ИИ и видеоаналитика в охране труда: путь от идеи до запуска своими силами

Искусственный интеллект в охране труда: от идеи до работающей системы

Внедрение систем машинного зрения и искусственного интеллекта в охране труда часто воспринимается как дорогостоящий и сложный процесс, доступный только крупным корпорациям. Однако современные технологии позволяют реализовать такие проекты силами внутренних специалистов. Иван Максимов, специалист по охране труда компании Qummy, делится практическим опытом создания и запуска системы видеоаналитики на пищевом производстве с использованием open-source решений.

Предпосылки внедрения: почему потребовался автоматизированный контроль

Пищевое производство имеет строгие санитарные нормы и требования безопасности. Спикер разбирает основные проблемы, которые подтолкнули компанию к автоматизации контроля:

• Нарушение правил ношения санитарной одежды: работники регулярно забывали надевать перчатки, шапочки или менять обувь при переходе между чистыми и грязными зонами.
• Несанкционированные действия с оборудованием: попытки самостоятельного ремонта или вмешательства в работу включенных механизмов без должной квалификации.
• Высокие затраты времени руководителей: линейным руководителям приходилось тратить значительную часть рабочего времени на визуальный контроль соблюдения правил.

Выбор технологии: open-source модель MoonDream

Вместо покупки дорогостоящих коммерческих решений компания выбрала путь самостоятельной разработки на базе открытой языковой модели MoonDream. В выступлении детально рассмотрен функционал этой системы:

• Анализ видеопотока в реальном времени: модель способна покадрово анализировать изображение и выявлять заданные паттерны (отсутствие СИЗ, задымление, падение человека).
• Гибкость обучения: система тренируется на реальных фотографиях и видео с производства, что позволяет адаптировать ее под специфические условия конкретного предприятия.
• Экономичность: использование open-source продукта на собственных серверных мощностях компании исключает затраты на лицензии и облачные хранилища.

Этапы реализации: от предтренировки до промышленной эксплуатации

Процесс внедрения занял несколько месяцев и включал последовательные шаги:

• Предтренировка на искусственных данных: создание базовых моделей для распознавания пожара, задымления, наличия масок, перчаток и головных уборов.
• Тренировка на реальном видеопотоке: адаптация модели к условиям конкретного производства, корректировка ошибок и ложных срабатываний.
• Настройка системы оповещения: разработка Telegram-бота для оперативного информирования руководителей цехов о выявленных нарушениях с указанием даты, времени и места.

Результаты внедрения и работа с персоналом

За период опытной эксплуатации система выявила более 2700 несоответствий, при этом доля ложных срабатываний была снижена до 5%. Спикер показывает на примере, как автоматизация повлияла на культуру безопасности:

• Повышение самодисциплины: количество нарушений правил ношения санитарной одежды значительно снизилось.
• Снижение микротравматизма: зафиксировано уменьшение количества микротравм по сравнению с аналогичным периодом прошлого года.
• Позитивная мотивация: вместо наказаний за нарушения компания внедрила систему поощрения работников, не допускающих отклонений от правил безопасности.

Что вы узнаете из этого вебинара:

• Как развернуть систему видеоаналитики на базе бесплатных open-source решений?
• Какие этапы обучения должна пройти нейросеть для корректной работы на производстве?
• Как настроить оперативное оповещение руководителей о нарушениях через Telegram?
• Как преодолеть сопротивление персонала при внедрении систем тотального контроля?
• Какие технические требования предъявляются к камерам для эффективной работы видеоаналитики?