Контроль нарушений техники безопасности с помощью видеоаналитики и ИИ

К нам обратилась производственная компания с запросом на разработку системы, способной в автоматическом режиме контролировать соблюдение техники безопасности на объектах.

Основное требование — фиксировать случаи, когда сотрудник заходит в опасную зону более чем на 15% своей площади тела. Система должна в реальном времени определять этот процент и выводить его на экран, обеспечивая наглядный и оперативный контроль.

Дополнительно было важно:

Использовать существующую инфраструктуру видеонаблюдения;

Обеспечить работу в реальном времени на недорогом оборудовании;

Учитывать сложные условия съёмки (дым, слабое освещение);

Интегрировать систему оповещений и отчётности.

Мы разработали интеллектуальную систему компьютерного зрения, способную точно определять положение человека относительно опасных зон и оперативно реагировать на нарушения.

В основе — обученная модель YOLOv8, адаптированная под специфику объекта. Решение работает со стабильной точностью 96% и не требует дорогостоящих GPU-серверов: мы оптимизировали модель под работу на CPU, что позволило снизить затраты на инфраструктуру в 10 раз.

Особенности решения:

Работает на большинстве существующих камер (при соблюдении условия — минимальный размер человека 25px);

Оповещает о размытости, загрязнённости камеры — предотвращает "слепые зоны";

Адаптирована под сложные условия съёмки (дым, пыль, плохое освещение);

Интеграция с громкоговорителем (2N® SIP Speaker Horn) — немедленное голосовое предупреждение нарушителю;

Журнал событий: всё фиксируется и отправляется в Telegram, также доступна выгрузка отчёта по кнопке;

Механизм дообучения модели — оператор может вручную помечать события и улучшать точность системы со временем.

Мы провели аудит условий на площадке: изучили схемы опасных зон, расстановку камер, типовые сценарии нарушений.

Результат: определили технические требования к стабильной работе модели и условия, в которых потребуется донастройка (например, низкая освещённость или запылённость объектива).

Мы обучили модель YOLOv8 на примерах с реального объекта, настроили логику оценки площади тела сотрудника в кадре, которая попадает в опасную зону.

Дополнительно:

Внедрили фильтрацию по качеству изображения;

Настроили систему на срабатывание только при превышении порога в 15%;

Реализовали возможность ручной разметки для улучшения точности в будущем.

Чтобы не нагружать компанию лишними расходами, мы оптимизировали систему под работу на CPU, сохранив высокую точность. Это позволило запускать ИИ на недорогом серверном оборудовании или даже на мощных офисных ПК.

Система внедрена без замены камер — для некоторых моделей была проведена лёгкая донастройка.

Подключили громкоговорители для немедленного голосового оповещения;

Организовали журнал событий с отправкой в Telegram;

Настроили экспорт отчётов в формате Excel и PDF;

Провели тестирование на площадке с реальными сотрудниками;

Обучили оператора работе с системой и процессу дообучения модели.

После запуска решения компания получила:

Автоматический контроль техники безопасности 24/7 без участия человека;

Снижение количества нарушений — на 70% уже в первые 2 недели работы;

Устойчивую работу системы даже в условиях плохой видимости;

Экономию на инфраструктуре за счёт работы на CPU и отказа от покупки новых камер;

Прозрачную аналитику: отчёты, уведомления и фиксация каждого инцидента