiamo parlato finora, è possibile trasformare le diverse situazioni di pericolo rilevate in indicatori di sicurezza affidabili, monitorabili in tempo reale da eventuali supervisori. Un controllo semplice e completo dei rischi aiuta a ridurre il livello di pericolo per rispettare le norme di sicurezza, facendo anche da deterrente per azioni sconsiderate. Una soluzione di questo tipo fornisce abbastanza informazioni sulla sicurezza di un luogo di lavoro per poter negoziare con le compagnie assicurative, approfittando di polizze su misura. Potendo quantificare il rischio in maniera più precisa, il proprio business risulta un investimento meno rischioso per le assicurazioni, che possono offrire un premio più vantaggioso fronte della stessa copertura.
A questo scopo, è conveniente a entrambe le parti che la stima sia quanto più precisa possibile. In un contesto di questo tipo, le soluzioni di computer vision si distinguono dalla controparte, in quanto tramite esse è possibile monitorare un insieme più ampio di situazioni.
Le principali istituzioni che si occupano di sicurezza sul lavoro e la maggior parte delle compagnie assicurative concordano che il numero di near miss, ovvero di quasi infortuni, sia una misura più affidabile del numero effettivo di incidenti per dichiarare il livello di rischio di un ambiente di lavoro. I “near miss” sono quegli eventi che non hanno causano lesioni o infortuni per circostanze fortuite, ma che sono pericolosi e avrebbero potuto farlo. Sempre più compagnie assicurative richiedono ai clienti di fornire una stima dell’ammontare di quasi infortuni in un determinato periodo di tempo ma, sfortunatamente, questo valore è difficile da calcolare e ancor più dimostrare che sia affidabile.
Un sistema di telecamere dotato di intelligenza artificiale è la soluzione che più si avvicina a questo obiettivo, e potrebbe dare all’azienda che lo sfrutta una posizione avvantaggiata per la negoziazione di una polizza assicurativa. Una soluzione di questo tipo può anche essere un prodotto offerto dalle compagnie assicurative come servizio aggiuntivo a una normale polizza: il cliente può beneficiare delle caratteristiche offerte dell’applicazione ed essere sicuro di avere un notevole sconto sul premio assicurativo. Allo stesso tempo, la compagnia ha sotto controllo lo stato di rischio di tutti i clienti e pianifica su di esso la sua strategia commerciale. Nel caso di un destinatario virtuoso, sia lui che il fornitore possono beneficiare di un’accurata valutazione del rischio, estendendo eventualmente la copertura della polizza oltre il sito produttivo per coprire altri aspetti aziendali.
