ProHoster > Blogs > Administrācija > Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)
Viens biedrs bez Ä·iveres, otrs bez cimdiem.

RažoÅ”anā ir daudz ne pārāk labu kameru, kurās skatās ne tās vērÄ«gākās vecmāmiņas. PrecÄ«zāk, viņi tur vienkārÅ”i trako no vienmuļības un ne vienmēr redz incidentus. Tad viņi zvana lēnām, un, ja tas bija iebraukÅ”ana bÄ«stamā zonā, tad dažreiz nav jēgas zvanÄ«t uz darbnÄ«cu, varat doties tieÅ”i pie darbinieka radiniekiem.

Progress ir sasniedzis punktu, kurā robots var redzēt visu un dot sitienu ikvienam, kas to pārkāpj. Piemēram, atgādinot ar SMS, ar vieglu strāvas izlādi uz sirēnu, ar vibrāciju, ar nejauku čīkstÄ“Å”anu, ar spilgtas gaismas uzplaiksnÄ«jumu vai vienkārÅ”i paziņojot vadÄ«tājam.

Konkrēti:

  • Ir ļoti viegli atpazÄ«t cilvēkus bez Ä·iveres. Pat plikajiem. Ja redzējām cilvēku bez Ä·iveres, nekavējoties tika nosÅ«tÄ«ts brÄ«dinājums operatoram vai darbnÄ«cas vadÄ«tājam.
  • Tas pats attiecas uz aizsargbrillēm un cimdiem bÄ«stamās nozarēs, jostu siksnām (pagaidām gan skatāmies tikai uz karabÄ«ni), atstarojoŔām vestēm, respiratoriem, matu cepurēm un citiem IAL. Tagad sistēma ir apmācÄ«ta atpazÄ«t 20 Sizova veidus.
  • JÅ«s varat precÄ«zi saskaitÄ«t cilvēkus vietnē un ņemt vērā, kad un cik daudz no viņiem bija.
  • JÅ«s varat atskanēt trauksmes signālu, kad cilvēks nonāk bÄ«stamā zonā, un Å”o zonu var konfigurēt, pamatojoties uz to, ka maŔīnas ieslēdzas un apstājas.

Un tā tālāk. VienkārŔākais piemērs ir mÅ«rnieku un betona lēju krāsu diferenciācija, pamatojoties uz viņu Ä·iveres krāsu. Lai palÄ«dzētu robotam. Galu galā dzÄ«vot sabiedrÄ«bā, kurā nav krāsu atŔķirÄ«bas, nav mērÄ·a.

Kā viņi zog būvlaukumā

Viens no izplatÄ«tākajiem zādzÄ«bu veidiem ir gadÄ«jumi, kad darbuzņēmējs solÄ«ja uz objektu atvest 100 strādniekus, bet patiesÄ«bā atveda 40ā€“45. Un māja tiek celta un bÅ«vēta. Tomēr neviens nevar tos precÄ«zi saskaitÄ«t patiesÄ«bā. Kā slavenajā jokā: ja lācis apmetÄ«sies bÅ«vlaukumā un apēd cilvēkus, neviens to nepamanÄ«s. Tāpat Ä£enerāluzņēmējam nav iespēju kontrolēt brigādes. PrecÄ«zāk, pat ja jÅ«s izmantojat ACS, viņŔ joprojām tiks maldināts, tāpat kā Å”ajā ierakstā par terminatora kaÄ·i.

Parasti būvlaukumos nav piekļuves kontroles sistēmu vai arī tās ir tikai pie ieejas.

Devāmies pieredzes apmaiņā ar augsti attÄ«stÄ«tām civilizācijām un redzējām, ka katrai profesijai (precÄ«zāk, lomai) ir sava Ä·iveres krāsa. Te mÅ«rnieki liek Ä·ieÄ£eļus - zilas Ä·iveres, lējēji lej betonu - viņiem zaļi, visādi gudri cilvēki staigā apkārt - viņiem ir dzelteni, tāpēc priekŔā divreiz jādara ā€œkÅ«ā€. Un tā tālāk.

Un tas viss ir vajadzÄ«gs, lai ļoti viegli atklātu katru lomu. Iekārtā ir vairāki desmiti diezgan lētu kameru, kas rada kaut ko lÄ«dzÄ«gu 320x200 krāsām. Strādnieki tiek skaitÄ«ti pēc Ä·iverēm reāllaikā, un katrai kamerai tiek pieŔķirts konkrēts bÅ«vlaukums. Rezultātā dienas beigās tas viss tiek apvienots analÄ«zē, lai reÄ£istrētu grafikus pa zonām: kurÅ” strādāja, kādā daudzumā un kādā jomā.

Kopumā mēs esam pārņēmuÅ”i pieredzi. Tikai tad, kad mēs to rÅ«pÄ«gi apskatÄ«jām, neironu tÄ«kli panāca tālu uz priekÅ”u, un parādÄ«jās daudzi jauni detektori. Vēl pirms dažiem gadiem viņi bija diezgan kaprÄ«zi un nestabili, bet tagad tie ļauj ļoti precÄ«zi noÄ·ert interesantākās situācijas. Ne jau apstrādes ātruma dēļ detektori bieži kļūdās atseviŔķos kadros, bet video straumē ar nelielām leņķa izmaiņām mēs iegÅ«stam lielisku praktisku rezultātu.

Ko darīt, ja es pielikŔu pie jostas otro ķiveri?

Vispirms uzzinājām, ka strādnieks var dabÅ«t divas cietās cepures un vienu no tām uzlikt sev uz dibena. Tagad mums ir divi detektori uzreiz: skeleta meklÄ“Å”ana un krāsu plankuma noteikÅ”ana, lai tā atbilstu Ŕī skeleta virsotnei, un sinhroni kustÄ«gu objektu meklÄ“Å”ana. Otrā metode izrādÄ«jās vieglāk pamanāma: piemēram, cilvēku ar Ä·iveri uz dibena Ŕī Ä·ivere gandrÄ«z nekad nepārbauda. Jo, lai to izdarÄ«tu, jums ir jāpagriež galva. Un Ŕī kustÄ«ba ir ļoti viegli pamanāma. PrecÄ«zāk, mēs nezinām, kas Ä«sti tur tiek atklāts (tas ir neironu tÄ«kls), taču tas ļoti ātri iemācÄ«jās un pārkāpējus noÄ·er, varētu teikt, pēc gaitas.

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)
Mēs veidojam cilvēka modeli.

Tad mēs vienkārÅ”i izveidojam siltuma karti reāllaikā un atskaites dienas beigās.

Attiecīgi, izmantojot to paŔu principu, apmācot neironu tīklu, ir viegli noteikt:

  • Ķiveres.
  • Peldmēteļi.
  • Vestes.
  • Zābaki.
  • Matu pielÄ«mÄ“Å”ana.
  • DroŔības karabÄ«nes.
  • Respiratori.
  • DroŔības brilles.
  • Pareiza jakas valkāŔana (svarÄ«gi attiecÄ«bā uz elektroiekārtām: ražoÅ”anas laikā tas var izraisÄ«t triecienu maŔīntelpā).
  • Lielu instrumentu pārvietoÅ”ana ārpus perimetra.

Kopumā pārbaudīti jau 29 detektori. Vienīgais ir tas, ka, tā kā mēs strādājam bīstamās nozarēs, piemēram, ķīmijā vai kalnrūpniecībā, ir prasības attiecībā uz cimdu veidiem. Piemēram, garas un īsas. Šajā gadījumā tiem jābūt dažādās krāsās: ir ļoti grūti noteikt garumu zem piedurknes, izmantojot videokameru.

Bet Å”eit bieži bija žurku gadÄ«jumi. Mums nav atseviŔķa žurku detektora, taču mums ir detektors objektiem, kas traucē maŔīnas darbÄ«bu:

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)

Kas vēl tiek atklāts?

Mēs esam pārbaudÄ«juÅ”i detektorus Ä·Ä«miskajās rÅ«pnÄ«cās, ieguves rÅ«pniecÄ«bā, kodolrÅ«pniecÄ«bā un bÅ«vlaukumos. IzrādÄ«jās, ka ar nelielu piepÅ«li var atrisināt vēl vairākas prasÄ«bas, kuras iepriekÅ” risināja tās paÅ”as vecmāmiņas, satriekti mēģinot kaut ko saskatÄ«t attēlā caur slikto izŔķirtspēju un sliktu kadru ātrumu. Konkrēti:

  • Tā kā mēs joprojām veidojam katra strādnieka skeleta modeli, var konstatēt kritienus. Ja tas nokrÄ«t, jÅ«s varat nekavējoties apturēt maŔīnu, pie kuras tā atrodas (pilota implementācijās Ŕādas integrācijas nebija, vienkārÅ”i bija trauksmes). Tas ir, ja jums ir IoT.
  • Protams, atrodoties bÄ«stamās zonās. Tas ir ļoti vienkārÅ”i, ļoti precÄ«zi un ļoti noderÄ«gi ikvienam. MetalurÄ£ijas uzņēmumos cilvēki strādā pie verdoÅ”a tērauda tvertnēm, tēraudu ir lietderÄ«gi rÅ«dÄ«t, bet dažreiz ir bÄ«stami nedaudz stāvēt uz nepareizās puses. Ņemot vērā dažādu komponentu un iekārtu darbÄ«bu, jÅ«s varat mainÄ«t Å”os bÄ«stamos zonas, iestatiet tām grafiku utt.
  • Vēl viens ļoti noderÄ«gs detektors par IAL klātbÅ«tni uzrauga darbinieku atbildÄ«bu un pārbauda, ā€‹ā€‹vai viņiem nedraud. Å eit vecmāmiņa ļoti atbildÄ«gi pieiet grāmatvedÄ«bas uzdevumam un nēsā visus viņai nepiecieÅ”amos IAL. Apsveicami!

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)

Bija ļoti viegli ieviest uzvedÄ«bas kontroli ā€“ vai darbinieks guļ vai neguļ. Kamēr mēs to visu testējām, noteikumi attÄ«stÄ«jās no ā€œÅ ajā zonā ir jābÅ«t personai zaļā Ä·iverēā€ uz ā€œÅ ajā zonā cilvēkam ar zaļu Ä·iveri ir jāpārvietojasā€. LÄ«dz Å”im ir bijis tikai viens gudrs puisis, kurÅ” izdomāja mikroshēmu un ieslēdza ventilatoru, taču arÄ« tas izrādÄ«jās viegli labojams.

Ķīmiķiem bija ļoti svarīgi reģistrēt visa veida tvaika un dūmu strūklas. Naftas rūpniecībā - cauruļu integritāte. Ugunsgrēks parasti ir standarta detektors. Ir arī aizvērto lūku pārbaude.

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)

Aizmirstās lietas tiek atklātas tādā paŔā veidā. Vienā no stacijām pirms pāris gadiem Å”o izmēģinājām, tur no lielā pasākumu skaita gandrÄ«z nav jēgas. Bet rÅ«pnÄ«cās, Ä«paÅ”i Ä·Ä«miskajās, ir ļoti ērti uzraudzÄ«t lietas tÄ«rā vietā.

Interesanti, ka kameras apgabalā esoÅ”o ierīču rādÄ«jumus varam nolasÄ«t tieÅ”i no video analÄ«tikas. Tas attiecas uz tiem paÅ”iem Ä·Ä«miÄ·iem, kuru ražoÅ”anas kompleksiem ir augsta bÄ«stamÄ«bas klase. Jebkuras izmaiņas, piemēram, sensora nomaiņa, nozÄ«mē projekta atkārtotu saskaņoÅ”anu. Tas ir garÅ”, dārgs un sāpÄ«gs. PrecÄ«zāk, tas ir ILGI, DĀRGI un SĀPÄŖGI. Tāpēc lietu internets viņiem ieradÄ«sies vēlu. Tagad viņi vēlas videonovēroÅ”anu uz skaitÄ«tājiem un nolasÄ«t datus, ātri reaģēt uz tiem un samazināt zaudējumus negaidÄ«tas un nepamanÄ«tas iekārtas atteices dēļ. Pamatojoties uz paÅ”reizējiem skaitÄ«tāja datiem, varat izveidot uzņēmuma digitālo dvīņu, ieviest paredzamo apkopi un remontu, taču tas ir pavisam cits stāsts... Mums jau ir kontrole: tagad mēs rakstām proaktÄ«vu analÄ«zi, pamatojoties uz datu kopumu. Un atseviŔķi - akumulatora nomaiņas prognozÄ“Å”anas modulis.

Vēl viena neticama lieta - izrādÄ«jās, ka klētÄ«s un tādu materiālu kā Ŕķembu noliktavās var noÅ”aut kaudzi no 3-4 leņķiem un noteikt tās malas. Un, nosakot malas, norādiet graudu vai materiāla tilpumu ar kļūdu lÄ«dz 1%.

Pēdējais detektors, par kuru mēs rakstÄ«jām, bija vadÄ«tāja noguruma uzraudzÄ«ba, piemēram, "galvoÅ”ana", žāvāŔanās un mirgoÅ”anas biežums. Tas ir paredzēts HD kamerām, kur ir redzamas acis. Visticamāk, tas tiks uzstādÄ«ts vadÄ«bas telpās. Bet galvenā vajadzÄ«ba ir BelAZ un KamAZ kravas automaŔīnas karjeriem. Reizēm tur nokrÄ«t automaŔīnas, tāpēc tagad raktuvēs viņi ir spiesti kaut ko izdomāt, lai savaldÄ«tu vadÄ«tāju. Robots ir labāks par vecmāmiņu.

Par automaŔīnām. Piemēram, noguruma kontroles tēmu aktÄ«vi izmanto autoražotāji ne tikai BelAZ, KamAZ un citi MAZ transportlÄ«dzekļi. Ražotāji jau bÅ«vē autovadÄ«tāju noguruma brÄ«dinājuma sistēmas parastajās parastajās automaŔīnās, taču lÄ«dz Å”im viņiem ir diezgan vienkārÅ”i risinājumi, kas analizē tikai automaŔīnas stāvokli attiecÄ«bā pret marķējumu un stÅ«res kustÄ«bas raksturu. Mēs devāmies tālāk un atklājām cilvēku uzvedÄ«bu, kas ir daudz sarežģītāka.

Vēl viens autovadÄ«tāju novēroÅ”anas gadÄ«jums ir nepareizas uzvedÄ«bas atklāŔana, izmantojot automaŔīnu koplietoÅ”anas iekārtas. JÅ«s nevarat runāt pa tālruni, ja nav brÄ«vroku, ēst, dzert, smēķēt un daudz ko citu.

Bīstamās nozares: mēs jūs novērojam, %username% (video analytics)

Ak, un pēdējā lieta. Jau vairākus gadus starp kamerām varam izsekot kādam objektam ā€“ kad, piemēram, kaut kas nozagts, jāpārbauda, ā€‹ā€‹uz kuru pusi un kā. Ja objektā ir 100 kameras, tad materiāla celÅ”ana bÅ«s nogurusi. Un tad sistēma automātiski Ä£enerēs asa sižeta trilleri par OuÅ”enu un viņa draugiem.

Kāda ir atŔķirÄ«ba no sistēmas pirms diviem gadiem? Tagad tā nav tikai atpazÄ«Å”ana, piemēram, "pliks vÄ«rietis oranžā jakā izgāja no vienas kameras un gandrÄ«z uzreiz iegāja citā", bet tiek uzbÅ«vēts matemātiskais telpas modelis, un, pamatojoties uz to, tiek izvirzÄ«tas hipotēzes par objekta kustÄ«bu. Tas ir, tas viss sāka darboties apgabalos ar pārklāŔanos un vietās ar aklo zonu, dažreiz plaŔām. Un detektori tagad ir daudz labāki, jo ir bibliotēkas, kas nosaka vecumu pēc sejas. HD kamerās varat iestatÄ«t tādas orientācijas kā "30 gadus vecs vÄ«rietis ar 35 gadus vecu sievieti".

Tātad, iespējams, pēc 5-7 gadiem mēs pabeigsim ražoÅ”anu un dosimies uz jÅ«su mājām. DroŔībai. Tas ir jÅ«su paÅ”u interesēs, pilsoni!

atsauces

Avots: www.habr.com

Pievieno komentāru