English

First Line Software разработала нейросеть для охраны труда

Несколько раз в год мы участвуем в экспериментальных проектах по разработке чего-нибудь необычного. На этот раз сделали пилот ИИ-системы по приглашению одного из наших российских заказчиков. Хотим рассказать, как всё происходило и что получилось.

Начало

На любом производстве в том или ином виде существуют системы, отвечающие за контроль и выявление угроз для жизни и здоровья работников: падения с высоты, воздействие рабочей техники, электроприборов и тп. Есть примеры экспериментальных внедрений технологий 4.0: интернет вещей, машинное зрение, искусственный интеллект. Мы решили проверить, удастся ли реализовать решение с применением нейросетей и компьютерного зрения, используя уже существующие на объектах заказчика CCTV-камеры. До этого в компании собирали информацию с камер, но не анализировали в режиме реального времени.

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.

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.

Примеры из датасета на тему промышленной безопасности

Сложности

Чтобы нейросеть научилась определять надета на человеке каска или нет, нужен датасет — набор шаблонов определённых движений, на которых программа сможет тренироваться. Частая проблема проектов с машинным обучением в промышленности — недостаток данных ввиду новизны темы и единичности внедрений. Пришлось с нуля разработать референсный датасет.

Дата-сет

В состав датасета для обучения нейросети вошли 56 последовательностей, покрывающих позитивные и негативные сценарии поведения персонала на производстве. 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

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

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.

Результат

В финальном варианте удалось достигнуть стабильной аналитики видеопотока с распознаванием объектов и классификацией поведения. Диапазон точности распознавания 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.

Новости по теме
В Санкт-Петербурге откроют лабораторию для создания IoT-устройств
Госорганы на Ставрополье откажутся от зарубежного программного обеспечения
Россия признана одним из лидеров по внедрению цифровых технологий