Den ene kameraten er uten hjelm, den andre er uten hansker.
I produksjonen er det mange ikke veldig gode kameraer, som ikke de mest oppmerksomme bestemødrene ser på. Mer presist blir de rett og slett gale der av monotonien og ser ikke alltid hendelser. Så ringer de sakte, og hvis det var på vei inn i en farlig sone, er det noen ganger ingen vits i å ringe verkstedet, du kan gå rett til arbeiderens slektninger.
Fremgangen har nådd det punktet hvor roboten kan se alt og gi et piskeslag til alle som bryter det. For eksempel ved å påminne på SMS, ved en lett strømutladning til sirenen, ved vibrasjon, ved et ekkelt knirk, ved et glimt av sterkt lys, eller ganske enkelt ved å si ifra til lederen.
Betong:
- Det er veldig lett å kjenne igjen folk uten hjelm. Til og med skallete. Hvis vi så en person uten hjelm, ble det sendt et umiddelbar varsel til operatør eller verkstedleder.
- Det samme gjelder briller og hansker i farlige industrier, beltesele (selv om vi kun ser på karabinkroken foreløpig), refleksvester, åndedrettsvern, hårhetter og annet PPE. Nå er systemet opplært til å gjenkjenne 20 typer Sizov.
- Du kan telle personene på nettstedet nøyaktig og ta hensyn til når og hvor mange av dem var der.
- Du kan slå alarm når en person kommer inn i en farlig sone, og denne sonen kan konfigureres ut fra at maskinene starter og stopper.
Og så videre. Det enkleste eksemplet er fargedifferensieringen av murere og betongstøpere basert på fargen på hjelmen deres. For å hjelpe roboten. Tross alt, å leve i et samfunn uten fargedifferensiering er å ha ingen hensikt.
Hvordan de stjeler på en byggeplass
En type vanlig tyveri er når en entreprenør lovet å bringe 100 arbeidere til stedet, men faktisk brakte 40-45. Og huset bygges og bygges. Likevel er det ingen som kan telle dem nøyaktig. Som i den berømte vitsen: Hvis en bjørn slår seg ned på en byggeplass og spiser folk, vil ingen legge merke til det. På samme måte har totalentreprenøren ingen mulighet til å kontrollere mannskapene. Mer presist, selv om du bruker ACS, vil han fortsatt bli lurt, .
Vanligvis er det ingen adgangskontrollsystemer på byggeplasser eller de er bare ved inngangen.
Vi dro for å utveksle erfaringer med høyt utviklede sivilisasjoner og så at hvert yrke (mer presist, rolle) har sin egen hjelmfarge. Her legger murerne mursteinene - de har blå hjelmer, hellerne tømmer betongen - de har grønne, alle slags smarte folk som går rundt - de har gule, så du må gjøre "ku" to ganger foran dem. Og så videre.
Og alt dette er nødvendig for veldig enkelt å oppdage hver rolle. Anlegget har flere titalls ganske billige kameraer som produserer noe sånt som 320x200 i farger. Arbeidere telles av hjelmene i sanntid, og hvert kamera tildeles en spesifikk byggeplass. Som et resultat, på slutten av dagen, blir alt dette sydd sammen i analyser for å registrere tidsplaner etter sone: hvem jobbet, i hvilken mengde og i hvilket område.
Generelt har vi tatt i bruk erfaring. Bare mens vi så nøye på det, gikk nevrale nettverk langt frem, og mange nye detektorer dukket opp. For bare noen få år siden var de ganske lunefulle og ustabile, men nå lar de deg fange de mest interessante situasjonene veldig nøyaktig. Ikke minst på grunn av prosesseringshastigheten gjør detektorer ofte feil på enkeltbilder, men på en videostrøm med mindre vinkelendringer får vi et utmerket praktisk resultat.
Hva om jeg setter den andre hjelmen på beltet?
Først fikk vi vite at en arbeider kunne få to hjelmer og sette en av dem på rumpa. Vi har nå to detektorer samtidig: søker etter et skjelett og bestemmer en fargeflekk som matcher toppunktet til dette skjelettet, og søker etter objekter som beveger seg synkront. Den andre metoden viste seg å være lettere å oppdage: for eksempel blir en person med hjelm på baken nesten aldri inspisert av denne hjelmen. For for å gjøre dette må du rotere hodet. Og denne bevegelsen er veldig lett å oppdage. Mer presist, vi vet ikke nøyaktig hva som faktisk oppdages der (det er et nevralt nettverk), men det lærte veldig raskt og fanger overtredere, kan man si, ved deres gange.
Vi bygger en modell av en person.
Da bygger vi rett og slett et varmekart i sanntid og rapporterer på slutten av dagen.
Følgelig, ved å bruke samme prinsipp - ved å trene et nevralt nettverk - oppdages følgende lett:
- Hjelmer.
- Badekåper.
- Vester.
- Støvler.
- Hår som stikker.
- Sikkerhetskarabiner.
- Åndedrettsvern.
- Beskyttelsesbriller.
- Riktig bruk av jakke (viktig for elektrisk utstyr: det kan forårsake støt i maskinrommet ved produksjon).
- Flytting av store instrumenter utenfor omkretsen.
Totalt er 29 detektorer allerede testet. Det eneste poenget er at siden vi jobber i farlige bransjer som kjemi eller gruvedrift, er det krav til hanskertypene. For eksempel lang og kort. I dette tilfellet må de ha forskjellige farger: det er veldig vanskelig å bestemme lengden under ermet ved hjelp av et videokamera.
Men her var det ofte tilfeller av rotter. Vi har ikke en egen rottedetektor, men vi har en detektor for gjenstander som forstyrrer driften av maskinen:
Hva annet blir oppdaget?
Vi har testet detektorer i kjemiske anlegg, i gruveindustrien, i atomindustrien og på byggeplasser. Det viste seg at du med en liten innsats kan løse flere krav som tidligere ble løst av de samme bestemødrene, og forsøkte forbløffende å se noe i bildet gjennom dårlig oppløsning og dårlig bildefrekvens. Nærmere bestemt:
- Siden vi fortsatt bygger en skjelettmodell av hver arbeider, kan fall oppdages. Hvis den faller, kan du umiddelbart stoppe maskinen ved siden av den er plassert (i pilotimplementeringer var det ingen slik integrasjon, det var bare alarmer). Vel, det er hvis du har IoT.
- Selvfølgelig å være i farlige områder. Det er veldig enkelt, veldig nøyaktig og veldig nyttig for alle. På metallurgiske bedrifter jobber folk ved siden av kar av kokende stål; det er nyttig å herde stål, men noen ganger er det farlig å stå litt på feil side. Med tanke på driften av forskjellige komponenter og utstyr kan du endre disse farlige soner, angi en tidsplan for dem, og så videre.
- En annen veldig nyttig detektor om tilstedeværelsen av PPE overvåker ansattes ansvar og sjekker at de ikke er i fare. Her går bestemoren til regnskapsoppgaven på en svært ansvarlig måte og har på seg all PPE som kreves for henne. Prisverdig!
Det var veldig enkelt å implementere atferdskontroll – enten den ansatte sov eller ikke. Mens vi testet alt dette, utviklet reglene seg fra "Det må være en person i en grønn hjelm i dette området" til "I dette området må en person i en grønn hjelm bevege seg." Så langt har det bare vært én smart fyr som fant ut brikken og skrudde på viften, men også dette viste seg å være enkelt å fikse.
Det var veldig viktig for kjemikere å registrere alle typer damp- og røykstråler. I oljeindustrien - integriteten til rør. Brann er vanligvis en standard detektor. Det er også sjekk av lukkede luker.
Glemte ting oppdages på samme måte. Vi testet dette på en av stasjonene for et par år siden, der gir det nesten ingen mening på grunn av det store antallet arrangementer. Men i fabrikker, spesielt kjemiske, er det veldig praktisk å overvåke ting i et rent område.
Interessant nok kan vi lese avlesningene til enheter i kameraområdet direkte fra videoanalyse. Dette er relevant for de samme kjemikerne hvis produksjonskomplekser har høy fareklasse. Enhver endring, som å bytte ut en sensor, betyr en re-koordinering av prosjektet. Det er langt, dyrt og smertefullt. Mer presist er det LANGT, DYRT og SMERTEfullt. Derfor vil tingenes internett komme sent for dem. Nå vil de ha videoovervåking på målere og lese data, raskt svare på dem og redusere tap på grunn av uventet og ubemerket utstyrssvikt. Basert på gjeldende målerdata kan du bygge en digital tvilling av bedriften, implementere prediktivt vedlikehold og reparasjon, men det er en helt annen historie... Vi har allerede kontroll: vi skriver nå proaktive analyser basert på totalen av data. Og separat - en batterierstatningsprediksjonsmodul.
En annen utrolig ting - det viste seg at i kornmagasiner og i lagring av materialer som knust stein, kan du skyte en haug fra 3-4 vinkler og bestemme kantene. Og etter å ha bestemt kantene, gi volumet av korn eller materiale med en feil på opptil 1%.
Den siste detektoren vi skrev om var å overvåke førertrøtthet, som "nikk", gjesping og blinkefrekvens. Dette er for HD-kameraer hvor øynene er synlige. Mest sannsynlig vil den bli installert i kontrollrom. Men hovedbehovet er BelAZ og KamAZ lastebiler for steinbrudd. Noen ganger faller biler ned der, så nå på gruvestedet er de tvunget til å finne på noe for å kontrollere sjåføren. Roboten er bedre enn bestemor.
Om biler. For eksempel brukes temaet tretthetskontroll aktivt av bilprodusenter, ikke bare BelAZ, KamAZ og andre MAZ-kjøretøyer. Produsenter bygger allerede tretthetsvarsling for førere inn i vanlige vanlige biler, men så langt har de ganske enkle løsninger som kun analyserer bilens posisjon i forhold til markeringene og rattbevegelsens natur. Vi gikk videre og oppdaget menneskelig atferd, som er mye mer kompleks.
Et annet tilfelle av sjåførovervåking er påvisning av feil oppførsel ved bruk av bildelingsmaskiner. Du kan ikke snakke i telefonen uten håndfri, spise, drikke, røyke og mye mer.
Å, og en siste ting. Vi har i flere år nå kunnet spore et objekt mellom kameraer – når for eksempel noe ble stjålet, må du sjekke hvilken vei og hvordan. Hvis det er 100 kameraer på anlegget, vil du bli utslitt av å løfte materialet. Og da vil systemet automatisk generere en actionfylt thriller om Ocean og vennene hans.
Hva er forskjellen fra systemet for to år siden? Nå er dette ikke bare anerkjennelse som "en skallet mann i en oransje jakke forlot en celle og gikk nesten umiddelbart inn i en annen," men en matematisk modell av rommet bygges, og basert på den bygges hypoteser om objektets bevegelse. Det vil si at alt dette begynte å fungere i områder med overlapping og steder med blinde flekker, noen ganger omfattende. Og detektorene er nå mye bedre, fordi det finnes biblioteker som bestemmer alder for ansikt. På HD-kameraer kan du angi orienteringer som "en 30 år gammel mann med en 35 år gammel kvinne."
Så kanskje om 5-7 år avslutter vi produksjonen og drar hjem til deg. For sikkerhet. Dette er i din egen interesse, borger!
referanser
- Min mail - [e-postbeskyttet]
Kilde: www.habr.com