Ang isang kasama ay walang helmet, ang pangalawa ay walang guwantes.
Sa produksyon mayroong maraming mga hindi masyadong magandang camera, kung saan hindi ang pinaka-matulungin na mga lola ay tumingin. Mas tiyak, nababaliw na lang sila doon mula sa monotony at hindi palaging nakakakita ng mga insidente. Pagkatapos ay dahan-dahan silang tumawag, at kung ito ay pumapasok sa isang mapanganib na sona, kung minsan ay walang saysay na tumawag sa pagawaan, maaari kang dumiretso sa mga kamag-anak ng manggagawa.
Umabot na ang progreso sa punto kung saan makikita ng robot ang lahat at bigyan ng hampas ang sinumang lalabag dito. Halimbawa, sa pamamagitan ng pagpapaalala sa pamamagitan ng SMS, sa pamamagitan ng isang mahinang paglabas ng kasalukuyang sa sirena, sa pamamagitan ng panginginig ng boses, sa pamamagitan ng isang pangit na langitngit, sa pamamagitan ng isang flash ng maliwanag na ilaw, o sa pamamagitan lamang ng pagsasabi sa manager.
Partikular:
- Napakadaling makilala ang mga taong walang helmet. Kahit mga kalbo. Kung nakakita kami ng isang tao na walang helmet, isang agarang alerto ay ipinadala sa operator o manager ng workshop.
- Ganoon din sa mga salaming de kolor at guwantes sa mga mapanganib na industriya, belt harness (bagaman tinitingnan lang natin ang carabiner sa ngayon), reflective vests, respirator, hair cap at iba pang PPE. Ngayon ang sistema ay sinanay upang makilala ang 20 uri ng Sizov.
- Maaari mong tumpak na bilangin ang mga tao sa site at isaalang-alang kung kailan at ilan sa kanila ang naroon.
- Maaari kang magpatunog ng alarma kapag ang isang tao ay pumasok sa isang mapanganib na zone, at ang zone na ito ay maaaring i-configure batay sa katotohanan na ang mga makina ay nagsisimula at huminto.
At iba pa. Ang pinakasimpleng halimbawa ay ang pagkakaiba ng kulay ng mga bricklayer at concrete pourers batay sa kulay ng kanilang helmet. Para matulungan ang robot. Pagkatapos ng lahat, ang mamuhay sa isang lipunan na walang pagkakaiba-iba ng kulay ay walang layunin.
Paano sila nagnakaw sa isang construction site
Isang uri ng karaniwang pagnanakaw ay kapag ang isang kontratista ay nangako na magdadala ng 100 manggagawa sa site, ngunit sa katunayan ay nagdala ng 40-45. At ang bahay ay itinatayo at itinatayo. Gayunpaman, walang sinuman ang maaaring tumpak na mabilang ang mga ito sa katunayan. Tulad ng sa sikat na biro: kung ang isang oso ay tumira sa isang lugar ng konstruksiyon at kumakain ng mga tao, walang makakapansin. Gayundin, ang pangkalahatang kontratista ay walang paraan upang makontrol ang mga tripulante. More precisely, kahit gumamit ka ng ACS, malilinlang pa rin siya, .
Kadalasan walang mga access control system sa mga construction site o nasa entrance lang sila.
Nagpunta kami upang makipagpalitan ng mga karanasan sa mga napakaunlad na sibilisasyon at nakita namin na ang bawat propesyon (mas tiyak, papel) ay may sariling kulay ng helmet. Dito inilalagay ng mga bricklayer ang mga brick - mayroon silang mga asul na helmet, ibinuhos ng mga tagapagbuhos ang kongkreto - mayroon silang berde, lahat ng uri ng matalinong tao na naglalakad - mayroon silang mga dilaw, kaya kailangan mong gawin ang "ku" nang dalawang beses sa harap nila. At iba pa.
At ang lahat ng ito ay kinakailangan upang napakadaling makita ang bawat tungkulin. Ang pasilidad ay may ilang dosenang medyo murang mga camera na gumagawa ng parang 320x200 ang kulay. Ang mga manggagawa ay binibilang sa pamamagitan ng kanilang mga helmet sa real time, at isang partikular na lugar ng konstruksiyon ay itinalaga sa bawat camera. Bilang resulta, sa pagtatapos ng araw, ang lahat ng ito ay pinagsama-sama sa analytics upang magtala ng mga iskedyul ayon sa zone: kung sino ang nagtrabaho, sa anong dami at sa anong lugar.
Sa pangkalahatan, pinagtibay namin ang karanasan. Lamang habang tinitingnan namin ito nang mabuti, ang mga neural network ay humakbang nang malayo, at maraming mga bagong detector ang lumitaw. Lamang ng ilang taon na ang nakalipas sila ay medyo pabagu-bago at hindi matatag, ngunit ngayon sila ay nagbibigay-daan sa iyo upang napaka-tumpak na mahuli ang pinaka-kagiliw-giliw na mga sitwasyon. Hindi bababa sa dahil sa bilis ng pagproseso, ang mga detector ay madalas na nagkakamali sa mga indibidwal na frame, ngunit sa isang video stream na may maliit na pagbabago sa anggulo nakakakuha kami ng isang mahusay na praktikal na resulta.
Paano kung ilagay ko ang pangalawang helmet sa aking sinturon?
Una naming nalaman na ang isang manggagawa ay makakakuha ng dalawang hard hat at ilagay ang isa sa mga ito sa kanyang puwitan. Mayroon na tayong dalawang detector nang sabay-sabay: paghahanap ng skeleton at pagtukoy ng color spot na tumutugma sa vertex ng skeleton na ito, at paghahanap ng sabay-sabay na gumagalaw na mga bagay. Ang pangalawang paraan ay naging mas madaling makita: halimbawa, ang isang taong may helmet sa kanyang puwit ay halos hindi na-inspeksyon ng helmet na ito. Dahil para magawa ito kailangan mong paikutin ang iyong ulo. At ang paggalaw na ito ay napakadaling matukoy. Mas tiyak, hindi namin alam kung ano ang eksaktong nakita doon (ito ay isang neural network), ngunit mabilis itong natuto at nahuhuli ang mga lumalabag, maaaring sabihin ng isa, sa pamamagitan ng kanilang lakad.
Gumagawa kami ng isang modelo ng isang tao.
Pagkatapos ay bubuo lang kami ng heat map sa real time at mga ulat sa pagtatapos ng araw.
Alinsunod dito, gamit ang parehong prinsipyo - sa pamamagitan ng pagsasanay ng isang neural network - ang mga sumusunod ay madaling matukoy:
- Mga helmet.
- Mga bathrobe.
- Mga vests.
- Mga Boots.
- Nakadikit sa buhok.
- Mga carabiner ng kaligtasan.
- Mga respirator.
- Mga proteksiyon na salamin.
- Pagsuot ng jacket nang tama (mahalaga para sa mga de-koryenteng kagamitan: maaari itong magdulot ng pagkabigla sa silid ng makina sa paggawa).
- Paglipat ng malalaking instrumento sa labas ng perimeter.
Sa kabuuan, 29 na mga detector ang nasuri na. Ang tanging punto ay dahil nagtatrabaho kami sa mga mapanganib na industriya tulad ng kimika o pagmimina, may mga kinakailangan para sa mga uri ng guwantes. Halimbawa, mahaba at maikli. Sa kasong ito, kailangan nilang magkaroon ng iba't ibang kulay: napakahirap matukoy ang haba sa ilalim ng manggas gamit ang isang video camera.
Ngunit dito madalas may mga kaso ng daga. Wala kaming hiwalay na rat detector, ngunit mayroon kaming detector para sa mga bagay na nakakasagabal sa pagpapatakbo ng makina:
Ano pa ang nade-detect?
Sinubukan namin ang mga detektor sa mga halaman ng kemikal, sa industriya ng pagmimina, sa industriya ng nuklear at sa mga lugar ng konstruksiyon. Ito ay lumabas na sa isang maliit na pagsisikap maaari mong malutas ang ilang higit pang mga kinakailangan na dati nang nalutas ng parehong mga lola, masindak na sinusubukang makita ang isang bagay sa larawan sa pamamagitan ng mahinang resolusyon at mahinang frame rate. Partikular:
- Dahil gumagawa pa kami ng skeletal model ng bawat manggagawa, maaaring matukoy ang talon. Kung bumagsak ito, maaari mong agad na ihinto ang makina sa tabi kung saan ito matatagpuan (sa mga pagpapatupad ng piloto ay walang ganoong pagsasama, mayroon lamang mga alarma). Well, iyon ay kung mayroon kang IoT.
- Siyempre, nasa mga mapanganib na lugar. Ito ay napakadali, napakatumpak at lubhang kapaki-pakinabang sa lahat. Sa mga metalurhiko na negosyo, ang mga tao ay nagtatrabaho sa tabi ng mga vat ng kumukulong bakal; ito ay kapaki-pakinabang upang patigasin ang bakal, ngunit kung minsan ay mapanganib na tumayo nang kaunti sa maling panig. Isinasaalang-alang ang pagpapatakbo ng iba't ibang mga bahagi at kagamitan, maaari mong baguhin ang mga mapanganib na ito zone, magtakda ng iskedyul para sa kanila, at iba pa.
- Ang isa pang napaka-kapaki-pakinabang na detector tungkol sa pagkakaroon ng PPE ay sinusubaybayan ang responsibilidad ng mga empleyado at sinusuri kung wala sila sa panganib. Narito ang lola ay lumalapit sa gawain ng accounting nang napakaresponsable at isinusuot ang lahat ng PPE na kinakailangan para sa kanya. Kapuri-puri!
Napakadaling ipatupad ang kontrol sa pag-uugali - kung ang empleyado ay natutulog o hindi. Habang sinusuri namin ang lahat ng ito, nagbago ang mga panuntunan mula sa "Dapat mayroong isang taong naka-green na helmet sa lugar na ito" hanggang sa "Sa lugar na ito ang isang taong naka-green na helmet ay dapat lumipat." Sa ngayon ay mayroon lamang isang matalinong tao na naisip ang chip at binuksan ang fan, ngunit ito rin ay naging madaling ayusin.
Napakahalaga para sa mga chemist na itala ang lahat ng uri ng mga jet ng singaw at usok. Sa industriya ng langis - ang integridad ng mga tubo. Ang apoy ay karaniwang isang karaniwang detector. Mayroon ding tseke ng mga closed hatches.
Ang mga nakalimutang bagay ay nakikita sa parehong paraan. Sinubukan namin ito sa isa sa mga istasyon ng ilang taon na ang nakalilipas, doon ay halos walang kahulugan dahil sa malaking bilang ng mga kaganapan. Ngunit sa mga pabrika, lalo na sa mga kemikal, napaka-convenient na subaybayan ang mga bagay sa isang malinis na lugar.
Nang kawili-wili, maaari naming basahin ang mga pagbabasa ng mga device sa lugar ng camera nang direkta mula sa video analytics. Ito ay may kaugnayan para sa parehong mga chemist na ang mga complex ng produksyon ay may mataas na uri ng panganib. Anumang pagbabago, tulad ng pagpapalit ng sensor, ay nangangahulugan ng muling koordinasyon ng proyekto. Ito ay mahaba, mahal at masakit. Mas tiyak, ito ay MAHABA, MAHAL at MASAKIT. Samakatuwid, ang Internet of Things ay darating nang huli para sa kanila. Ngayon gusto nila ng video surveillance sa mga metro at magbasa ng data, mabilis na tumugon sa mga ito at mabawasan ang mga pagkalugi dahil sa hindi inaasahan at hindi napapansing pagkabigo ng kagamitan. Batay sa kasalukuyang data ng metro, maaari kang bumuo ng isang digital twin ng enterprise, magpatupad ng predictive maintenance at repair, ngunit iyon ay isang ganap na naiibang kuwento... Mayroon na kaming kontrol: sumusulat kami ngayon ng proactive analytics batay sa kabuuan ng data. At hiwalay - isang module ng hula sa pagpapalit ng baterya.
Ang isa pang hindi kapani-paniwalang bagay - ito ay lumabas na sa mga kamalig at sa pag-iimbak ng mga materyales tulad ng durog na bato, maaari kang mag-shoot ng isang tumpok mula sa 3-4 na mga anggulo at matukoy ang mga gilid nito. At sa pagtukoy ng mga gilid, bigyan ang dami ng butil o materyal na may error na hanggang 1%.
Ang huling detector na isinulat namin ay ang pagsubaybay sa pagkapagod ng driver, tulad ng "pagtango", paghikab at pagkurap. Ito ay para sa mga HD camera kung saan nakikita ang mga mata. Malamang, mai-install ito sa mga control room. Ngunit ang pangunahing pangangailangan ay para sa mga trak ng BelAZ at KamAZ para sa mga quarry. Minsan may mga sasakyang nahuhulog doon, kaya ngayon sa lugar ng pagmimina ay napipilitan silang gumawa ng isang bagay upang makontrol ang driver. Ang robot ay mas mahusay kaysa sa lola.
Tungkol sa mga sasakyan. Halimbawa, ang paksa ng kontrol sa pagkapagod ay aktibong ginagamit ng mga automaker hindi lamang BelAZ, KamAZ at iba pang mga sasakyan ng MAZ. Ang mga tagagawa ay nagtatayo na ng mga sistema ng babala sa pagkapagod ng driver sa mga ordinaryong ordinaryong kotse, ngunit sa ngayon mayroon silang medyo simpleng mga solusyon na sinusuri lamang ang posisyon ng kotse na may kaugnayan sa mga marka at likas na katangian ng paggalaw ng manibela. Lumayo pa kami at nakita namin ang pag-uugali ng tao, na mas kumplikado.
Ang isa pang kaso ng pagmamatyag ng driver ay ang pagtuklas ng maling pag-uugali kapag gumagamit ng mga machine sharing machine. Hindi ka makakausap sa telepono nang walang hands free, kumakain, umiinom, naninigarilyo, at marami pang iba.
Oh, at isang huling bagay. Sa loob ng ilang taon ngayon, nasusubaybayan namin ang isang bagay sa pagitan ng mga camera - kapag, halimbawa, may ninakaw, kailangan mong suriin kung aling paraan at paano. Kung mayroong 100 mga camera sa pasilidad, pagkatapos ay mapapagod ka sa pag-angat ng materyal. At pagkatapos ay awtomatikong bubuo ang system ng isang puno ng aksyon na thriller tungkol kay Ocean at sa kanyang mga kaibigan.
Ano ang pagkakaiba sa sistema dalawang taon na ang nakakaraan? Ngayon ito ay hindi lamang pagkilala tulad ng "isang kalbo na lalaki sa isang orange na jacket ay umalis sa isang cell at halos agad na pumasok sa isa pa," ngunit isang matematikal na modelo ng silid ay binuo, at batay dito, ang mga hypotheses tungkol sa paggalaw ng bagay ay binuo. Iyon ay, ang lahat ng ito ay nagsimulang magtrabaho sa mga lugar na may overlap at mga lugar na may mga blind spot, kung minsan ay malawak. At ang mga detector ay mas mahusay na ngayon, dahil may mga aklatan na tumutukoy sa edad ayon sa mukha. Sa mga HD camera maaari kang magtakda ng mga oryentasyon tulad ng "isang 30 taong gulang na lalaki na may isang 35 taong gulang na babae."
Kaya, marahil sa 5-7 taon ay matatapos namin ang produksyon at pupunta sa iyong tahanan. Para sa kaligtasan. Ito ay sa iyong sariling interes, mamamayan!
sanggunian
- Ang aking mail - [protektado ng email]
Pinagmulan: www.habr.com