Труд 4.0: нейросетевая безопасность
Время от времени мы участвуем в проектах по разработке экспериментальных систем. На этот раз сделали пилот ИИ-системы по приглашению одного из наших российских заказчиков. Хотим рассказать, как всё происходило и что получилось.
Машинное обучение и охрана труда
На любом промышленном объекте в том или ином виде отслеживается выполнение персоналом правил безопасности. Сейчас очень много усилий направлено на то, чтобы передать рутинные функции производственного контроля системам на основе искусственного интеллекта. Учитывая уровень сложности задач, заказчики нередко проводят масштабные открытые исследовательские проекты по изучению возможностей ИИ. В одном из таких проектов приняла участие команда First Line Software.
Задача
Используя уже существующие на объектах заказчика CCTV-камеры внедрить искусственный интеллект, который будет захватывать видеопоток с камер, выделять в стриме зоны производства, людей, элементы защиты и определять, нарушены правила техники безопасности или соблюдены.
Процесс
Инженеры First Line Software создали свёрточную нейронную сеть и научили ее распознавать на потоковом три наиболее распространённых сценария поведения персонала:
- Носит ли сотрудник защитную каску на голове — является обязательным условием на производстве;
- Надел ли сотрудник капюшон от рабочей куртки поверх каски — это строго запрещено;
- Пристёгнут ли сотрудник тросом — является обязательным условием при проведении высотных работ.
Дата-сет
Частая проблема проектов с машинным обучением в промышленности — недостаток наборов исходных шаблонов для тренировки нейросети ввиду новизны темы и единичности внедрений. Нам пришлось с нуля разработать и разметить референсный датасет, в состав которого вошли 56 последовательностей, покрывающих позитивные и негативные сценарии поведения персонала на производстве.
На изображениях сотрудники предприятия, часть из которых экипирована по всем правилам техники безопасности, часть — с нарушениями. У каждого человека размечена модель скелета по 12 опорным точкам. Амуниция размечена дополнительными точками. Каждый кадр имеет текстовую подпись и цветной фрейм. Также размечены типы производственных зон.
Распознавание объектов
Обработка видеопотока происходит в три этапа. Сначала отфильтровываются кадры, на которых отсутствуют люди. Затем части видео, на которых система распознала людей, передаются свёрточной нейронной сети. Сеть определяет человека по разметке и идентифицирует элементы страховки: каску на голове или трос на туловище. Затем алгоритм, использующий метод опорных векторов, сопоставляет изображение объекта по базе с шаблонами. Если кадр содержит нарушения, система направляет уведомление в соответствие с прописанными требованиями.
Технологии
Для сегментации изображений использовали фреймворк Mask R-CNN (платформа Detectron). Тренировка нейросети выполнялась с помощью скрипта переобучения Transfer Learning, оптимальной, когда вы работаете с ограниченным датасетом и нет задачи собирать статистику по работам.
Результат
В финальном варианте удалось достигнуть стабильной аналитики видеопотока с распознаванием объектов и классификацией поведения. Диапазон точности составляет 77–100 процентов. Наш пилот показал отличные результаты на этапе тестирования и сейчас заказчик продолжает тесты. Дальше будем следить за развитием — потому что путь от пилота до промышленного решения очень длинный.
