Eén kameraad heeft geen helm, de tweede geen handschoenen.
In de productie zijn er veel niet erg goede camera's, waar niet de meest attente grootmoeders naar kijken. Om precies te zijn, ze worden daar gewoon gek van de eentonigheid en zien niet altijd incidenten. Dan bellen ze langzaam, en als het een gevaarlijke zone binnenging, heeft het soms geen zin om de werkplaats te bellen, je kunt rechtstreeks naar de familieleden van de werknemer gaan.
De vooruitgang heeft het punt bereikt waarop een robot alles kan zien en een zweep kan geven aan iedereen die deze regels overtreedt. Bijvoorbeeld door een herinnering via sms, door een lichte stroomafgifte naar de sirene, door trillen, door een akelig gepiep, door een flits van fel licht, of simpelweg door het aan de manager te vertellen.
Concreet:
- Het is heel gemakkelijk om mensen zonder helm te herkennen. Zelfs kale. Als we een persoon zonder helm zagen, werd er onmiddellijk een waarschuwing gestuurd naar de machinist of werkplaatschef.
- Hetzelfde geldt voor veiligheidsbrillen en handschoenen in gevaarlijke industrieën, harnasgordels (hoewel we voorlopig alleen naar de karabijnhaak kijken), reflecterende vesten, gasmaskers, haarkapjes en andere PBM's. Nu is het systeem getraind om twintig soorten Sizov te herkennen.
- Je kunt nauwkeurig de mensen op de locatie tellen en rekening houden met wanneer en hoeveel van hen er waren.
- U kunt alarm slaan als iemand een gevaarlijke zone betreedt, en deze zone kan worden geconfigureerd op basis van het starten en stoppen van de machines.
Enzovoort. Het eenvoudigste voorbeeld is de kleurdifferentiatie van metselaars en betongieters op basis van de kleur van hun helm. Om de robot te helpen. Leven in een samenleving zonder kleurdifferentiatie betekent immers dat je geen doel hebt.
Hoe ze stelen op een bouwplaats
Een veel voorkomende vorm van diefstal is wanneer een aannemer beloofde 100 werknemers naar de locatie te brengen, maar in werkelijkheid 40 à 45 werknemers meebracht. En het huis wordt gebouwd en gebouwd. Toch kan niemand ze in feite nauwkeurig tellen. Zoals in de bekende grap: als een beer zich op een bouwplaats vestigt en mensen opeet, zal niemand het merken. Op dezelfde manier heeft de hoofdaannemer geen enkele manier om de bemanningen te controleren. Om precies te zijn, zelfs als u ACS gebruikt, zal hij nog steeds worden misleid, .
Meestal zijn er op bouwplaatsen geen toegangscontrolesystemen of bevinden ze zich alleen bij de ingang.
We gingen ervaringen uitwisselen met hoogontwikkelde beschavingen en zagen dat elk beroep (meer precies, rol) zijn eigen helmkleur heeft. Hier leggen de metselaars de stenen - ze hebben blauwhelmen, de gieters gieten het beton - ze hebben groene, er lopen allerlei slimme mensen rond - ze hebben gele, dus je moet twee keer "ku" voor hen doen. Enzovoort.
En dit alles is nodig om elke rol heel gemakkelijk te detecteren. De faciliteit beschikt over enkele tientallen redelijk goedkope camera's die ongeveer 320x200 in kleur produceren. Werknemers worden in realtime geteld via hun helm en aan elke camera wordt een specifieke bouwplaats toegewezen. Het resultaat is dat dit alles uiteindelijk in analytics wordt samengevoegd om planningen per zone vast te leggen: wie heeft gewerkt, in welke hoeveelheid en op welk gebied.
Over het algemeen hebben we ervaring overgenomen. Pas toen we er goed naar keken, stapten neurale netwerken ver vooruit en verschenen er veel nieuwe detectoren. Nog maar een paar jaar geleden waren ze behoorlijk wispelturig en onstabiel, maar nu kun je de meest interessante situaties heel nauwkeurig vastleggen. Niet in de laatste plaats vanwege de verwerkingssnelheid maken detectoren vaak fouten op individuele frames, maar op een videostream met kleine hoekveranderingen krijgen we een uitstekend praktisch resultaat.
Wat moet ik doen als ik de tweede helm aan mijn riem doe?
Eerst leerden we dat een arbeider twee veiligheidshelmen kon pakken en er één op zijn achterwerk kon zetten. We hebben nu twee detectoren tegelijk: zoeken naar een skelet en bepalen van een kleurvlek die past bij de top van dit skelet, en zoeken naar synchroon bewegende objecten. De tweede methode bleek gemakkelijker te detecteren: een persoon met een helm op zijn achterwerk wordt bijvoorbeeld vrijwel nooit door deze helm geïnspecteerd. Omdat je hiervoor je hoofd moet draaien. En deze beweging wordt heel gemakkelijk gedetecteerd. Om preciezer te zijn: we weten niet wat daar precies wordt gedetecteerd (het is een neuraal netwerk), maar het leert heel snel en betrapt overtreders, zou je kunnen zeggen, op hun manier van lopen.
We bouwen een model van een persoon.
Dan bouwen we eenvoudigweg een heatmap in realtime en rapporteren aan het eind van de dag.
Dienovereenkomstig kunnen met behulp van hetzelfde principe – door een neuraal netwerk te trainen – de volgende gemakkelijk worden gedetecteerd:
- Helmen.
- Badjassen.
- Vesten.
- Boots.
- Vastzittende haren.
- Veiligheidskarabijnhaken.
- Ademhalingstoestellen.
- Beschermende bril.
- Het correct dragen van een jas (belangrijk bij elektrische apparatuur: deze kan bij productie een schok veroorzaken in de machinekamer).
- Grote instrumenten buiten de perimeter verplaatsen.
In totaal zijn er al 29 detectoren getest. Het enige punt is dat, aangezien we in gevaarlijke industrieën zoals de chemie of de mijnbouw werken, er eisen zijn aan de soorten handschoenen. Bijvoorbeeld lang en kort. In dit geval moeten ze verschillende kleuren hebben: het is erg moeilijk om de lengte onder de hoes te bepalen met behulp van een videocamera.
Maar hier waren er vaak gevallen van ratten. We hebben geen aparte rattendetector, maar wel een detector voor objecten die de werking van de machine verstoren:
Wat wordt er nog meer gedetecteerd?
We hebben detectoren getest in chemische fabrieken, in de mijnbouw, in de nucleaire industrie en op bouwplaatsen. Het bleek dat je met een beetje moeite nog een aantal vereisten kunt oplossen die eerder door dezelfde grootmoeders werden opgelost, terwijl je verbijsterd probeerde iets op de foto te zien door een slechte resolutie en een slechte framesnelheid. Specifiek:
- Omdat we nog steeds een skeletmodel van elke werknemer aan het bouwen zijn, kunnen valpartijen worden gedetecteerd. Als het valt, kun je de machine waarnaast het zich bevindt onmiddellijk stoppen (in pilot-implementaties was er geen dergelijke integratie, er waren alleen maar alarmen). Tenminste, als je IoT hebt.
- Natuurlijk, in gevaarlijke gebieden. Het is heel gemakkelijk, zeer nauwkeurig en zeer nuttig voor iedereen. Bij metallurgische bedrijven werken mensen naast vaten met kokend staal; het is handig om staal te harden, maar soms is het gevaarlijk om een beetje aan de verkeerde kant te staan. Rekening houdend met de werking van verschillende componenten en apparatuur, kun je deze gevaarlijke zones, stel er een schema voor op, enzovoort.
- Een andere zeer nuttige detector over de aanwezigheid van PBM’s bewaakt de verantwoordelijkheid van medewerkers en controleert of zij geen gevaar lopen. Hier gaat de grootmoeder zeer verantwoordelijk om met de boekhoudtaak en draagt ze alle voor haar benodigde PBM's. Prijzenswaardig!
Het was heel eenvoudig om gedragscontrole te implementeren, ongeacht of de werknemer sliep of niet. Terwijl we dit allemaal aan het testen waren, evolueerden de regels van “Er moet een persoon met een groene helm in dit gebied zijn” naar “In dit gebied moet een persoon met een groene helm bewegen.” Tot nu toe is er maar één slimme jongen geweest die de chip heeft ontdekt en de ventilator heeft aangezet, maar ook dit bleek eenvoudig op te lossen.
Voor scheikundigen was het van groot belang om allerlei soorten stoom- en rookstralen vast te leggen. In de olie-industrie - de integriteit van pijpen. Brand is over het algemeen een standaarddetector. Ook wordt er gecontroleerd op gesloten luiken.
Vergeten dingen worden op dezelfde manier gedetecteerd. Een paar jaar geleden hebben we dit getest op een van de stations, daar heeft het vanwege het grote aantal evenementen bijna geen zin. Maar in fabrieken, vooral in chemische fabrieken, is het erg handig om dingen in een schone ruimte te controleren.
Interessant is dat we de metingen van apparaten in het cameragebied rechtstreeks uit videoanalyse kunnen lezen. Dit is relevant voor dezelfde chemici wier productiecomplexen een hoge gevarenklasse hebben. Elke wijziging, zoals het vervangen van een sensor, betekent een hercoördinatie van het project. Het is lang, duur en pijnlijk. Om precies te zijn, het is LANG, DUUR en PIJNLIJK. Daarom zal het internet der dingen voor hen te laat komen. Nu willen ze videobewaking op meters en gegevens uitlezen, daar snel op reageren en verliezen als gevolg van onverwachte en onopgemerkte apparatuurstoringen verminderen. Op basis van de huidige metergegevens kun je een digitale tweeling van de onderneming bouwen, voorspellend onderhoud en reparatie implementeren, maar dat is een heel ander verhaal... We hebben de controle al: we schrijven nu proactieve analyses op basis van het geheel aan gegevens. En afzonderlijk - een voorspellingsmodule voor batterijvervanging.
Nog iets ongelooflijks: het bleek dat je in graanschuren en bij de opslag van materialen zoals steenslag een stapel vanuit 3-4 hoeken kunt schieten en de randen ervan kunt bepalen. En nadat u de randen hebt bepaald, geeft u het volume van het graan of materiaal op met een fout van maximaal 1%.
De laatste detector waar we over schreven was het monitoren van vermoeidheid van de bestuurder, zoals de frequentie van ‘knikken’, gapen en knipperen. Dit is voor HD-camera's waarbij de ogen zichtbaar zijn. Hoogstwaarschijnlijk zal het in controlekamers worden geïnstalleerd. Maar de grootste behoefte is aan BelAZ- en KamAZ-vrachtwagens voor steengroeven. Soms vallen daar auto's naar beneden, dus nu op de mijnsite moeten ze iets bedenken om de bestuurder onder controle te houden. De robot is beter dan oma.
Over auto's. Het onderwerp vermoeidheidsbeheersing wordt bijvoorbeeld actief gebruikt door autofabrikanten, niet alleen door BelAZ, KamAZ en andere MAZ-voertuigen. Fabrikanten bouwen al waarschuwingssystemen voor vermoeidheid van de bestuurder in gewone gewone auto's, maar tot nu toe hebben ze vrij eenvoudige oplossingen die alleen de positie van de auto analyseren ten opzichte van de markeringen en de aard van de stuurbeweging. We gingen verder en detecteren menselijk gedrag, dat is veel complexer.
Een ander voorbeeld van bestuurderstoezicht is het opsporen van foutief gedrag bij het gebruik van autodeelautomaten. Je kunt niet handsfree telefoneren, eten, drinken, roken en nog veel meer.
Oh, en nog een laatste ding. Sinds enkele jaren kunnen we een object tussen camera's volgen - wanneer er bijvoorbeeld iets gestolen is, moet je nagaan op welke manier en hoe. Als er 100 camera's in de faciliteit zijn, zul je uitgeput zijn bij het tillen van het materiaal. En dan genereert het systeem automatisch een actievolle thriller over Ocean en zijn vrienden.
Wat is het verschil met het systeem van twee jaar geleden? Dit is niet alleen een herkenning zoals 'een kale man in een oranje jasje de ene cel verliet en vrijwel onmiddellijk de andere binnenging', maar er wordt een wiskundig model van de kamer gebouwd, en op basis daarvan worden hypothesen over de beweging van het object gebouwd. Dat wil zeggen, dit alles begon te werken in gebieden met overlap en plaatsen met blinde vlekken, soms uitgebreide. En de detectoren zijn nu veel beter, omdat er bibliotheken zijn die de leeftijd per gezicht bepalen. Op HD-camera's kun je oriëntaties instellen zoals 'een 30-jarige man met een 35-jarige vrouw'.
Dus misschien zullen we over 5-7 jaar de productie beëindigen en naar uw huis gaan. Voor de veiligheid. Dit is in uw eigen belang, burger!
referenties
- Mijn mail - [e-mail beveiligd]
Bron: www.habr.com