20 минут вместо часа: подробная инструкция о том, как управлять очередями

По статистике, человек проводит в очередях полгода своей жизни. И если на столпотворения в метро или в магазинах повлиять мы не в силах, то оптимизировать обеденное время сотрудников возможно. В этой статье мы расскажем, как с помощью интеллектуальной системы видеонаблюдения увеличить продуктивность персонала, сократив время обслуживания в корпоративной столовой более чем в 3 раза.

Видеоаналитика представляет собой технологию, работающую на основе компьютерного зрения. Ее «глазами» является видеокамера. Изображения, полученные с помощью камер, обрабатываются компьютером по определенному алгоритму в режиме реального времени.

Система использует компьютерную программу, работающую по принципу человеческого мозга (нейросеть). Благодаря этому она может обучаться, что позволяет выполнять более сложную и осмысленную работу. В зависимости от алгоритмов, по которым машина обучается, система может распознавать лица, наличие на человеке каски, маски и прочих средств защиты, проводить гендерный или возрастной анализ посетителей, вести наблюдение за объектом и подавать сигнал в случае возникновения проблем (например, при обнаружении на сканируемом периметре посторонних).

Помимо наблюдения в режиме реального времени систему видеоаналитики можно обучить анализировать полученные результаты и на их основе строить прогнозы. Такой вид аналитики называется предиктивная. Чаще всего она используется для обеспечения безопасности в местах массового скопления людей, при прогнозировании загруженности дорог, для отслеживания предпочтений покупателей. Это далеко не все области применения системы. Видеоаналитику можно применять для решения разнообразных локальных задач, например, оптимизации очередей в столовой.

К нам обратился управляющий крупного московского банка, в офисном здании которого работает порядка 350 сотрудников. Большинство из них обедает в корпоративной столовой. В пиковые часы в помещении собиралось около 50 человек, хотя оно рассчитано всего на 15. В среднем, в часы максимальной загрузки люди проводили в ожидании более 1 часа.

По статистике, пик раздражения человек испытывает на 10-й минуте ожидания в очереди, поэтому сложная ситуация с облуживанием в столовой отражалась на внутренней атмосфере компании.

У сотрудников банка не было регламентируемого времени обеда, поэтому нашей задачей стало создание системы, которая могла бы подсказать оптимальное время для перекуса.

Казалось бы, кейс простой и даже шуточный. Однако за счет того, что нам удалось построить систему, которая умеет распознавать количество человек в кафе и прогнозировать их число в дальнейшие часы в зависимости от дня недели, банку удалось оптимизировать рабочее время сотрудников и повысить их продуктивность.

Теперь подробнее про систему. Ее построили на основе платформы промышленной видеоаналитики CenterVision. В нее входят модули, которые содержат обученную математическую модель (свёрточной нейросети) и настраиваемую логику. Таким образом, в одном системе мы можем совместить разные сценарии распознавания.

1. На первом этапе мы обычно проектируем и размещаем камеры. Однако в этом случае в корпоративном кафе уже была система видеонаблюдения, что сократило время работ и позволило избежать лишних затрат на технику.

   Обычно мы используем 1-3 камеры для помещений от 40 до 200 квадратных метров. Некоторые клиенты считают, что чем больше точек наблюдения, тем эффективнее работает система. Но все достаточно индивидуально и зависит от многих факторов. Иногда достаточно имеющейся инфраструктуры видеонаблюдения. К тому же для большого количества камер нужен большой архив для записей, что в несколько раз увеличивает смету проекта. Не каждый заказчик готов увеличить расходы.

2. Камеры передают информацию в систему видеоаналитики, которая считает количество людей, попавших в объектив, с помощью видеодетекторов движения.

   Возникает резонный вопрос – почему вместо видеодетекторов не использовать инфракрасные датчики движения? Дело в том, что ИК-датчики не могут проанализировать сразу нескольких объектов. Если движение не является достаточным признаком для локализации объекта в кадре, то видеодетектор может обнаружить его при помощи шаблонов. Например, таких как распознавание лиц.

3. При работе двух и более камер в одном помещении сохраняется зона перекрытия изображений. Ее устанавливают заранее через интерфейс системы. Если одного и того же человека снимет несколько камер, его все равно посчитают только один раз.

Теперь немного расскажем об обучении системы и алгоритме, по которому оно велось.

• С помощью интервала ∆t формируется значение количества человек в очереди для нескольких идущих подряд кадров.

• За полчаса для каждого помещения выгружаются значения для множества таких интервалов. Размер и количество интервалов определяется исходя из количества помещений и используемых вычислительных мощностей.

• Отдельно для каждого интервала формируется массив значений с количеством людей в помещении и выбирается наиболее часто встречающееся значение. Если встретилось несколько значений с одинаковой частотой, выбирается максимальное.
• Значение, которое получилось в итоге – количество людей в очереди, относящееся к моменту времени t, следующему непосредственно за рассматриваемым интервалом. Всего за час получается набор значений для различных интервалов — т.е. значения к моментам времени t_1, t_2… . t_n.

В итоге мы имеем готовую систему, которая может собирать, анализировать и выводить данные на специальный сервер. Мы оптимизируем его для работы нескольких приложений и обработки нескольких источников информации.

Для завершения первого этапа потребовалось около двух месяцев, но это только половина пути. В целом, работы по внедрению системы длились около четырех месяцев.

На втором этапе мы создали виджет для корпоративного портала, где отображается информация о том, есть ли в кафе очереди. С помощью него также можно спрогнозировать наиболее подходящее для обеда время на основе данных по загрузке в предыдущие дни.

Казалось бы, кейс не самый масштабный. Но интересен он именно тем, что даже простейшие бытовые процессы можно цифровизировать и оптимизировать. Например, правильно рассчитывая время обеда, мы можем внести личный вклад в рост эффективности компании.

Чаще всего видеоаналитика используется для оптимизации процессов внутри компании, из-за чего бизнес не видит прямой выгоды от ее внедрения. К сожалению, из-за этих особенностей технология пока мало востребована среди малых и средних компаний. Хотя цена ее вполне доступна: в среднем, система видеоаналитики всего на 30% выше стоимости традиционного решения для видеонаблюдения.