На что реально способна видеоаналитика сегодня, и к чему стоит быть готовым при внедрении и эксплуатации систем машинного зрения и промышленной видеоаналитики
Программные видеоаналитические модули в составе систем компьютерного зрения сегодня используются для решения широкого круга задач — от контроля транспорта и производственных процессов до мониторинга качества продукции и обеспечения безопасности людей. Эти системы постепенно становятся частью цифровой инфраструктуры предприятий и городских объектов.
При этом реальное применение таких решений зачастую выходит за рамки стандартных сценариев: каждая задача требует учета условий эксплуатации, особенностей объектов контроля и интеграции в существующие процессы.
Более детально о том, какие классы задач сегодня вполне успешно способна решать видеоаналитика и с какими сложностями сталкивается бизнес при ее внедрении, рассказал директор по развитию ИТ-компании Малленом Системс Владимир Александрович Царев.
Владимир Александрович, какие задачи видеоаналитика уже сегодня эффективно решает на практике?
Видеоаналитика закрывает широкий спектр прикладных задач в разных отраслях. Для многих из них у нас в компании за 15 лет ее существования созданы и успешно внедрены собственные решения.
В первую очередь выделю контроль транспорта: определение параметров трафика на улично-дорожной сети, фиксация нарушений правил дорожного движения, распознавание и учет транспортных средств (причем как автомобильных, так и ж/д), автоматизация различных процессов на проходных и логистических узлах предприятий.
В промышленности эти технологии уже более 30 лет применяются для контроля и прослеживания продукции и оборудования: от подсчета изделий и их идентификации по маркировке или внешнему виду до проверки комплектности и выявления дефектов. При этом от года к году сложность решаемых задач растет.
Отдельный класс задач, решения для которых активно развиваются последние 5 лет, — контроль персонала и промышленная безопасность. Здесь системы на базе компьютерного зрения помогают отслеживать соблюдение работниками регламентов, использование средств индивидуальной защиты и фиксировать потенциально опасные ситуации на производстве.
Видеоаналитика также активно используется в беспилотных и безэкипажных средствах (наземных, воздушных и морских), где автоматический анализ окружающей обстановки в реальном времени становится ключевым фактором безопасного и эффективного управления.
Также отмечу широкое применение видеоаналитики для задач безопасности в общественных пространствах и для мониторинга поведения людей в местах массового пребывания. Множество примеров таких внедрений общеизвестны из СМИ. Мы же в компании в данной сфере приложения в основном концентрируемся на развитии и внедрении систем видеоаналитики для образовательных учреждений.
Что именно контролируют ваши системы в образовательных учреждениях?
Наши решения способны фиксировать въезд и выезд автотранспорта на территорию школы или колледжа, выявлять тревожные ситуации, связанные с падением людей и оставленными предметами, фиксировать длительное отсутствие охранника на своем рабочем месте, а также выявлять огнестрельное оружие при его открытом ношении. У нас также есть успешные кейсы использования видеоаналитики в рамках муниципальных предприятий, связанных с опасным производством, где требуется контролировать использование сотрудниками специализированных СИЗ и соблюдение правил техники безопасности.
Давайте поговорим о промышленности. Насколько производственные предприятия сегодня понимают, какие задачи способна решать видеоаналитика?
В целом заказчики неплохо осведомлены о современных возможностях видеоаналитики, которая способна обеспечивать автоматизацию контроля промышленных изделий, транспорта, технологических процессов и персонала. Она, как показывает многолетний опыт нашей компании, приводит к повышению уровня безопасности и эффективности промышленных предприятий практически всех производственных отраслей. Однако бизнес зачастую сталкивается со сложностями, о которых исходно не осведомлен или не всегда готов их преодолевать.
Во-первых, внедрение нетривиальной интеллектуальной системы контроля на базе компьютерного зрения чаще всего требует внесения изменений в производственные бизнес-процессы предприятия. К примеру, вместо привычного контролера ОТК «бабы Маши» на производственной линии появляется робот с «умным зрением». И это часто влечет за собой изменения и даже ужесточения регламентов работы всей линии, а зачастую и цеха: на информационном, техническом, организационном уровнях. И тут некоторым начинает казаться, что с «бабой Машей» было как-то попривычнее, попроще договариваться, неформально решать вопросы и т.п.
Во-вторых, мы часто сталкиваемся с некоторой идеализацией ИИ и, в частности, внедряемого компьютерного зрения на базе нейронных сетей. Ряд потребителей ожидают, что такие системы никогда не ошибаются. А в реальности они, как и человек, могут вполне ошибаться. При проектировании систем контроля это нужно обязательно учитывать. Важно уметь нивелировать факторы, которые могут снижать точность детекции, используя альтернативные источники данных или при необходимости в сомнительных ситуациях подключая в контур контроля человека-оператора. Периодическое дообучение интеллекта системы на примерах ошибок, выявленных в ходе эксплуатации, тоже дает свой положительный эффект. Таким образом, дообучение некоторых систем даже после сдачи в промышленные эксплуатацию становится типовым регламентом, с которым ранее потребитель, возможно, никогда не сталкивался.
И еще одна сложность — потребитель не всегда может правильно оценить эффект от внедрения системы, а следовательно, обосновать инвестиции в свой проект. Особенно это бывает сложно сделать при внедрении локальной системы на каком-то одном производственном участке. В то же время при автоматизации целого цеха или производства и массового сквозного внедрения связанных между собой систем контроля такие оценки на верхнем уровне оказывается сделать проще.
Насколько трудоемкими обычно оказываются процессы внедрения и поддержки систем видеоаналитики?
Для целого ряда типовых задач контроля настройка и поддержка систем — не сложнее обычных датчиков АСУ ТП. Сюда можно отнести: распознавание номеров автотранспорта; контроль нарушений ПДД; детекция человека в заданной зоне; считывание и валидация разнообразной маркировки на изделиях, движущихся по конвейеру; подсчет изделий и выявление отклонений от некоторого эталонного образца. Как правило, для опытного специалиста внедрение такой системы занимает всего несколько часов. Иногда это могут даже выполнить инженеры со стороны самого заказчика. Конечно, этому внедрению должны предшествовать правильно реализованные подготовительные этапы, на которых обследуются все условия эксплуатации, выбирается оптическая схема и закупается подходящее программное и аппаратное обеспечение, выполняются необходимые строительно-монтажные работы. После внедрения, если условия эксплуатации не меняются, такие системы практически не требуют поддержки, за исключением, пожалуй, технического обслуживания оборудования.
Но тем не менее многие потребители, особенно в промышленности, сталкиваются с тем, что проекты видеоаналитики внедряются очень долго? С чем это связано?
Если говорить о более сложных задачах с разнородными и меняющими внешний вид объектами контроля, часть из которых к тому же появляется перед камерой достаточно редко, с нестационарными условиями эксплуатации и т.п., то внедрение системы видеоаналитики может составлять несколько месяцев.
Требуется сбор и разметка видеоданных с реального объекта внедрения, подготовка датасета для дообучения нейросетевых моделей. Иногда необходимо создавать на верхнем уровне системы контроля алгоритмы агрегации данных по времени и по пространству в тех случаях, когда в системе используется множество разнообразных видеоаналитик (детекция, классификация) либо есть возможность использовать иные дополнительные источники данных или же необходимо сопровождение объекта между несколькими камерами. Не забываем о необходимости корректировки бизнес-процессов на стороне заказчика, интеграции систем видеоаналитики со смежными системами. И, естественно, для промышленных приложений очень важно обеспечить надежность работы системы 24/7. С учетом этого в ряде случаев проект разработки и внедрения системы видеоаналитики может длиться год и более. Развертывание и поддержка таких систем тоже нетривиальный процесс и практически всегда требует участия квалифицированного интегратора или самого вендора.
Верно ли, что системы промышленной видеоаналитики требуют постоянного дообучения и развития?
Да, это становится, фактически, стандартным процессом поддержки систем с ИИ, работающих в нестационарных условиях. Мы в компании работаем над созданием инструментов, чтобы пользователь при желании мог самостоятельно развивать интеллект внедренных видеоаналитических систем, даже не обладая глубокими знаниями в сфере машинного обучения.
Если немного заглянуть в будущее. Мы периодически слышим о перспективах появления неких самообучаемых систем, которые настроил один раз и потом они сами без помощи человека развивают свой интеллект с учетом меняющихся условий эксплуатации. Пока в нашей сфере промышленного компьютерного зрения мы таких систем еще не встречали. Но, полагаю, они вполне могут появиться уже на горизонте 4-5 лет.
Источники изображений:
Личный архив компании
Выбор редакции
Публикации, которые получают больше внимания и попадают в Сюжеты РБК
Рекомендации партнеров: