Проект: система контроля ношения СИЗ на теплоэлектростанции
Обычная теплоэлектростанция может быть размером с 30 футбольных полей, а количества сотрудников хватит, чтобы заселить небольшую деревню.
Соблюдение порядка и техники безопасности на таких объектах — по–настоящему сложная задача. Полагаться только на человеческую сознательность и на то, что сотрудники будут соблюдать правила ношения СИЗ постоянно, нельзя: как известно, ни одна опасность не остановит работника, решившего, что он «быстренько туда и обратно».
Соблюдение порядка и техники безопасности на таких объектах — по–настоящему сложная задача. Полагаться только на человеческую сознательность и на то, что сотрудники будут соблюдать правила ношения СИЗ постоянно, нельзя: как известно, ни одна опасность не остановит работника, решившего, что он «быстренько туда и обратно».
В ВЕДЕНИИ КОМПАНИИ НАХОДЯТСЯ ДЕСЯТКИ ТЕПЛОЭНЕРГООБЪЕКТОВ. НАЛАЖИВАНИЕ СОВРЕМЕННОЙ И НАДЁЖНОЙ СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ БЫЛО ДЛЯ КОМПАНИИ ПЕРВОСТЕПЕННОЙ ЗАДАЧЕЙ
ПОЭТОМУ КОМПАНИЯ ОБРАТИЛАСЬ В «ЦЕНТР2М» С ПРОСЬБОЙ РАЗРАБОТАТЬ РЕШЕНИЕ, ПОЗВОЛЯЮЩЕЕ ОБЕСПЕЧИТЬ МАКСИМАЛЬНУЮ БЕЗОПАСНОСТЬ НА ПРЕДПРИЯТИЯХ В РЕЖИМЕ 24/7/365
ПОЭТОМУ КОМПАНИЯ ОБРАТИЛАСЬ В «ЦЕНТР2М» С ПРОСЬБОЙ РАЗРАБОТАТЬ РЕШЕНИЕ, ПОЗВОЛЯЮЩЕЕ ОБЕСПЕЧИТЬ МАКСИМАЛЬНУЮ БЕЗОПАСНОСТЬ НА ПРЕДПРИЯТИЯХ В РЕЖИМЕ 24/7/365
Проблема
Решение Центр2М
Старые способы контроля за соблюдением техники безопасности не соответствовали масштабам объектов. Просмотреть все уголки и всех сотрудников огромной ТЭЦ, полагаясь только на оператора перед монитором, невозможно.
Центр2М предложила перейти на систему видеоаналитики СenterVision, основанную на специально обучаемых нейронных сетях
Мы просмотрели записи с камер видеонаблюдения на объектах, чтобы проанализировать, где и какие средства защиты необходимо распознавать и как часто сотрудники забывают их надевать.
Затем приступили к обучению нейросетевой модели. Сложность состояла в том, что алгоритм должен был запомнить и впоследствии распознать сразу много объектов: каски, жилеты, респираторы, защитные очки и т.д. Важно было также учесть условия работы оборудования.
Например, во время работы оборудования нельзя входить в опасную зону даже в спецодежде, а при работе с энергетическим шкафом забрало защитной маски обязательно должно быть опущено на лицо.
Затем приступили к обучению нейросетевой модели. Сложность состояла в том, что алгоритм должен был запомнить и впоследствии распознать сразу много объектов: каски, жилеты, респираторы, защитные очки и т.д. Важно было также учесть условия работы оборудования.
Например, во время работы оборудования нельзя входить в опасную зону даже в спецодежде, а при работе с энергетическим шкафом забрало защитной маски обязательно должно быть опущено на лицо.
Нейронной сети нужно было собрать большое количество данных, демонстрирующих соблюдение техники безопасности.
Для этого мы попросили сотрудников при перемещении по объекту специально не использовать средства защиты, чтобы нейронная сеть могла обучаться с максимальной точностью и высокой скоростью определять случаи нарушения. Это, конечно, не значит, что работникам пришлось рисковать жизнью — для обучения выбирались только безопасные зоны.
Обучение алгоритмов длилось меньше месяца.
В итоге мы получили систему видеоаналитики, способную распознавать и мгновенно реагировать на опасные ситуации, отправляя отчёт в течение нескольких секунд в ситуационный центр
Для этого мы попросили сотрудников при перемещении по объекту специально не использовать средства защиты, чтобы нейронная сеть могла обучаться с максимальной точностью и высокой скоростью определять случаи нарушения. Это, конечно, не значит, что работникам пришлось рисковать жизнью — для обучения выбирались только безопасные зоны.
Обучение алгоритмов длилось меньше месяца.
В итоге мы получили систему видеоаналитики, способную распознавать и мгновенно реагировать на опасные ситуации, отправляя отчёт в течение нескольких секунд в ситуационный центр
Компании нужна была качественная система видеоаналитики, способная:
Следить за огромным объектом в режиме 24/7, не уставая и не засыпая
Отслеживать ношение сразу всех элементов СИЗ, а не только самого большого и бросающегося в глаза (каски)
Интегрировать систему в уже существующую сеть видеонаблюдения с целью экономии ресурсов
Соблюдение техники безопасности рабочим. Нейросеть размечает наличие/отсутствие СИЗ
Результат
сократилось количество несчастных случаев
в 2 раза
Видеоаналитика на основе машинного зрения помогла устранить человеческий фактор в мониторинге объектов безопасности
экономическая выгода на одном теплоэнергетическом объекте ежегодно
≈150 000€
точность распознования
до 98%
длились работы по внедрению системы
3 месяца
количество распознаваемых объектов ограничено только зоной охвата камер
команда, участвовавшая в реализации проекта: архитектор системы, бизнес-аналитик, два разработчика, датасаентист и руководитель проекта. В качестве представителя компании выступил IT–специалист
Как работает решение:
Установленные камеры мы связали с серверами видеоаналитики CenterVision
1
Камера сгенерировала видеопоток, поступающий в программное ядро системы. Ядро содержит логику обработки событий, специально обученный искусственный интеллект, интеграционные компоненты и т.д.
2
CenterVision нарезает видеопоток на отдельные кадры и отправляет в нейросеть для распознавания количества, типа объектов и т.д.
3
В качестве результата программное ядро получает от нейросети список распознанных объектов: наличие или отсутствие каски, спецодежды и т.д.
4
Программная логика, заложенная в программном ядре, обрабатывает полученный результат на предмет наличия инцидентов
5
По итогу отчётного периода заказчик получает статистику с полным перечнем нарушений
6
Реализация решения заняла 3 месяца.
Единственное, что несколько затянуло процесс — нужно было научить нейросеть правильно распознавать не просто различные типы СИЗ, но и разные модели одних и тех же элементов, например, разные по цвету и форме каски. На дообучение искусственного интеллекта понадобилось еще несколько дней.
Единственное, что несколько затянуло процесс — нужно было научить нейросеть правильно распознавать не просто различные типы СИЗ, но и разные модели одних и тех же элементов, например, разные по цвету и форме каски. На дообучение искусственного интеллекта понадобилось еще несколько дней.
На основе системы мы также разработали интеллектуальную платформу для автоматизации процессов на предприятии.
Например, с помощью CenterVision можно контролировать спецтехнику — следить за тем, чтобы автомобиль не двигался выше допустимой скорости, или не находился там, где его быть не должно, а строительный кран работал только в нужное время
Например, с помощью CenterVision можно контролировать спецтехнику — следить за тем, чтобы автомобиль не двигался выше допустимой скорости, или не находился там, где его быть не должно, а строительный кран работал только в нужное время
В отличие от человека, нейросеть:
• не устает
• не ошибается
• мгновенно принимает решения
• способна контролировать все объекты, находящиеся в её поле зрения
• не ошибается
• мгновенно принимает решения
• способна контролировать все объекты, находящиеся в её поле зрения
Архитектура решения CenterVision
«А это точно работает?»
Хороший подрядчик:
Имеет собственных дата-сайентистов, разработчиков, разметчиков и бизнес-аналитиков
Может наглядно продемонстрировать вам технологию
Имеет подтвержденный опыт внедрения системы в реальных условиях
Может адаптировать решение под ваши индивидуальные потребности
Нельзя так просто взять и создать решение по видеоаналитике, не учитывая всех потребностей клиента. Системы, разработанная для огромной ТЭЦ и для маленького магазина, будут совершенно разными: иной бюджет, задачи, особенности процесса интеграции. Делимся с вами профессиональными секретами, как выбрать надежную компанию по реализации IT-решений.
Какому подрядчику можно доверить разработку системы видеоаналитики
Чек-лист по проверке подрядчика
Зона риска: на что обратить особенное внимание при выборе подрядчика
На работу системы в различных погодных условиях. Плохо, если видеоаналитика будет сбоить при каждой тучке: качественная система должна игнорировать большинство погодных явлений.
1
Камера сгенерировала видеопоток, поступающий в программное ядро системы. Ядро содержит логику обработки событий, специально обученный искусственный интеллект, интеграционные компоненты и т.д.
2
На возможность записи изображения. Система должна не просто записывать нарушения, но и иметь возможность впоследствии сохранить и воспроизвести запись. Это необходимо для работы с претензиями и фактами нарушений.
3
На требования к камерам. Хорошая система работает на основе самой качественной техники и должна интегрироваться в существующую инфраструктуру. Это серьезно сэкономит ваши затраты, избавив от необходимости менять всю систему видеонаблюдения на предприятии.
4
Важно, чтобы система распознавания лиц на ТЭЦ обладала всеми инструментами интеграции (API).
5
На наличие/отсутствие системы отчетности. Развернутая статистика позволяет видеть не только объемы и типы нарушений, но и анализировать и оценивать эффективность принимаемых мер по улучшению ситуации.
6
По большому счету, никаких изменений не последует. Вам не нужно будет переписывать правила техники безопасности или менять внутренние документы. Достаточно полностью соблюдать все требования по эксплуатации системы видеоаналитики.
Как изменятся правила техники безопасности после внедрения системы?
Возможности системы видеоаналитики можно расширить. Например, добавить зонирование объектов с помощью периметральной видеоаналитики, усилить безопасности с помощью идентификационных биометрических систем. Можно даже масштабировать решение на все объекты компании с целью контроля всего периметра предприятия.