Ритейл, HoReCa, Девелопмент

AI-мониторинг дефектов и инцидентов в торговом центре

Система видеоаналитики переводит контроль состояния ТЦ из ручного режима в управляемый цифровой контур: выявляет критичные дефекты и нарушения, ускоряет реакцию служб эксплуатации и снижает операционные потери.

NDA

Заказчик Крупный оператор коммерческой недвижимости, отвечающий за бесперебойную эксплуатацию и безопасность торгового объекта с высоким трафиком посетителей.

Задача Автоматизировать выявление дефектов и нарушений на объекте, чтобы сократить ручной контроль, ускорить реакцию служб эксплуатации и безопасности и снизить операционные риски.

О проекте

Службы эксплуатации и безопасности отслеживали часть дефектов обходами, а часть — просмотром камер, поэтому многие инциденты доходили до работы уже после жалоб, эскалации или ухудшения ситуации.

Мы предложили подключить к действующей VMS контур AI-видеоаналитики, который в реальном времени выявляет задымление, погасшее освещение, загрязнение пола, оставленные предметы и переполненные урны, агрегирует события и сразу передает алерты ответственным службам.

Такой подход не требует перестраивать существующее видеонаблюдение и позволяет запустить автоматический контроль именно в тех зонах, где цена пропуска особенно высока. В результате объект получает более раннее выявление дефектов, более быстрое реагирование и меньшую нагрузку на эксплуатационные команды.

NDA

<4 секунд

от инцидента до алерта

Проектирование контура детекций

Фиксируем сценарии, зоны контроля, критерии срабатывания и логику алертов для каждой задачи

Сбор и разметка данных

Собираем реальные кадры с камер объекта, формируем позитивные и негативные выборки, размечаем инциденты по каждому типу дефектов

Обучение моделей

Дообучаем модели под специфику объекта, настраиваем пороги и снижаем ложные срабатывания

Сборка контура обработки видео

Объединяем все детекции в единый рабочий контур, настраиваем обработку потоков с камер, логику объединения событий и приоритеты алертов

Интеграции и пилот

Подключаем решение к VMS, запускаем на пилотных камерах и валидируем метрики в реальной эксплуатации.

Важное замечание

AI не заменяет существующее видеонаблюдение, а встраивается в него: берет поток с действующих камер, находит дефекты и сразу отдает алерты в текущую систему безопасности

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

Один объект — разные типы дефектов

Система должна различать пожарные риски, неисправности освещения, загрязнения, оставленные предметы и мусор, то есть сценарии с разной визуальной логикой.

РЕШЕНИЕ

Отдельные модели под каждую задачу

Мульти-модельный пайплайн: под каждый тип инцидента заложили свой сценарий детекции, а результаты объединили в единый контур алертов

Ложные срабатывания на реальном объекте

Для ТЦ критично не просто видеть инцидент, а не перегружать службы эксплуатации и безопасности ложными алертами

РЕШЕНИЕ

Приоритизация алертов

Учет типа инцидента, его критичности, зоны объекта и повторяемости события, чтобы объединять дублирующие тревоги и направлять сигнал сразу в нужную службу

<5

ложных тревог в день на камеру

>85%

точности по каждой критичной детекции

5

детекций в одном рабочем контуре

Команда, которая внедрила проект

Алексей Цибульников

Python backend-разработчик

Дмитрий Соркин

DevOps-инженер

Дмитрий Долгин

Tech Lead

Марк Яговкин

Руководитель разметки данных

Константин Порошкин

ML-инженер

Никита Латышонок

CV-инженер

Виктор Дупляков

Full-stack разработчик

Проект запущен в работу

Скоро здесь будут

обновления

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.