1.

TÍTULO DE L PROYECTO

Monitoreo de la productividad de operaciones de movimiento de tierras basado en una

visión multicámara y uso de GPS, para excavadora y volquetes.

Tipo: Investigación Aplicada

Enfoque: investigación cuantitativa

Nivel o Alcance: Descriptivo

Diseño de la investigación: Experimental

2. RESUMEN EJECUTIVO

El monitoreo de la productividad de equipos pesados es una tarea importante para gestionar y

completar proyectos de movimientos de tierras con éxito. Esto se debe a que la productividad
del equipo se define como la relación entre la producción (cantidad de suelo excavado y
transportado) y los recursos de entrada (horas del equipo en el sitio de trabajo). Al monitorear
las operaciones, también es posible identificar factores de riesgo que podrían afectar
negativamente la productividad: como accidentes, condiciones desfavorables en el lugar de
trabajo y uso inadecuado del equipo. Estos procesos de toma de decisiones y monitoreo de la
productividad pueden brindar oportunidades para mejorar la eficiencia operativa y llevar a cabo
proyectos de movimiento de tierras con éxito.

En esta investigación propondremos una metodología de monitoreo de productividad basada en

visión multicámara que analiza videos capturados desde múltiples cámaras que no se
superponen en el lugar de trabajo y haciendo el seguimiento de camiones volquete con el GPS.

Palabras clave

Monitoreo de productividad; Operaciones de movimiento de tierras; multicámara Basado en la

visión; Equipos de construcción; Sitio de construcción; Visión por computador

3. PROBLEMA, ANTECEDENTES, HIPÓTESIS, OBJETIVOS Y JUSTIFICACIÓN

Descripción del problema

Según COCHILCO, la productividad de una empresa minera se mide como la razón entre el
material movido/procesado/apilado y recursos utilizados; en el caso de la mina subterránea, la
productividad laboral promedio fue de 5 ktm de mineral extraído por trabajador en el año 2019;
en el caso de mina rajo, la productividad laboral mas altas alcanzan a valores superiores de 129
ktm de material movido por trabajador en el año 2019, las menos productivas registran valores
13 y 20 ktm por trabajador.

Según MINEN 2023 informó sobre víctimas mortales (fax coyuntural de accidentes mortales
2023) el total de víctimas es de 43 personas de las cuales el 25% están relacionados con el trabajo
de maquinaria pesada, debido a ello se debe hacer un seguimiento y monitoreo de los equipos
de maquinaria pesada.
Existen diversos estudios sobre mediciones de indicadores, aplicados al mantenimiento,
seguridad, costos, y en la producción de equipos pesados en el movimiento de tierras en minería.
La mayoría de las investigaciones se han centrado en el área de producción y mantenimiento de
equipos; existe estudio como “Gestión de Tiempos en Minería”, donde estudia los indicadores
clave de desempeño aplicado al control de equipos en minería, según Ramírez (2006);

En Ecuador se realizó una tesis sobre: “equipo camionero para movimientos de tierras
características y cálculo del rendimiento de la maquinaria” (Chiriboga, G. y Rivera, M, 2013), el
objetivo principal es calcular los rendimientos de maquinaria pesada, valiéndose de fórmulas
teóricas y aplicándolas a las mediciones hechas en campo.

En Tailandia se llevó a cabo un estudio llamado “ Study of Factors Influencing the Efficient
Management and Downtime Consequences of Highway Construction Equipment in Thailand”
(Prasertrungruand, T. and Hadikusumo, B. 2009 ), trató de caracterizar y cuantificar los factores
que influyen en el tiempo de inactividad de la maquina y sus consecuencias (problemas
consecuentes que resulten del tiempo de inactividad) de equipos de construcción de carreteras
basado en el enfoque de modelos de ecuaciones estructurales.

Antecedentes y revisión de literatura científica

(Jin Woon Kim y Seokho Chi, 2019) propuso realizar un marco de reconocimiento de acciones
basado en la visión que considera los patrones de trabajo secuenciales de las excavadoras de
movimiento de tierras para el análisis automatizado del tiempo de ciclo y la productividad, uso
un algoritmo de detección (el primer proceso utiliza un detector previamente entrenado para
localizar excavadoras de movimiento de tierras en los sitios a partir de todas las imágenes
capturadas)-seguimiento (se realiza un seguimiento de las excavadoras mediante el algoritmo de
seguimiento-aprendizaje-detección)-reconocimiento (para reconocer los tipos de operación de
las excavadoras, sus patrones secuenciales de características visuales y ciclos de operación se
modelan y entrenan con un algoritmo híbrido de aprendizaje profundo, es decir, redes
neuronales convolucionales y memoria a corto plazo y largo de doble capa) de la excavadora.

(Niskanen, Ilpo y Immonen, Matti, 2023), propuso estudiar la diferencia en la calidad del trabajo
entre una zanja de excavadora semiautónoma y una zanja de conductor con un escáner 3D
comercial y un perfilómetro 2D integrado en la excavadora. Se realiza el siguiente método la
máquina utiliza el movimiento natural del brazo de la excavadora sobre el objeto para producir
una imagen en 3D utilizando un perfilómetro 2D de estado sólido. La excavadora solicita las
coordenadas locales del perfilómetro y los datos de orientación (con marca de tiempo) en una
computadora personal [PC]. Luego, los datos del perfilómetro se guardan en un archivo de texto
sin formato (.txt) para la excavadora, y los datos recopilados de distancia, intensidad y marca de
tiempo del perfilómetro, junto con los datos del perfilómetro de la excavadora, se procesan a
través de una matriz de transformación en MATLAB.

(Golparvar-Fard, Mani, 2013) propuso un nuevo algoritmo basado en visión por computadora
para reconocer acciones individuales de equipos de construcción para movimiento de tierras, en
este método un vídeo se representa inicialmente como una colección de características visuales
espacios-temporales extrayendo puntos de interés espacios-temporales y describiendo cada
característica con un histograma de gradientes orientados. El algoritmo aprende
automáticamente las distribuciones de las características espacios-temporales y las categorías
de acción utilizando un clasificador de máquina de vectores de soporte (SVM) de múltiples
clases.
(Fremont, Vicente; Bui, Manh; 2016), propuso un sistema de percepción compuesto por una
cámara monocular ojo de pez y un LiDAR. Las cámaras de ojo de pez tienen la ventaja de un
amplio campo de visión, pero las fuertes distorsiones que crean deben manejarse en la etapa de
detección. Se utiliza una arquitectura de fusión secuencial basada en LiDAR, que aborda
directamente el problema de reducir las detecciones falsas y el coste computacional en un
sistema basado exclusivamente en visión. El método implementado fue utilizar una arquitectura
de fusión secuencial basada en LiDAR, que aborda directamente el problema de reducir las
detecciones falsas y el coste computacional en un sistema basado exclusivamente en visión. Se
construyó un conjunto de datos de máquinas pesadas y se llevaron a cabo diferentes
experimentos para evaluar el rendimiento del sistema.

3.1.Hipótesis
La implementación de un sistema de monitoreo de productividad en operaciones de movimiento
de tierras, utilizando una visión multicámara y GPS, permitirá una supervisión eficaz y una mejora
significativa en la eficiencia operativa de excavadoras y volquetes.

3.2.Objetivos

Desarrollar un sistema integral de monitoreo de productividad para operaciones de

movimiento de tierras, que integre tecnologías de visión multicámara y GPS con el
objetivo de optimizar el rendimiento de excavadoras y volquetes.

3.3. Justificación

El monitoreo de la productividad de equipos pesados en operaciones de movimiento de tierras

es esencial, especialmente considerando la problemática actual en la seguridad y eficiencia de
dichas operaciones. Según el informe del MINEN 2023, el 25% de las 43 víctimas mortales
registradas están relacionadas con el trabajo de maquinaria pesada, subrayando la necesidad
crítica de seguimiento y monitoreo en este sector.

En este sentido, la propuesta de desarrollar e implementar una plataforma de monitoreo de

productividad basada en visión multicámara, GPS y acelerómetro para equipos pesados, no solo
contribuirá a la optimización de las operaciones, sino que también abordará la necesidad de
reducir los riesgos asociados a accidentes y mejorar la eficiencia operativa.

Esta investigación no solo tiene relevancia para la mejora de las prácticas en operaciones de
movimiento de tierras, sino que también establece un precedente para la aplicación de
tecnologías avanzadas en la gestión de maquinaria pesada. El enfoque propuesto, basado en la
revisión de literatura y antecedentes, busca aprovechar las ventajas de la visión multicámara, el
GPS y el acelerómetro para un monitoreo preciso y en tiempo real.

4. METODOLOGÍA DE DESARROLLO DE LA INVESTIGACIÓN

La metodología esta compuesta en tres fases de ejecución, las que indicamos a continuación:

Fase 1: colocación de múltiples cámaras en diferentes ubicaciones físicas del sitio

Este proceso tiene como objetivo instalar múltiples cámaras en diferente ubicación física del sitio
de trabajo para el monitoreo de la productividad de movimiento de tierras. Se debe grabar datos
de video en cuatro regiones de interés: zonas de carga, viaje, entrada y colas.

A pesar de la importancia de todas las zonas de interés, no se prefiere instalar todas las cámaras
para cubrir visualmente todo el lugar de trabajo debido a problemas de costos y dificultades.

Ilustración 1 zonas de interés

Fase 2: monitoreo de equipos basado en visión con una sola cámara

Utilizando los datos de video recopilados de las cámaras, este proceso extrae información
operativa del equipo pesado, como los tipos de objetos, identidades locales (ID), ubicaciones,
acciones, interacciones y actividades a lo largo del tiempo.

• Seguimiento de equipos

Se realiza el seguimiento de los equipos para obtener información secuencial de tipos de

objetos, identificaciones locales y ubicaciones, empleamos el algoritmo de seguimiento
visual (seguimiento-aprendizaje-deteccion) TLD.

La integración funcional es un proceso de activación de un detector y un rastreador al

mismo tiempo, y este enfoque hibrido permite rastrear equipos de movimiento de
tierras a largo plazo, incluso aunque dichos equipos se muevan dinámicamente y tengas
altas variaciones entre clases e intraclases.

• Reconocimiento de acción

Ya teniendo el seguimiento de los equipos se procede a reconocer las acciones

individuales de los equipos de movimiento de tierra (excavadoras: excavar, girar lleno,
descargar, girar vacío, mover y detener; camión volquete: mover y detener) mediante el
análisis de patrones secuenciales. CNN y LSTM están diseñados para aprender dos tipos
 de patrones de trabajo secuenciales de movimiento de tierras, es decir, características
visuales y ciclos de operación.

Primero, el modelo aprende los patrones secuenciales de características visuales, CNN

adquiere características visuales clave de los cuadros delimitadores (ejemplo los bordes
de la excavadora) y relación geométrica entre sus cuerpos principales.

Segundo, teniendo las características visuales, su secuencia se procesan en el modelo

primer modelo LSTM para el análisis secuencial. Las funciones principales del modelo
LSTM se llevan a cabo de los siguientes tres componentes: puerta de entrada, puerta de
olvide y celda de memoria.

Tercero, los resultados del modelo CNN-LSTM se introducen en el segundo modelo LSTM
para analizar los patrones secuenciales de los ciclos de operación. De este modo, el
modelo puede aprender los patrones secuenciales de los ciclos de operación y
categorizar los tipos de operación actuales con mayor precisión.

• Análisis de interacción

Utilizando los resultados del reconocimiento de acciones, el análisis de interacción

procede a interpretar las operaciones interactivas del equipo de movimiento de tierras
y finalmente, identificar sus tipos de actividad.

Fase 3: Combinación de equipos basados en visión multicámara para análisis de productividad

La comparación de equipos tiene como objetivo encontrar el mismo objetivo en múltiples

cámaras no superpuesta para el análisis de la productividad del movimiento de tierras. Al
combinar el mismo equipo, es posible integrar los resultados de los análisis derivados de un
conjunto de cámaras individuales y extraer toda información necesaria para la estimación de la
productividad de todos los lugares de trabajo.
4. CRONOGRAMA DE ACTIVIDADES

ACTIVIDADES MESES
1 2 3 4 5 6 7 8 9 10 11 12
FASE I
REVISION DE BIBLIOGRAFIA |
RECONOCIMIENTO DEL AREA DE
TRABAJO Y EQUIPOS
COMPRA DE EQUIPOS (CAMARA Y
LAPTOS)
ADQUISICION DE GPS
FASE II
UBICACIÓN DE LAS CAMARAS DE
VIDEO EN EL AREA DE TRABAJO
TOMA DE MUESTRAS DE DATOS
FASE III
PROCESAMIENTO DE LOS DATOS
ANALISIS DE LOS DATOS
ELABORACION DE INFORME FINAL

5. PRESUPUESTO

A. BIENES

PAPELERIA EN GENERAL, UTILIS Y MATERIALES DE

1000
OFICINA
B. SERVICIOS
ALQUILES DE SOFWARE PRAGRAMACION 3000
SERVIO DE GPS 10000
SEERVICIOS DIVERSOS 1000
C. BIENES DE CAPITAL
CAMARA DE VIDEO SONY (3 UNIDADES) 6000
LATOP DELL (2 UNIDADES) 8000
D. INCENTIVOS ECONOMICOS
INCENTIVO A INVESTIGADORES 10000
TOTAL 39000