Инцидент уже случился. Служба безопасности поднимает запись, находит нужный кадр — и выясняется, что нарушение было в кадре всё это время, просто его никто не смотрел в нужный момент. После такого разбора у задачи появляется срок: не "когда-нибудь автоматизируем", а к следующей проверке, к запуску объекта, к смене регламента.

Дальше — три пути. 

Заказать разработку с нуля: дольше и дороже, но оправданно, если задача, действительно, уникальная и сценарии нестандартные

• Купить готовое коробочное решение под вашу задачу: работает стабильно, но шаблонно, как это заложено вендором
• Взять платформу видеоаналитики — готовые AI-модули, которые подключаются к камерам, которые уже работают, и настраиваются под конкретный процесс. Это путь для тех, у кого задача типовая, своей ML-команды нет, а на запуск — недели, а не полгода-год: производство, логистика, ритейл, служба безопасности, госструктуры, интеграторы. 

В данной статье мы поговорим о платформе видеоаналитики и границах ее применимости.

Видеонаблюдение и видеоаналитика — не одно и то же

Видеонаблюдение фиксирует. Видеоаналитика реагирует. Разница в том, кто или что смотрит на поток в реальном времени.

Один оператор физически не удержит внимание на трёх-четырёх десятках лент — особенно в монотонной смене с высокой проходимостью. Мы видели это на одном из клиентских объектов: операторы рентгеновских установок к концу смены теряют концентрацию, и вероятность пропустить режущий предмет или аккумулятор в багаже растёт независимо от квалификации: человек устаёт. Для этой задачи мы разработали АРМ оператора, решение, которое подсвечивает опасные предметы на рентгенограмме.

Второй вопрос, который проводит черту между видеонаблюдением и видеоаналитикой: что происходит с записью до инцидента? В системах видеонаблюдения факт фиксируется, но система молчит, пока что-то не случится. К моменту "разбора полетов" оборудование уже простаивает, травма уже произошла, машина уже уехала. Видео доказывает, но не предупреждает.

Третья точка разрыва — масштаб. Один объект более-менее управляем вручную. Когда их десять и они в разных городах, контроль через людей перестаёт работать математически: смены, люди, внимание — всё это не масштабируется линейно. Здесь и возникает задача для платформы видеоаналитики: разметить поток событий так, чтобы человек включался только там, где без него не обойтись.

Три пути: разработка с нуля, коробочное решение или платформа

1. Разработка с нуля. Вы приходите с задачей — команда собирает датасет, размечает данные, обучает модель, тестирует на вашем оборудовании, интегрирует в инфраструктуру. Всё под вашу специфику: углы камер, освещение, тип объектов, логика реакций. Средний бюджет — от 4 млн рублей, срок от полугода. Путь оправдан, когда задача действительно уникальная: нестандартный объект, специфическая точность, сценарий, которого нет в готовых решениях. Мы в NeuroCore тоже создаем такие решения.
2. Коробочное решение. Готовый продукт под одну функцию — например, турникет с распознаванием лиц или датчик подсчёта людей. Устанавливается быстро, работает предсказуемо. Ограничение одно: сменить логику срабатывания, добавить новую зону, подключить к вашей VMS или ERP — в большинстве случаев нельзя. Подходит, если задача одна, типовая и меняться не будет.
3. Платформа видеоаналитики. Набор готовых AI-модулей — биометрия, распознавание номеров, подсчёт людей, детекция событий, — которые подключаются к вашим камерам без замены инфраструктуры. Под клиента настраиваются зоны кадра, пороги срабатывания, маршруты уведомлений и интеграции с внешними системами. Типовой сценарий доходит до рабочего пилота за месяц.

Если коротко: разработка с нуля — когда готового решения под вашу задачу нет. Коробка — когда требуется один понятный сценарий.  Платформа — когда задача типовая, нужна гибкость и срок подключения камер к видеоаналитике идет на недели.

Как устроена платформа видеоаналитики от NeuroCore - NeuroVision

Наше ИИ-решение платформа NeuroVision подключается к существующим камерам по RTSP и запускает на видеопотоке готовые AI-модули: контроль СИЗ, детекция событий, распознавание лиц и номеров, подсчёт людей, анализ действий. Менять камеры или видеоинфраструктуру не нужно — платформа, как правило, работает поверх того, что уже установлено.

• Под каждый объект настраиваются зоны кадра, пороги срабатывания, расписания и маршруты уведомлений.
• Модели к этому моменту уже обучены — клиент не ждёт, пока команда соберёт датасет и запустит обучение с нуля.
• Если типового модуля для задачи достаточно, пилот занимает около месяца.
• Для государственных и инфраструктурных заказчиков платформа разворачивается локально: видео, события и отчёты остаются в контуре заказчика или на серверах в РФ, без передачи во внешние зарубежные сервисы. Стек импортонезависимый. Биометрический модуль распознавания лиц представлен в базе NIST — это относится к биометрическому направлению, а не ко всей платформе.

Кому подходит видеоаналитика на платформе

У нас 3 основные направления, откуда получаем запросы на подключение к NeuroVision:

1. B2B. Промышленность, строительство, логистика, ритейл, агро, транспорт, банки, сервисные сети и распределённые объекты — там, где камеры считают людьми, а событий больше, чем человек успевает обработать. Контроль СИЗ на площадке, очереди на кассе, проезд транспорта, дефекты на линии.
2. B2G. Государственные организации, транспортная безопасность, критическая инфраструктура, городские и региональные объекты. Здесь к функциям добавляются требования к данным: хранение и обработка внутри страны, локальное развёртывание, импортонезависимый стек.
3. Интеграторы. ИТ-, VMS- и security-интеграторы, поставщики оборудования, которым нужен AI-слой для проекта без собственной ML-команды. Платформа подключается white-label и закрывает аналитическую часть, пока интегратор остаётся лицом проекта перед заказчиком.

Что платформа NeuroVision умеет распознавать

Модули в NeuroVision собраны под задачи, которые чаще всего возникают у компаний с большим количеством камер и объектов. Вот основные группы.

Безопасность и охрана труда. Платформа отслеживает, правильно ли одеты сотрудники в рабочей зоне: есть ли каска, надета ли куртка, не закатаны ли рукава. Отдельный сценарий — контроль входа в опасные зоны: система фиксирует каждое пересечение периметра и сразу уведомляет ответственного. На объектах с досмотровым оборудованием, например, в аэропортах — модуль подключается к рентгеновским установкам и помогает оператору: подсвечивает на снимке ножи, огнестрельное оружие, литиевые аккумуляторы. Это не заменяет человека, а снижает вероятность пропуска при высокой загрузке.

Доступ и транспорт. Платформа распознаёт лица и сверяет их с базами — для пропускного режима или выявления нежелательных лиц на объекте. Распознавание автомобильных номеров фиксирует въезды и выезды, классифицирует транспорт по типу и отслеживает передвижение техники по территории. Алгоритм распознавания номеров NeuroCore в 2020 году занял первое место на профессиональном конкурсе в Казани.

Процессы и операционный контроль. Модули считают людей в очереди и фиксируют скопления, это актуально для предприятий торговли или транспортных узлов. На производстве система выявляет дефекты на линии и считает объекты. На складе отслеживает операции с товаром.

Отраслевые сценарии. Часть модулей собрана под конкретные отрасли. Например, для агропромышленного сектора NeuroCore разработал систему оценки упитанности скота: камера с 3D-лидаром строит карту глубины тела животного, алгоритм по этим данным рассчитывает индекс массы. Это нужно фермам, где тысячи голов и визуально отследить отклонения у каждого животного вручную невозможно.

Если задача попадает в одну из этих групп, она запускается на готовом модуле и настраивается под зоны и пороги конкретного объекта. Если задача близкая, но не совпадает точно, модуль берётся за основу и дорабатывается. С нуля собирается только то, чему аналога действительно нет.

Какие модули есть в NeuroVision

Безопасность и охрана труда

• Распознавание СИЗ — каски, перчатки, спецодежда
• Распознавание дыма и огня — выявление признаков возгорания на ранней стадии
• Распознавание курения — фиксация фактов в запрещённых и пожароопасных зонах
• Выявление падений людей — мгновенное уведомление для оперативного реагирования
• Распознавание поз и действий человека — выявление подозрительных действий и нарушений

Доступ, транспорт и территория

• Распознавание номеров автомобилей (ANPR) — автоматизация пропускного режима
• AI-классификация транспорта — гражданский и спецтранспорт в реальном времени
• Распознавание номеров железнодорожных вагонов — учёт подвижного состава
• Распознавание лиц и биометрия — идентификация по изображению
• Анализ дорожного трафика — мониторинг транспортных потоков и фиксация инцидентов

Люди и аудитория

• Выявление очередей и скоплений людей — контроль перегруженных зон
• Анализ аудитории — пол, возраст, эмоции для понимания клиентского потока
• Распознавание одежды и внешних атрибутов — поиск по описанию на видео

Досмотр и специализированные данные

• Анализ X-ray изображений для интроскопов — обнаружение запрещённых предметов в багаже

Ритейл и общепит

• Распознавание блюд и классификация заказов — детекция подносов и сверка состава
• Распознавание логотипов и символики — контроль размещения брендов в видео и фото

Страхование и техника

• Оценка повреждений автомобилей — классификация по типу и степени

Если нужного сценария в списке нет — это не значит, что задача нереализуема. Часть модулей берётся за основу и дорабатывается под специфику объекта, часть собирается с нуля. Какой путь подходит для вашей задачи, разберём на техническом разборе. 

Как поток с камеры превращается в событие

Платформа видеоаналитики работает по понятным шагам:

• Поток с камеры по RTSP приходит в нужный модуль. Модуль на каждом кадре ищет своё: каску и спецодежду, фигуру человека в опасной зоне, номер автомобиля, лежащего человека, скопление людей у точки. 
   
• Как только модуль находит то, что описано как событие, платформа его фиксирует и запускает то, ради чего всё затевалось:
  - сохраняет кадр или короткий фрагмент как доказательство — больше не нужно отматывать архив, чтобы понять, что произошло;
  - пишет строку в журнал событий с временем, камерой, типом нарушения и объектом;
  - отправляет уведомление ответственному — в интерфейс, Telegram или на почту;
  - передаёт данные по API в ERP, WMS, СКУД или VMS;
  - при необходимости запускает реакцию: задачу, сигнал, открытие шлагбаума.
   
• Дальше данные собираются в отчёт — по объекту, смене, зоне или периоду. Поверх журнала событий работает языковая модель: она читает весь поток зафиксированных событий и формулирует выводы обычным текстом — что произошло, где повторяется, что требует внимания. 
  
  Модель замечает паттерны, которые в потоке строк не видны. Если один и тот же сотрудник за смену трижды заходит в опасную зону без каски — журнал покажет три строки, а языковая модель скажет: это системное нарушение, а не случайность, разберитесь с конкретным человеком. Руководитель получает не лог на двести позиций, а короткий разбор смены с приоритетами.

Где заканчивается настройка и начинается разработка

Граница применимости платформы видеоаналитики проходит на уровне модели: обучена ли она или нужно обучать с нуля.

Если объект, который нужно детектировать, входит в один из готовых классов — человек, каска, автомобильный номер, лицо, зона пересечения, очередь, предмет на рентгенограмме, животное — платформа запускает нужный модуль и настраивает его под ваш объект. 

Настройка означает: обозначить полигоны зон на кадре, задать минимальный порог confidence для срабатывания, выбрать логику реакции и маршрут уведомления. Модель при этом не дорабатывается — она уже обучена на достаточном объёме данных, и вашему объекту не нужен отдельный датасет. 

Разработка начинается там, где объект нестандартный: специфический дефект на производственной линии, уникальный тип оборудования, нестандартный ракурс или условия съёмки, при которых существующая модель даёт неприемлемое количество ложных срабатываний. В этом случае нужен собственный датасет: сбор видеоматериала на объекте, разметка, обучение, валидация на отложенной выборке. Платформа остаётся каркасом для инференса и интеграций, но перед ней стоит отдельная инженерная работа — и она измеряется не неделями.

Определить, к какому случаю относится задача, обычно можно на первом созвоне: достаточно показать видео с объекта и описать, что именно должна фиксировать система.

Как выглядит запуск пилота на платформе видеоаналитики

Пилот занимает от месяца и идет поэтапно. Сначала ваши камеры подключаются к платформе — менять видеонаблюдение не нужно, потоки берутся с тех камер, что уже у вас установлены. 

Затем под ваш процесс настраиваются типовые сценарии: 

• какие зоны контролировать,
• что считать нарушением,
• кому и куда направить алерт/уведомление/сигнал

После этого делаем замер метрик на ваших же данных, по итогам которого готовится предложение по тиражированию на ваши остальные объекты.

Запуск возможен онлайн, офлайн, в облаке или в локальном контуре, в зависимости от ваших требований к данным. За месяц на вашем потоке будет видно главное: сколько событий модуль детектирует и распознает, сколько даёт ложных тревог, и что донастроить перед масштабированием.

Что из этого уже работает на объектах

NeuroCore работает в AI-разработке с 2017 года: 60+ нейросетей, 18+ модулей видеоаналитики, внедрения в промышленности, логистике, агро, транспортной безопасности и госсекторе. 

Среди заказчиков — Ростелеком, Внуково, РУСАЛ, Газпром, Росгвардия, Министерство транспорта РФ, Ferrero, ВкусВилл и другие. Ниже — несколько кейсов про наши ИИ-решения с видеоаналитикой:

Автоматизация досмотра в аэропорту

При высокой пропускной способности оператор рентгеновской установки физически не успевает одинаково внимательно читать каждый снимок — особенно в конце смены. 

Система видеоаналитики встраивается в существующий интроскоп без модификации оборудования: анализирует X-ray изображения в реальном времени и подсвечивает оператору зоны с потенциально запрещёнными предметами. Скорость досмотра выросла на 30%, точность детекции по ключевым классам угроз — до 80%. Новый класс добавляется в датасет из 30 000+ снимков и выходит в работу за 1–2 недели.

Логистика и входной контроль

Перед погрузкой кузов фуры нужно проверить: повреждения и несоответствие геометрии означают риск для груза.

Раньше это делали вручную — рулеткой и визуально, и занимало это время, несоразмерное с ценой ошибки. LiDAR-система сканирует кузов за 7 секунд, строит 3D-модель, проверяет внутреннюю геометрию и передаёт статус допуска оператору и водителю. Оформление запрета загрузки — менее минуты. Количество повреждённых грузов снизилось до 30%.

Видеоаналитика для выявления уровня упитанности КРС

На крупной ферме регулярно осматривать каждое животное вручную невозможно — при поголовье от 3000 голов это не вопрос желания, а вопрос математики. Система на базе камеры и LiDAR фиксирует корову при проходе через зону доения, анализирует 100 000 точек облака и рассчитывает индекс упитанности BCS. Каждое животное проходит через систему трижды в сутки; ветеринар видит отклонения в тот же день. Проверка занимает 3–4 секунды — против 2 минут ручного осмотра.

Каждый из этих модулей прошёл пилот на реальных данных и передан в промышленную эксплуатацию.

Когда платформа видеоаналитики — правильный выбор

Три признака, что задача платформенная: камеры уже стоят, событие, которое нужно ловить, укладывается в один из готовых классов детекции, и ждать полгода нет возможности. Если хотя бы одно условие не выполняется — стоит обсудить, прежде чем выбирать формат.

Для этого мы проводим технический разбор задачи бесплатно: смотрим на источники данных, ограничения инфраструктуры и требования к точности, и говорим прямо — это случай готового модуля, пилот под вашу специфику или кастомная разработка. 

Оставьте заявку на сайте или напишите напрямую в Telegram — разберём ваш сценарий и расскажем, какой способ внедрения интеллектуальной видеоаналитики подходит вашему бизнесу:

 Оставить заявку в форме ниже |  Написать нам в ТГ