Труд 4.0: как доверить нейросети безопасность работников

Время от времени мы участвуем в проектах по разработке экспериментальных систем. На этот раз сделали пилот ИИ-системы по приглашению одного из наших российских заказчиков. Хотим рассказать, как всё происходило и что получилось.

Машинное обучение и охрана труда в промышленности

На любом промышленном объекте в том или ином виде отслеживается выполнение персоналом правил безопасности и применения средств индивидуальной защиты. Сейчас очень много усилий направлено на то, чтобы передать рутинные функции производственного контроля системам на основе искусственного интеллекта.

В России экспериментальные площадки развёрнуты, например, в таких предприятиях как «Нефтегаз», «Славнефть», «Северсталь». Учитывая уровень сложности задач, компании нередко проводят масштабные открытые исследовательские проекты по изучению возможностей ИИ. В одном из таких проектов приняла участие команда First Line Software.

Задача

Используя уже существующие на объектах заказчика CCTV-камеры внедрить искусственный интеллект, который будет захватывать видеопоток с камер, выделять в стриме зоны производства, людей, элементы защиты и определять, нарушены правила техники безопасности или соблюдены.

Data Science - команда First Line Software
Data Science - команда First Line Software

Процесс

Инженеры First Line Software создали свёрточную нейронную сеть и научили ее распознавать на потоковом видео людей, детали экипировки, - каски, жилеты, тросы, и выявлять типы производственных зон. В пилотной версии система фиксирует и даёт реакцию на три наиболее распространённых сценария поведения персонала:

  • Носит ли сотрудник защитную каску на голове - является обязательным условием на производстве;
  • Надел ли сотрудник капюшон от рабочей куртки поверх каски - это строго запрещено;
  • Пристёгнут ли сотрудник тросом - является обязательным условием при проведении высотных работ.

Дата-сет

Частая проблема проектов с машинным обучением в промышленности — недостаток наборов исходных шаблонов для тренировки нейросети ввиду новизны темы и единичности внедрений. Нам пришлось с нуля разработать и разметить референсный датасет, в состав которого вошли 56 последовательностей, покрывающих позитивные и негативные сценарии поведения персонала на производстве.

Примеры из датасета на тему промышленной безопасности
Примеры из датасета на тему промышленной безопасности

На изображениях сотрудники предприятия, часть из которых экипирована по всем правилам техники безопасности, часть - с нарушениями. У каждого человека размечена модель скелета по 12 опорным точкам. Амуниция размечена дополнительными точками. Каждый кадр имеет текстовую подпись и цветной фрейм. Также размечены типы производственных зон.

Обзор аннотированных классов и пример преобразования объекта по опорным точкам в модель скелета
Обзор аннотированных классов и пример преобразования объекта по опорным точкам в модель скелета

Распознавание объектов

Обработка видеопотока происходит в три этапа. Сначала отфильтровываются кадры, на которых отсутствуют люди. Затем части видео, на которых система распознала людей, передаются свёрточной нейронной сети. Сеть определяет человека по разметке и идентифицирует элементы страховки: каску на голове или трос на туловище. Затем алгоритм, использующий метод опорных векторов, сопоставляет изображение объекта по базе с шаблонами. Если кадр содержит нарушения, система направляет уведомление в соответствие с прописанными требованиями.

Пример кадра с аннотированным фреймом
Пример кадра с аннотированным фреймом

Технологии

Для сегментации изображений использовали Mask R-CNN (платформа Detectron). Этот фреймворк справляется с задачей обнаружения всех указанных классов объектов, а также выделяет объекты в рамки. Тренировка нейросети выполнялась с помощью скрипта переобучения Transfer Learning, оптимальной, когда вы работаете с ограниченным датасетом и нет задачи собирать статистику по работам: сколько сотрудников на объекте, сотрудники каких подразделений, в каких местах они проводят больше времени.

Результат

В финальном варианте удалось достигнуть стабильной аналитики видеопотока с распознаванием объектов и классификацией поведения. Диапазон точности составляет 77 – 100 процентов. Наш пилот показал отличные результаты на этапе тестирования и сейчас заказчик продолжает тесты. Дальше будем следить за развитием - потому что путь от пилота до промышленного решения очень длинный.

Труд 4.0: как доверить нейросети безопасность работников
1010
1 комментарий

Фантасты думали, что роботы будут работать вместо людей.
Как же они ошибались, роботы будут следить, чтобы люди работали и не отлынивали.

5
Ответить