Логистика, промышленность, охрана труда

ИИ-система распознавания людей в зоне работы погрузчика

Автоматический контроль опасных ситуаций при движении погрузчиков с онлайн-предупреждением персонала и аналитикой инцидентов в промышленных цехах и складских комплексах.

NDA

Заказчик Крупная промышленная группа (NDA), входит в топ-3 в России по производству металлургической продукции и один из крупнейших мировых производителей глинозёма и металлов

Задача Снижение травматизма на производственных и складских объектах за счёт внедрения ИИ и автоматического выявления опасных ситуаций при движении погрузчиков и персонала.

О проекте

ИИ-система видеоаналитики для контроля движения погрузочной техники и персонала в зонах повышенного риска.

Решение в реальном времени выявляет опасные сценарии, автоматически оповещает сотрудников и формирует данные для управляемого контроля безопасности и операционных процессов.

NDA

на 25%

больше эпизодов попадает в управляемый контур контроля по сравнению с ручным наблюдением.

Фиксация рабочих сценариев на объекте

Определили реальные траектории движения погрузчиков, зоны пересечения с персоналом и точки установки камер, где контроль критичен для безопасности и процессов.

Edge-архитектура и интеграция с инфраструктурой

Построили локальную систему обработки видеопотоков с подключением камер, интернет-реле и светофорной индикации без вмешательства в действующие процессы.

Обучение и адаптация CV-модели под объект

Настроили модель распознавания погрузчиков и людей с учётом геометрии сцены, зон интереса и реальных условий эксплуатации.

Контур управления и контроля

Реализовали интерфейс для настройки зон, просмотра событий, управления пользователями и анализа зафиксированных ситуаций.

Промышленный запуск и сопровождение

Провели тестирование, запустили систему в эксплуатацию и обеспечили удалённую поддержку и развитие решения.

Точность ИИ здесь зависела не от модели, а от физики сцены

Мы экспериментально определили минимальный и оптимальный размер погрузчика и человека в пикселях, чтобы выбрать правильные точки установки камер и добиться стабильной детекции.

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

Контроль доступности проезда для погрузчика

Для принятия корректного решения системе было критично понимать, открыты ли ворота и может ли погрузчик заехать в зону. Классические методы компьютерного зрения давали нестабильный результат из-за изменений освещения, ракурса и погодных условий.

РЕШЕНИЕ

Использовали статичный QR-код как маркер состояния ворот

Если код присутствует в кадре — ворота закрыты, если перекрыт объектом — открыты. Это обеспечило детерминированное и устойчивое определение состояния сцены без усложнения модели.

Ложные срабатывания из-за схожих объектов в кадре

В кадр попадали объекты, визуально схожие с погрузчиком, что приводило к ложным срабатываниям и снижало доверие к системе со стороны персонала.

РЕШЕНИЕ

Ввели настройку зон интереса (ROI) на уровне камер

Это позволило исключить нерелевантные области из анализа и повысить стабильность работы системы в реальных условиях эксплуатации.

Эксплуатация системы без роста нагрузки на персонал

Для промышленного внедрения было важно, чтобы система не требовала постоянного ручного контроля, сложной поддержки и отдельной ИТ-команды на объекте.

РЕШЕНИЕ

Реализовали веб-интерфейс конфигурации и мониторинга

Настройка камер и зон, управление пользователями, автоматическая проверка работоспособности компонентов и сбор статистики. Это позволило встроить систему в существующие процессы без увеличения операционной нагрузки.

100% локально

обработка данных на объекте

24/7 контроль

безопасность и снижение (предотвращение) штрафов

1 интерфейс

для управления системой

Команда, которая внедрила проект

Виктор Дупляков

Full-stack разработчик

Константин Порошкин

ML-инженер

Фёдор Головин

Project Manager

Дмитрий Соркин

DevOps-инженер

Марк Яговкин

Руководитель разметки данных

Михаил Моисеев

CV-инженер

Планы на будущее:
Масштабирование системы на новые объекты и расширение логирования событий.

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.