Промышленная безопасность: система для проверки на производствах

Компьютерное зрение
Проблема
Чем больше на производстве сотрудников, тем сложнее следить за тем, как они соблюдают правила промышленной безопасности. Например, всегда ли носят каски, очки, униформу. Правильно ли работают за станком и тому подобное.
Система распознавания инцидентов по видео в реальном времени и интерфейс для отчётности и управления нарушениями.
Решение
Задача
Автоматизировать наблюдение за промышленной безопасностью на производстве, следить в реальном времени и получать отчёты.
Что можно проверять?
01/
есть ли на всех сотрудниках средства индивидуальной защиты: каска, маска, очки, униформа, перчатки и тому подобное
Конкретный набор зависит от специфики клиента.
соблюдает ли сотрудник регламент: правильно ли обращается с оборудованием.

Кому полезно

Любым производствам — в цехах и на улице — где необходимо строгое соблюдение техники безопасности.
02/
Как это работает
03/
Система получает данные с нескольких камер сразу
С определённой частотой берёт кадры из потока видео
Классифицирует объекты в выделенной зоне. Например, наличие или отсутствие каски или маски.
Определяет по ним человека, выделяет необходимые зоны, например, голову.
Проверяет, что на серии снимков один и тот же человек
Если сотрудник нарушает правила работы, фиксируется инцидент
В веб-интерфейсе создаётся карточка с инцидентом
Ответственный может посмотреть информацию и принять решение, что с ней делать дальше

Визуализация принятия решений нейронной сетью

04/
Строим тепловую карту по предсказанию на этом слое.
Модель строит предсказание
Берём конкретный слой сетки

Чему мы научились

05/
Разработали свой пайплайн, который позволяет быстрее готовить разметку.
Разработали модульную архитектуру, которая учитывает, что заказчики могут быть разные.
Встроили в свой инструмент разметки возможность управлять сложной разметкой: учитывать разные типы СИЗ — средств защиты.
Научились в деталях мониторить скорость работы системы на каждом этапе.
Интересный факт
Можем делать не только на сервере, но и запускаться в более автономном и мобильном формате, даже если единой сети ещё нет.

Команда проекта

06/
Тимлид
Сергей Соловьев
Тимлид
Валерий Шляпников
Максим Лукин
Тимлид

Инструменты

zDialog фреймворк
07/

PyTorch

Фреймворк машинного обучения. Глубокое-глубокое обучение :)
OneDash сервис

ORI MarkUp

Наш внутренний инструмент для разметки данных.
Напишите нам