Мониторинг усталости операторов на объектах транспортной безопасности
Интеллектуальная система контроля состояния операторов рентгеновских установок на критически важных объектах (аэропорты, жд вокзалы, пункты досмотра).

О проекте
Внедрение ИИ-контроля операторов рентгенотелевизионных установок на объектах транспортной безопасности. Система в реальном времени отслеживает признаки усталости, потери внимания и отсутствия оператора на рабочем месте и автоматически фиксирует критические состояния. Ожидаемый эффект — снижение рисков пропуска запрещённых предметов, повышение надёжности контроля и устойчивости работы службы безопасности без увеличения нагрузки на персонал.
≥85%
Формализация требований и профилей состояний операторов
Зафиксировали бизнес- и эксплуатационные требования к системе: перечень контролируемых состояний, пороговые временные параметры, сценарии реакции и требования к журналированию событий.Проектирование архитектуры АРМ контроля состояния
Спроектировали модульную архитектуру АРМ КС, AI-модуль анализа состояния оператора, модуль взаимодействия с РТУ и подсистему хранения и экспорта данных.Разработка и обучение AI-модуля анализа состояния
Реализовали модуль компьютерного зрения для детекции лица, глаз и направления взгляда оператора, формирования тепловых карт внимания и классификации состояний с шагом анализа 2 секунды и учетом морганий.Интеграция с РТУ и реализация реакций системы
Обеспечили интеграцию АРМ КС с рентгенотелевизионной установкой: звуко-световая сигнализация, управление блокировкой РТУ и автоматическая фиксация инцидентов в журнале безопасности.Тестирование, валидация метрик и подготовка к эксплуатации
Многоэтапное тестирование на стенде и в условиях, приближенных к реальным. Подготовка технической и пользовательской документации и передача системы в эксплуатацию.

Масштаб проекта
Технологический стек
Frontend
Интерфейс пользователя: отчеты, графики, панели управленияBackend
Логика обработки и базовые компоненты системыML
Модели и фреймворки для обученияВызовы и решения
Интеграция с рентгенотелевизионной установкой (РТУ)
Система контроля усталости должна не просто фиксировать состояние оператора, а влиять на работу РТУ в реальном времени. Любая ошибка или задержка в интеграции с оборудованием напрямую создает риски безопасности и простои на пункте досмотра.Реализовали прямое взаимодействие системы с РТУ
Управление реле блокировки через «сухие контакты», звуко-световую сигнализацию и синхронизацию со статусами оборудования. Все инциденты автоматически фиксируются в журнале безопасности, а при критических состояниях система самостоятельно приостанавливает процесс досмотра.Точность распознавания в реальных условиях эксплуатации
В реальной рабочей среде условия далеки от лабораторных: меняется освещение, оператор двигается, в кадре появляются посторонние объекты. Это снижает точность распознавания состояний и может приводить к ложным срабатываниям.Построили AI-модуль на базе двух нейросетей:
Одна определяет положение лица и глаз, вторая — направление взгляда и состояние оператора. Использовали агрегацию по видеокадрам, исключение морганий и тепловые карты экрана, что обеспечило стабильное распознавание усталости в условиях реальной загрузки и визуального шума.Надёжность и автономность АРМ оператора
АРМ контроля состояния должен работать непрерывно и автономно, без постоянного вмешательства персонала и без зависимости от центральных сервисов. Любой сбой — это остановка досмотра и операционные потери.Спроектировали АРМ как автономный программно-аппаратный модуль
С локальной обработкой видеопотока, автозапуском и встроенной самодиагностикой. Система сохраняет журналы и видеоданные локально и продолжает работу без зависимости от центральных сервисов.до 95%
точности при распознавании критических состояний оператора: сон, отсутствие на рабочем месте, потеря бдительности.
до 90%
точности при определении состояний внимания оператора в реальных условиях, включая очки и производственные помехи
≤ 5%
ложных срабатываний: стабильная работа системы
Команда, которая внедрила проект
Алексей Цибульников
Python backend-разработчик
Константин Порошкин
ML-инженер
Роман Фёдоров
Бизнес-аналитик
Михаил Моисеев
CV-инженер
Дмитрий Соркин
DevOps-инженер
Марк Яговкин
Руководитель разметки данных
Планы на будущее:
Расширение сценариев распознавания состояний операторов и адаптация системы под новые типы оборудования.

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.















































