02. Задача проекта
Нейросеть для мониторинга и контроля усталости операторов
Технология технического зрения для повышения уровня безопасности и помощи оператору X-ray оборудования
На этом месте представлено видео, демонстрирующее работу нашей технологии. Визуализация показывает, как нейросеть следит за поведением операторов, устанавливая линии и оценивая степень внимания.
01. Про заказчика
Решения для безопасности (NDA) — ведущий отечественный разработчик и поставщик технологических решений для обеспечения безопасности в различных отраслях. В рамках своей деятельности компания обладает масштабными объектами, где поддержание активности операторов критично для безопасности и эффективности процессов.
03. Как мы решали задачу
0 1
Провели детальный анализ нужны клиента и определили ключевые факторы усталости операторов.0 2
Собрали и обработали данные для обучения нейросети, используя видеоматериалы с примерами различных состояний операторов.0 3
Разработали систему мониторинга, использующую алгоритмы машинного обучения и компьютерного зрения для распознавания признаков усталости.0 4
Интегрировали решение в существующую инфраструктуру, создавая удобный интерфейс для операторов и администраторов.0 5
Осуществили многоуровневое тестирование и внесли улучшения на основе собранных данных.0 6
Обучение персонала работе с новой Системой и ее запуск в эксплуатацию на всех объектах.Интересный факт
Проект был пропилотирован почти во всех аэропортах федерального значения России. Проект также получил награду, как лучший инновационный продукт в области обеспечения транспортной безопасности.
Интересный факт
Исследования показывают, что даже небольшие перерывы в работе повышают продуктивность на 20% и уменьшают уровень усталости. Разработка системы контроля усталости может радикально изменить подход к управлению трудовыми ресурсами на производстве
04. Как это работает
1 Нейросеть получает видеоизображения оператора в реальном времени через камеры
2 С помощью алгоритмов машинного обучения осуществляется распознавание состояний операторов (например: сон, расфокусировка)
3 Полученные данные анализируются по различным критериям (положение головы, внимание)
4 При выявлении проблемных состояний система инициирует соответствующие действия (например, остановка ленты интроскопа)
5 Все данные о состояниях операторов выводятся в централизованный интерфейс для анализа и принятия решений
05. Проблемы и их решение
Сложности интеграции
В ходе разработки и внедрения системы возникли несколько ключевых проблем. Одной из них была сложная интеграция с имеющимся оборудованием, что потребовало детальной работы над интерфейсами и протоколами обмена данными.
Решение
Провели дополнительные тесты и адаптировали систему под разные производственные сценарии
Осуществили регулярные обновления и изменения в программном обеспечении для оптимизации работы с разными устройствами.
Точность распознавания
Во время разработки системы мы столкнулись с проблемой недостаточной точности распознавания усталости операторов в реальных условиях. В отличие от тестового окружения, в условиях производственной среды количество факторов, влияющих на результаты, значительно увеличивалось — освещение, фоновый шум и нерегулярные движения других сотрудников.
Решение
Для решения этой проблемы мы:
Провели дополнительные исследования и собрали данные в реальных условиях, включая видеозаписи операторов в разных ситуациях, для улучшения базы данных для обучения нейросети.
Оптимизировали алгоритмы машинного обучения, добавив новые параметры, такие как изменение выражения лица и поведение оператора в условиях стресса.
06. Ценность проекта
Безопасность
Система значительно повышает уровень безопасности объектов, минимизируя риски, связанные с человеческим фактором, что критически важно для защиты от потенциальных угроз.Эффективность
Автоматический мониторинг состояния операторов способствует повышению рабочей производительности, что позволяет сократить время на досмотры и увеличивает общий объем работы.Адаптивность
Система легко интегрируется с уже существующими технологиями и может адаптироваться под изменяющиеся условия работы, что делает ваши инвестиции более эффективными.Отчетность
Постоянный мониторинг и детальная статистика по состояниям операторов обеспечивают прозрачность процессов и возможность оперативного анализа работы, что облегчает принятие управленческих решений.07. Команда, которая
внедрила проект
Техлид
Константин Порошкин
Backend-Lead
Алексей Цибульников
Менеджер проекта
Илья Гуреев
Аналитик
Роман Федоров
Computer Vision инжерер
Роман Мазников
DevOps
Дмитрий Соркин
Куратор команды разметки
Марк Яговкин
08. Планы на будущее
Готовые проекты
Наша команда успешно разработала 54 проекта с искусственным интеллектом. Тут собраны наши лучшие проекты про которые мы можем рассказать, про некоторые совсем немного, а некоторые мы вообще не можем тут упомянуть
Разработка нейросети
Нейросеть, которая следит за здоровьем коров
Разработка крупной системы
Классификация
и распознавание
повреждений автомобилей
и распознавание
повреждений автомобилей
Разработка крупной системы
Анализируем запрещенные
предметы в багаже
при помощи рентгена и ИИ
предметы в багаже
при помощи рентгена и ИИ
Разработка крупной системы
Платформа с единым
реестром интернет-рекламы
реестром интернет-рекламы
Разработка крупной системы
Распознавание
автомобильных номеров
для парковок, ТЦ и БЦ
автомобильных номеров
для парковок, ТЦ и БЦ
Разработка крупной системы
Контролируем бодрость
сотрудников аэропорта,
чтобы вы улетели в отпуск
сотрудников аэропорта,
чтобы вы улетели в отпуск
