Заполните форму
И наши менеджеры ответят на ваши вопросы
Нажимая на кнопку, вы соглашаетесь с нашей Политикой в отношении обработки персональных данных пользователя
Иннополис
ул. Университетская, д. 7
Позвоните нам
Напишите нам
Мы используем cookies и собираем технические данные
Находясь на сайте вы соглашаетесь с применением данных технологий
Находясь на сайте вы соглашаетесь с применением данных технологий
Промышленная безопасность: система для проверки на производствах
Совместный проект
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.
Решение
Система распознавания инцидентов по видео в реальном времени и интерфейс для отчётности и управления нарушениями.
Автоматизировать наблюдение за промышленной безопасностью на производстве, следить в реальном времени и получать отчёты.
Задача
01/
Что можно проверять?
Конкретный набор зависит от специфики клиента.
есть ли на всех сотрудниках средства индивидуальной защиты: каска, маска, очки, униформа, перчатки и тому подобное
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/
Система получает данные с нескольких камер сразу
С определённой частотой берёт кадры из потока видео
Определяет по ним человека, выделяет необходимые зоны, например, голову.
Классифицирует объекты в выделенной зоне. Например, наличие или отсутствие каски или маски.
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
03/
Как это работает
Строим тепловую карту по предсказанию на этом слое.
Модель строит предсказание
Берём конкретный слой сетки
Визуализация принятия решений нейронной сетью
04/
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.
Чему мы научились
05/
Интересный факт
Можем делать не только на сервере, но и запускаться в более автономном и мобильном формате, даже если единой сети ещё нет.
Сергей Соловьев
Тимлид
Валерий Шляпников
Тимлид
Тимлид
Максим Лукин
Команда проекта
06/
Фреймворк машинного обучения. Глубокое-глубокое обучение :)
PyTorch
Наш внутренний инструмент для разметки данных.
ORI MarkUp
Инструменты
07/
Напишите нам