En kamrat är utan hjälm, den andra utan handskar.
I produktionen finns det många inte särskilt bra kameror, som inte de mest uppmärksamma mormödrarna tittar på. Mer exakt, de blir helt enkelt galna där av monotonin och ser inte alltid incidenter. Sedan ringer de långsamt, och om det var på väg in i en farlig zon, då är det ibland ingen idé att ringa verkstaden, du kan gå direkt till arbetarens släktingar.
Framstegen har nått den punkt där roboten kan se allt och ge en pisk till alla som bryter mot det. Till exempel genom att påminna via SMS, genom en lätt urladdning av ström till sirenen, genom vibrationer, genom ett otäckt gnisslande, genom en blixt av starkt ljus eller helt enkelt genom att berätta för chefen.
Specifikt:
- Det är väldigt lätt att känna igen människor utan hjälm. Även kala sådana. Om vi såg en person utan hjälm skickades ett omedelbart larm till operatören eller verkstadschefen.
- Detsamma gäller skyddsglasögon och handskar i farliga industrier, bältesele (även om vi bara tittar på karbinhaken just nu), reflexvästar, andningsskydd, hårmössor och annan personlig skyddsutrustning. Nu är systemet tränat att känna igen 20 typer av Sizov.
- Du kan exakt räkna personerna på platsen och ta hänsyn till när och hur många av dem som var där.
- Du kan slå larm när en person kommer in i en farlig zon, och denna zon kan konfigureras utifrån att maskinerna startar och stannar.
Och så vidare. Det enklaste exemplet är färgdifferentieringen av murare och betonggjutare baserat på färgen på deras hjälm. För att hjälpa roboten. Att leva i ett samhälle utan färgdifferentiering är trots allt att ha inget syfte.
Hur de stjäl på en byggarbetsplats
En typ av vanlig stöld är när en entreprenör lovade att ta 100 arbetare till platsen, men i själva verket tog med sig 40-45. Och huset byggs och byggs. Ändå kan ingen exakt räkna dem i själva verket. Som i det berömda skämtet: om en björn slår sig ner på en byggarbetsplats och äter människor kommer ingen att märka det. På samma sätt har huvudentreprenören inget sätt att kontrollera besättningarna. Mer exakt, även om du använder ACS, kommer han fortfarande att bli lurad, .
Vanligtvis finns det inga passersystem på byggarbetsplatser eller så finns de bara vid entrén.
Vi gick för att utbyta erfarenheter med högt utvecklade civilisationer och såg att varje yrke (mer exakt roll) har sin egen hjälmfärg. Här lägger murarna tegelstenarna - de har blå hjälmar, hällarna häller betongen - de har gröna, alla sorters smarta människor som går runt - de har gula, så du måste göra "ku" två gånger framför dem. Och så vidare.
Och allt detta behövs för att mycket enkelt upptäcka varje roll. Anläggningen har flera dussin ganska billiga kameror som producerar ungefär 320x200 i färg. Arbetare räknas av sina hjälmar i realtid, och en specifik byggarbetsplats tilldelas varje kamera. Som ett resultat, i slutet av dagen, sammanfogas allt detta i analyser för att registrera scheman per zon: vem arbetade, i vilken kvantitet och i vilket område.
I allmänhet har vi anammat erfarenhet. Bara medan vi tittade noga på det, klev neurala nätverk långt fram, och många nya detektorer dök upp. För bara några år sedan var de ganska nyckfulla och instabila, men nu låter de dig fånga de mest intressanta situationerna mycket exakt. Inte minst på grund av bearbetningshastigheten gör detektorer ofta misstag på enskilda bildrutor, men på en videoström med mindre vinkelförändringar får vi ett utmärkt praktiskt resultat.
Vad händer om jag sätter den andra hjälmen på mitt bälte?
Först fick vi veta att en arbetare kunde få två hjälm och sätta en av dem på sin rumpa. Vi har nu två detektorer samtidigt: sökning efter ett skelett och bestämning av en färgfläck som matchar vertexen på detta skelett, och sökning efter objekt som rör sig synkront. Den andra metoden visade sig vara lättare att upptäcka: till exempel inspekteras en person med en hjälm på rumpan nästan aldrig av denna hjälm. För att göra detta måste du rotera huvudet. Och denna rörelse är mycket lätt att upptäcka. Mer exakt, vi vet inte exakt vad som faktiskt detekteras där (det är ett neuralt nätverk), men det lärde sig mycket snabbt och fångar överträdare, kan man säga, genom deras gång.
Vi bygger en modell av en person.
Sedan bygger vi helt enkelt en värmekarta i realtid och rapporterar i slutet av dagen.
Följaktligen, med samma princip - genom att träna ett neuralt nätverk - kan följande lätt upptäckas:
- Hjälmar.
- Badrockar.
- Västar.
- Stövlar.
- Stickande hår.
- Säkerhetskarbinhakar.
- Andningsskydd.
- Skyddsglasögon.
- Att bära en jacka korrekt (viktigt för elektrisk utrustning: det kan orsaka en stöt i maskinrummet vid tillverkningen).
- Flytta stora instrument utanför omkretsen.
Totalt har 29 detektorer redan testats. Enda poängen är att eftersom vi arbetar i farliga branscher som kemi eller gruvdrift så finns det krav på typerna av handskar. Till exempel lång och kort. I det här fallet måste de ha olika färger: det är mycket svårt att bestämma längden under hylsan med hjälp av en videokamera.
Men här förekom ofta fall av råttor. Vi har ingen separat råttdetektor, men vi har en detektor för föremål som stör maskinens drift:
Vad mer upptäcks?
Vi har testat detektorer i kemiska anläggningar, inom gruvindustrin, inom kärnkraftsindustrin och på byggarbetsplatser. Det visade sig att man med lite ansträngning kan lösa ytterligare flera krav som tidigare lösts av samma mormödrar, och häpnadsväckande försöker se något i bilden genom dålig upplösning och dålig bildhastighet. Specifikt:
- Eftersom vi fortfarande bygger en skelettmodell av varje arbetare kan fall upptäckas. Om den faller kan du omedelbart stoppa maskinen bredvid den är placerad (i pilotimplementationer fanns det ingen sådan integration, det var helt enkelt larm). Tja, det är om du har IoT.
- Naturligtvis att vara i farliga områden. Det är väldigt enkelt, väldigt exakt och väldigt användbart för alla. På metallurgiska företag arbetar man bredvid kar av kokande stål, det är användbart att härda stål, men ibland är det farligt att stå lite på fel sida. Med hänsyn till hur olika komponenter och utrustning fungerar kan du ändra dessa farliga zoner, ställ in ett schema för dem och så vidare.
- En annan mycket användbar detektor om närvaron av PPE övervakar anställdas ansvar och kontrollerar att de inte är i fara. Här tar farmorn redovisningsuppgiften på ett mycket ansvarsfullt sätt och bär all PPE som krävs för henne. Berömvärt!
Det var väldigt enkelt att implementera beteendekontroll – oavsett om medarbetaren sov eller inte. Medan vi testade allt detta utvecklades reglerna från "Det måste finnas en person i en grön hjälm i det här området" till "I det här området måste en person i en grön hjälm röra sig." Hittills har det bara varit en smart kille som listat ut chippet och satt på fläkten, men även detta visade sig vara lätt att fixa.
Det var mycket viktigt för kemister att registrera alla typer av ång- och rökstrålar. I oljeindustrin - integriteten hos rör. Brand är i allmänhet en standarddetektor. Det finns även kontroll av stängda luckor.
Glömda saker upptäcks på samma sätt. Vi testade detta på en av stationerna för ett par år sedan, där är det nästan meningslöst på grund av det stora antalet evenemang. Men i fabriker, särskilt kemiska, är det väldigt bekvämt att övervaka saker i ett rent område.
Intressant nog kan vi läsa avläsningar av enheter i kameraområdet direkt från videoanalys. Detta är relevant för samma kemister vars produktionskomplex har en hög riskklass. Varje förändring, som att byta ut en sensor, innebär en omkoordinering av projektet. Det är långt, dyrt och smärtsamt. Närmare bestämt är det LÅNGT, DYRT och SMÄRTsamt. Därför kommer Internet of Things att komma sent för dem. Nu vill de ha videoövervakning på mätare och läsa av data, snabbt svara på dem och minska förluster på grund av oväntat och omärkt utrustningsfel. Baserat på aktuella mätardata kan du bygga en digital tvilling av företaget, implementera förutsägande underhåll och reparationer, men det är en helt annan historia... Vi har redan kontroll: vi skriver nu proaktiva analyser baserade på hela data. Och separat - en förutsägelsemodul för batteribyte.
En annan otrolig sak - det visade sig att i spannmålsmagasin och vid lagring av material som krossad sten kan du skjuta en hög från 3-4 vinklar och bestämma dess kanter. Och efter att ha bestämt kanterna, ge volymen av spannmål eller material med ett fel på upp till 1%.
Den sista detektorn vi skrev om var att övervaka förarens trötthet, som att "nicka", gäspade och blinka. Detta är för HD-kameror där ögonen är synliga. Troligtvis kommer den att installeras i kontrollrum. Men det främsta behovet är BelAZ- och KamAZ-lastbilar för stenbrott. Ibland ramlar bilar ner där, så nu på gruvplatsen tvingas de hitta på något för att kontrollera föraren. Roboten är bättre än mormor.
Om bilar. Till exempel används ämnet utmattningskontroll aktivt av biltillverkare, inte bara BelAZ, KamAZ och andra MAZ-fordon. Tillverkare håller redan på att bygga in förarutmattningsvarningssystem i vanliga vanliga bilar, men än så länge har de ganska enkla lösningar som endast analyserar bilens position i förhållande till markeringarna och rattrörelsens karaktär. Vi gick längre och upptäcker mänskligt beteende, vilket är mycket mer komplext.
Ett annat fall av förarövervakning är upptäckt av felaktigt beteende vid användning av bildelningsmaskiner. Du kan inte prata i telefon utan handsfree, äta, dricka, röka och mycket mer.
Och en sista sak. Sedan flera år tillbaka har vi kunnat spåra ett föremål mellan kameror – när till exempel något stulits behöver man kolla åt vilket håll och hur. Om det finns 100 kameror på anläggningen kommer du att vara utmattad på att lyfta materialet. Och sedan kommer systemet automatiskt att generera en actionspäckad thriller om Ocean och hans vänner.
Vad är skillnaden från systemet för två år sedan? Nu är detta inte bara ett erkännande som "en skallig man i en orange jacka lämnade en cell och gick nästan omedelbart in i en annan", utan en matematisk modell av rummet byggs, och baserat på den byggs hypoteser om objektets rörelse. Det vill säga allt detta började fungera i områden med överlappning och platser med blinda fläckar, ibland omfattande sådana. Och detektorerna är nu mycket bättre, eftersom det finns bibliotek som bestämmer ålder för ansikte. På HD-kameror kan du ställa in orienteringar som "en 30-årig man med en 35-årig kvinna."
Så kanske om 5-7 år avslutar vi produktionen och åker hem till dig. För säkerhet. Detta ligger i ditt eget intresse, medborgare!
referenser
- Min post - [e-postskyddad]
Källa: will.com