Содержание |
Контроль соблюдения правил промышленной безопасности сегодня — это не только обязательства работодателя, закрепленные в ст.212 ТК РФ, но и стратегический приоритет компаний Индустрии 4.0. Что происходит в промышленности и что учитывать при планировании? Компания "ВидеоМатрикс" выделила 4 тренда будущего видеоаналитики с применением AI и CV для автоматизации контроля безопасности в промышленности.
Хотя гонка внедрений цифровых технологий замедляет скорость, встречаясь с реалиями российских предприятий, все же системы автоматизации контроля внедряются. Так, в "Норникеле" и в Кольской ГМК в сентябре 2019 года презентована система, которая контролирует 4 нарушения: отсутствие каски, спецодежды, защитных очков и неиспользование подбородочного ремня. В декабре пилот на основе машинного зрения для контроля ношения СИЗ (средств индивидуальной защиты) реализован на Кольской атомной станции в рамках программы цифровизации Концерна "Росэнергоатом". В "Северстали" машинное зрение отслеживает, находится ли человек в опасной зоне. Если после фиксации факта нарушения работник не обращает внимание на предупреждающий сигнал, система автоматически отключает оборудование. Популярны цифровые решения и у металлургов, строителей, нефтехимического производства.
В 2018 году Ростехнадзор предлагал внести изменения в ФЗ о промышленной безопасности опасных производственных объектов. Проектом предусматривались привилегии, вроде отмены плановых проверок, для компаний, которые внедрят систему дистанционного контроля промышленной безопасности.
Автоматизация контроля соблюдения ППБ сегодня
Популярный запрос сегодня — цифровизация контроля ношения средств индивидуальной защиты: каски, перчатки, жилеты, очки. Автоматизация подразумевает, что система в кадре находит человека, детектирует на нем СИЗ, при нарушении фиксирует данные и подает спецсигнал. На первый взгляд предложений на рынке, подходящих для решения задачи, — масса. Но при близком рассмотрении всё не так просто, как кажется обывателю.
Во-первых, несмотря на тысячу с лишним опенсорсных детекторов, необходима профессиональная доработка ПО, а то и разработка с нуля. Есть нейронные сети для детекции касок, есть нейронные сети для детекции жилетов, а вот нейронная сеть с набором нескольких классов в одной — надо еще постараться поискать. И в этом ключе ПО Vmx SILA, которое определяет и человека, и наличие на нем нескольких видов СИЗ, и к этому также смотрит, не находится ли сотрудник в запрещенной зоне — это уже только собственная разработка компании со штатом программистов.Метавселенная ВДНХ 
Во-вторых, для обучения нейронки в каждом конкретном случае непросто подобрать корректный и репрезентативный дата-сет, т.е. набор видео и изображений контекста со всевозможными ракурсами и случаями. Например, на стройке часто до семи цветов касок, а в холодное время года и в дождь работники и вовсе натягивают капюшоны. И для дальнейшей корректной и точной работы ПО, контролирующего ношение касок, нужны все возможные случаи. Часто этот пункт вызывает сложности у заказчика, а формирование дата-сета занимает месяцы.
В-третьих, хайп вокруг инновационных технологий и машинного зрения в сознании пользователя приравнял искусственный интеллект ко всемогущему божеству. Да, AI умеет считать пульс человека в кадре, не прикасаясь к артериям. Классические задачи детектирования объектов, сегментации, распознавания образов соответствующее ПО решает качественно и с хорошим результатом. А вот точное определение размеров объекта в кадре до миллиметра, факт сердцебиения, обнаружение мелких деталей относятся к разряду завышенных ожиданий. Практически невозможно с высокой точностью определять в кадре, расстегнуты или застегнуты тонкие ремешки, закреплены ли шнурки на обуви, есть ли на лице прозрачные бесцветные очки. Средствами видеоаналитики эти цели решаются в идеальных условиях. Но ограничения, накладываемые реалиями большинства отечественных производств, становятся критическими.
Сможет ли AI и CV достичь такого уровня развития, чтобы легко преодолеть эти трудности?
Цифровое будущее контролируемой безопасности
По мнению генерального директора компании "ВидеоМатрикс (Videomatrix)" Фарида Нигматуллина, будущее автоматизации контроля промышленной безопасности лежит отнюдь не в ключе модернизации нейронных сетей для работы с СИЗ. Более отчетливой становится тенденция контролировать не разрозненные детали — каски и перчатки, а весь технологический процесс в целом. В этом случае под контроль попадает как безопасное поведение сотрудника, так и соблюдение установленного технологического процесса. Такой вариант позволит срабатывать на предупреждение и беречь производство от непредвиденных потерь, а не судорожно внедрять инновации, когда дорогостоящая ошибка была уже совершена.
4 ключевых тренда будущего десятилетия:
- 1. Разные виды нейронных сетей будут использованы во взаимодополняющем комплексе.
Все большее количество задач требует усложнения решения. Так, уже недостаточно найти человека в кадре. Нужно рассмотреть его в деталях, сравнить с заданной нормой и сделать вывод — а того ли цвета на нём жилетка расстёгнута? В какой зоне находится и в какую движется? Комплексные задачи требуют совместного применения нейронных сетей, решающих задачу регрессии, классификации, детектирования объектов, сетей для анализа последовательностей, определения ключевых точек объекта, семантической сегментации и сегментации с идентификацией объектов и даже порождающих и тех, что для обучения с подкреплением. Материалы из открытого доступа по-прежнему будут персонализировать под задачу и дорабатывать под клиента.
- 2. AI будет контролировать весь сценарий поведения работника.
Машинное зрение встанет на стражу комплекса действий сотрудника. Где находится, куда пошёл, как пошёл, надел ли СИЗ, какой инструмент взял, откуда, под каким углом к объекту его использовал. В этом ключе развитие получат RNN, рекуррентные нейросети, которые позволят анализировать и учитывать переходные состояния для повышения достоверности результата.
- 3. Машинное зрение будет следить за технологическим процессом
Даже если на предприятии уже установлено видеонаблюдение, следить за видеопотоком с каждой камеры круглые сутки — это, во-первых, ресурсозатратно, во-вторых, ненадёжно в силу особенностей человеческого зрения и неустойчивости внимания. Искусственный интеллект становится идеальным ревизором. В поле его зрения будут находиться все этапы технологического процесса. По визуальным признакам система автоматизации возьмёт под контроль:
- факт совершения операции и её технологические детали
- корректную последовательность операций
- время выполнения операции
- взаимодействие работника с оборудованием во время технологического процесса
- оповещение оператора в случае необходимости вмешательства человека
- контроль работы оператора над устранением ошибки
- в случае отсутствия человеческой реакции, самостоятельное отключение оборудования или остановку технологического процесса
Всё в комплексе сулит сведение на нет выпуска некачественного продукта вместе с минимизацией рисков в области безопасности для работника.
- 4. Продукт станет сложнее внутри, но проще и удобнее — для конечного пользователя.
Пользование автоматизированной системой подразумевает лишь минимально необходимое понимание принципов её работы. Отсюда ещё больше вырастет значимость UX-дизайна цифрового продукта. Дизайн ПО-клиента системы контроля должен быть интуитивно понятным, чтобы работать с ним было легко и приятно как в чрезвычайной ситуации, так и в ежедневном режиме.
Идеальным вариантом станет получение итоговой "коробочной" версии продукта, который можно будет легко арендовать и использовать на различных производствах с минимальным дополнительным обучением нейронной сети. На сегодняшний день сложно представить реальность такого варианта, учитывая разницу между металлургией, пищевым производством, нефтехимическими предприятиями и компаниями из АПК. Но кто знает, может, в следующем десятилетии станет возможным и это.
Читайте также
- Vmx Qualex: 4 способа качественно автоматизировать учёт продукта на дискретном производстве
- Vmx Dequs: ISE:
- Автоматизированный контроль техпроцесса позволяет сэкономить миллионы рублей
- Как работает ПО на базе машинного зрения для контроля качества продукта и техпроцессов
