Промышленность, контроль безопасности

Проектирование AI-видеоаналитики для охраны производственных объектов

Предпроектная проработка системы событийного видеоконтроля для промышленной инфраструктуры: контроль периметра, выявление потенциально опасных событий и интеграция с существующей системой видеонаблюдения.

ai-video-security-industrial-sites-1.png
ai-video-security-industrial-sites-2.png
ai-video-security-industrial-sites-1.png
NDA
ЗаказчикПроизводственная компания с распределённой инфраструктурой и большим парком камер видеонаблюдения.
ЗадачаРазработать систему для СБ, которая должна помогать службе безопасности быстрее выявлять критичные инциденты без перегруза ложными тревогами

О проекте

В рамках предпроектной проработки команда NeuroCore сформировала архитектуру системы видеоаналитики для задач физической безопасности промышленного объекта. Система должна получать видеопотоки напрямую с камер или через VMS, анализировать заданные сценарии и передавать оператору уже классифицированное событие вместе с кадром, временем и источником сигнала.

 

Отдельное внимание при проектировании уделили ложным срабатываниям. Для промышленной площадки недостаточно подключить универсальный детектор: качество зависит от расположения камер, освещения, фонового движения, погодных условий и особенностей конкретных зон. Поэтому в архитектуру заложили сбор данных с площадки, калибровку и дообучение моделей перед масштабированием.

 

Ключевой принцип: существующая система видеонаблюдения сохраняется, AI-модуль добавляется как аналитический слой и передаёт события в рабочий процесс службы безопасности.

NDA
ЗаказчикПроизводственная компания с распределённой инфраструктурой и большим парком камер видеонаблюдения.
ЗадачаРазработать систему для СБ, которая должна помогать службе безопасности быстрее выявлять критичные инциденты без перегруза ложными тревогами

3

сценария безопасности в первичной разработке
1
Анализ сценариев
Определили типы событий, зоны наблюдения, требования к камерам и логику реакции оператора
2
Сбор требований к данным
Определили, какие видеоматериалы нужны для обучения и проверки моделей: целевые события, типовые фоновые ситуации, разные ракурсы и условия освещения
3
Архитектура модулей
Определили, какие видеоматериалы нужны для обучения и проверки моделей: целевые события, типовые фоновые ситуации, разные ракурсы и условия освещения
4
Схема интеграции
Проработали получение RTSP-потоков напрямую с камер или через VMS, серверную обработку и передачу событий оператору
5
План пилотирования
Сформировали этапы проверки качества: сбор данных, калибровка, оценка ложных срабатываний и тестирование на ограниченном числе зон перед масштабированием

Слишком “чувствительная” видеоаналитика для охраны может стать бесполезной

Ключевая сложность проекта — не просто обнаружить человека или предмет, а отделить реальный инцидент от фонового шума конкретной площадки

Технологический стек

Frontend

Интерфейс пользователя: отчеты, графики, панели управления

Backend

Логика обработки и базовые компоненты системы

ML

Модели и фреймворки для обучения

Вызовы и решения

Ложные срабатывания на реальных объектах, охрана перестаёт доверять тревогам

Базовые детекторы движения реагируют на листву, животных, тени и случайное движение. При таком шуме оператор быстро перестаёт воспринимать уведомления как сигнал к действию
РЕШЕНИЕ

Дообучение моделей на данных объекта

Система должна обучаться и калиброваться на видеоматериалах с конкретных площадок: нормальные ситуации, реальные помехи, ракурсы, освещение и согласованные типы инцидентов

Нельзя перестраивать инфраструктуру с нуля

На объектах уже есть камеры, серверы и VMS-системы. Новая видеоаналитика должна работать с существующими потоками и не создавать для операторов отдельный неудобный процесс.
РЕШЕНИЕ

Интеграция через видеопотоки и события

ПО забирает видеопоток с камер напрямую или через VMS, обрабатывает его на серверах заказчика и передаёт инциденты в существующую систему или отдельный веб-интерфейс

Сложные сценарии без готового датасета

Для обнаружения БПЛА не хватает типовых данных с объектов, а интроскопы могут отличаться по моделям и способу интеграции. Эти модули нельзя оценивать как обычную детекцию в кадре.
РЕШЕНИЕ

Отдельная R&D-проработка модулей

Для сложных сценариев закладывается сбор специализированных данных, отдельная интеграция с оборудованием и поэтапная проверка качества перед масштабированием.

<3

секунд на инцидент - проектная метрика

2

недели - период калибровки по проекту

3

сценария в фокусе первичной проработки

Предпроектная проработка завершена. Сформированы архитектура решения, требования к данным, сценарии интеграции и план пилотирования.

Бесплатный разбор вашей задачи

На экспертной встрече разберем, какие сценарии внедрения ИИ для вашего бизнеса перспективны и возможны на вашем действующем оборудовании. Подготовим экономическое обоснование внедрения ИИ.

Рассмотрим технические ограничения и возможный первый этап проекта.

О вашей задаче (по желанию)

Готовые проекты

Наша команда с 2017 года успешно реализовала 60 проектов с искусственным интеллектом. Тут собраны наши лучшие работы, про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть из-за NDA. Но готовы применять опыт в разработке нейросетей для ваших задач.

bracket
Разработка ИИ-системы
ИИ-видеоконтроль упаковки и отгрузки товаров для маркетплейсов
marketplace-claims-video-evidence.jpg
Разработка крупной системы
Нейросеть для определения возраста: аналитика и безопасность в одном решении
age.webp
Пилотный запуск
Интеллектуальная видеоаналитика для контроля периметра, выявления угроз на интроскопах и БПЛА
ai-video-security-industrial-sites.jpg
Видеоаналитика для ресторанов
ИИ-контроль времени сборки заказов
ai-tray-order-analysis-fast-food.jpg
Разработка крупной системы
ИИ-контроль операций ко-пакинга
ai-copacking-automation.jpg
Разработка крупной системы
Автоматический подсчет рыбы в сложной производственной среде
fish-sorting-counting-ai.png