ИИ и машинное зрение в охране труда: путь от идеи до запуска

От идеи до работающей системы: машинное зрение в пищевом производстве

Внедрение технологий искусственного интеллекта и машинного зрения становится естественным этапом развития систем производственной безопасности. Особенно это актуально для пищевой промышленности, где требования ХАССП (HACCP) диктуют строгие правила гигиены и нахождения персонала в чистых зонах. Иван Максимов, представитель FoodTech-компании «Кьюми», делится практическим опытом создания и внедрения системы машинного зрения на базе Open Source решений.

Спикер разбирает путь от возникновения идеи до запуска работающего инструмента, который помогает контролировать соблюдение санитарных норм и правил охраны труда без привлечения дорогостоящих готовых решений.

Выбор языковой модели и процесс обучения

Основой для системы стала открытая языковая модель MoonDream. Выбор Open Source продукта позволил компании существенно сэкономить на старте и гибко настраивать систему под свои нужды. В выступлении детально рассмотрен процесс обучения модели:

• Первоначальное обучение на синтетических данных: модель учили распознавать задымление, отсутствие масок, головных уборов и перчаток, а также нестандартные ситуации (например, человек, лежащий на полу). Это позволило заложить базовые паттерны распознавания.
• Дообучение на реальном видеопотоке: систему подключили к камерам на фабрике-кухне. Модель начала анализировать кадры в реальном времени, выявляя нарушения (например, вход в производственную зону без санитарной одежды). Это обеспечило высокую точность работы в конкретных условиях предприятия.
• Интеграция с системами оповещения: для оперативного реагирования настроили отправку уведомлений в Telegram-бот ответственным руководителям и технологам. Время от фиксации нарушения до получения сигнала составляет не более 15 секунд.

Психология внедрения: от наказаний к поощрениям

Техническая реализация — лишь часть успеха. Спикер показывает на примере своей компании, как важно правильно выстроить работу с коллективом при внедрении систем контроля. Главный принцип — отказ от материальных наказаний на основе данных машинного зрения.

• Система как помощник: работникам объясняют, что машинное зрение — это аналог пассивных систем безопасности в автомобиле (ABS, подушки безопасности). Она создана для защиты, а не для штрафов.
• Позитивная мотивация: вместо «досок позора» компания использует систему поощрений. Сотрудники, не допускающие нарушений в течение месяца, получают небольшие премии или подарки. Это снижает сопротивление персонала и формирует культуру осознанной безопасности.
• Предварительная подготовка: до запуска системы проводились тренинги и беседы, что позволило снять тревожность и даже вызвать интерес у работников.

Экономика проекта и перспективы развития

Создание собственной системы требует инвестиций, но в долгосрочной перспективе оказывается выгоднее покупки готовых коробочных решений. Основные затраты приходятся на оплату труда программиста (около 6 месяцев работы) и закупку серверного оборудования (порядка 2-3 млн рублей). Однако собственная разработка позволяет бесплатно масштабировать систему, добавлять новые функции (например, распознавание лиц) и интегрировать её с внутренними IT-продуктами компании (1С, Bitrix).

Что вы узнаете из этого вебинара:

• Как выбрать и обучить Open Source модель машинного зрения для нужд охраны труда?
• Как организовать оперативное оповещение руководителей о нарушениях с помощью Telegram-ботов?
• Как преодолеть сопротивление персонала при внедрении систем тотального видеоконтроля?
• Каковы реальные затраты на разработку собственной системы машинного зрения по сравнению с покупкой готовых решений?
• Как машинное зрение помогает снизить уровень микротравматизма на производстве?