Камеры на заводе за несколько миллионов рублей, которые "просто" пишут в архив

Привет, меня зовут Глеб и это моя первая статья на ВиСи.

Если кратко, то последние годы я занимаюсь развитием IT-компании: мы делали веб-сервисы, мобильные приложения, маркетплейсы, финтех, SaaS и сложные корпоративные системы, в общем, делали все подряд, но давайте честно, уже каждая вторая студия может спроектировать сложный высоконагруженный проект и каждый третий сделает это при помощи Cursor, Claude и прочих нейронных мощностей.

Многие бизнесы сворачиваются, компании закрываются, клиенты стали осторожнее тратить деньги, дольше принимать решения, сильнее считать экономику и складывать деньги в банк. Рынок стал "жестче" и конкурировать просто фразой “у нас сильная команда разработчиков” становится всё сложнее.

Поэтому мы осознанно сузили фокус и искали направления, где технологии дают понятный эффект в деньгах: меньше потерь, меньше простоев, меньше ручного контроля, меньше инцидентов. Так мы пришли к компьютерному зрению и видеоаналитике ( особенно благодаря тому, что в прошлом году по счастливой случайности начали разрабатывать помощника судей в тхэквондо).

Стали разбираться в складах, производстве, логистике, стройках, промышленных объектах и довольно быстро увидели странную вещь: у многих компаний уже есть дорогая инфраструктура видеонаблюдения, но используется она в основном как архив.

Камеры висят, серверы пишут, оператор смотрит, а реальные проблемы всё равно часто находят уже после того, как они случились. И вот тут возникает главный вопрос: если бизнес уже потратил миллионы на камеры, почему они до сих пор не помогают предотвращать потери?

В тексте я хочу поделиться наблюдениями, где обычное видеонаблюдение упирается в потолок, какие деньги бизнес теряет “между кадрами" и почему компьютерное зрение может стать нормальным рабочим инструментом для производства, склада или промышленного объекта.

На объекте обычно стоит 40, 80, и бывает даже 150 камер. Они закрывают периметр, КПП, склад, производственные линии, погрузку, опасные зоны, проходы, въезды и выезды.

Всё пишется в архив глубиной 60 дней, где-то в операторской сидит человек, перед которым 12 мониторов. Формально - вся система работает, деньги потрачены, галочка поставлена, проверка пройдена, но многие забывают, что оператор физически не способен одновременно отслеживать 12 потоков.

Исследования CCTV-наблюдения показывают, что проблема сводится к ограничению внимания: при длительном мониторинге возникают когнитивная перегрузка, выпадение из задачи, ложные тревоги и пропуски событий

Видеонаблюдение как индустрия формировалось с одной задачей: записать и сохранить. Это был огромный технологический прогресс по сравнению с тем, что было до: плёночные архивы с ограниченным временем хранения.

Вся цепочка продаж была заточена под эту логику. Интегратор продаёт камеры, сервер, лицензию на ПО. KPI интегратора - качество картинки и надёжность хранения. Никто в этой цепочке не ставит задачу: а как это предотвращает потери? Что нам это дает и какая тут выгода?

В результате сложился индустриальный стандарт, который все приняли как данность: видеонаблюдение - это про архив и расследование, не про предотвращение инцидентов.

Приведу несколько примеров:

Работник зашёл в опасную зону или не надел каску или подошёл слишком близко к технике, а оператор не заметил.

Камера всё записала, в архиве видео есть, но реакции не было.

Что происходит дальше: простой, расследование, штрафы, компенсации, судебные издержки и репутационные риски.

Один серьёзный инцидент по охране труда может стоить предприятию от сотен тысяч до нескольких миллионов рублей.

Складские потери часто выглядят тише: что-то не отсканировали, что-то положили не туда, что-то пропало, что-то списали и деньги просто утекают.

На большом обороте даже небольшие проценты превращаются в миллионы рублей в год. Например, склад с оборотом 500 млн рублей в год и потерями 0,3-0,8% это уже 1,5 - 4 млн рублей ежегодно.Камеры, скорее всего, всё записали.

Но кто будет вручную смотреть десятки дней архива по каждой спорной позиции? Это долго, дорого и неудобно, поэтому часть потерь просто списывается как неизбежная погрешность.

На производстве другая история - качество.

Оператор не заметил визуальный дефект, смена была длинная, освещение плохое, глаз устал и партия ушла клиенту.

Через две недели приходит рекламация и маленькая ошибка на линии превращается в возврат партии, повторное производство, штрафы, испорченные отношения с клиентом и риск потерять контракт. Запускается цепочка событий, где каждый следующий шаг стоит дороже предыдущего.

На производстве и складах самые понятные сценарии такие:

Охрана труда

Склады и логистика

Производство

Правильнее выбрать один болезненный сценарий, подключить несколько камер, запустить пилот и посчитать эффект.

Оно не заменяет нормальные регламенты, охрану труда, обучение сотрудников, работу службы безопасности и производственную дисциплину и оно не одинаково хорошо работает на любой камере.

На результат влияет множество факторов: угол обзора, освещение, разрешение камеры, расстояние до объекта и так далее.Например, “человек без каски в опасной зоне” - хороший сценарий для пилота, если зона видна, каска различима, а границы опасной зоны можно задать на изображении.

А вот “сотрудник ведёт себя подозрительно” - плохой сценарий для старта. Слишком размыто, слишком много субъективности, слишком сложно измерить результат.

Поэтому главный вывод после погружения в тему такой: начинать нужно не с вопроса “какую нейросеть поставить?”, а с вопроса “какое событие мы хотим ловить и что будем делать после его обнаружения?”

Сейчас видеонаблюдение отвечает на вопрос: “что произошло?”

Компьютерное зрение позволяет поставить другой вопрос: “Что происходит прямо сейчас, и можем ли мы вмешаться до того, как это станет потерями?” Это небольшое изменение формулировки, но для бизнеса оно очень принципиальное.

И, на мой взгляд, имея обычные камеры можно начать их превращать из пассивной инфраструктуры в источник операционных данных. Не обязательно сразу строить большую AI-систему на весь завод, скорее наоборот: наиболее здравый путь - взять один понятный участок, одну понятную боль и проверить, можно ли на существующих камерах получить измеримый эффект.

Когда мы начали изучать эту нишу, я думал, что главный вопрос будет техническим: какие модели использовать, какой сервер ставить, как подключаться к камерам, но чем глубже погружаешься, тем понятнее, что главный вопрос не технический, а управленческий.

На многих объектах камеры уже есть. Проблема в том, что видео редко превращается в событие, событие - в реакцию, а реакция - в измеримый результат.

Пока для себя я сформулировал это так: следующий этап развития видеонаблюдения - переход от записи видео к обнаружению событий.

И кажется, именно на этом переходе в ближайшие годы будет много интересных прикладных решений для производств, складов, логистики и промышленных объектов.

Буду рад, если в комментариях поделитесь, как у вас сейчас используется видеонаблюдение: помогает ли предотвращать инциденты или в основном служит архивом для разборов постфактум?
#ИИ #AI #компьютерноезрение #видеоаналитика #автоматизациябизнеса #промышленность #производство #логистика #склады #безопасность #цифровизация #B2B