Журнал "Системы Безопасности" № 1‘2022

Г лавная трудность подобных проектов возни- кает уже на старте, когда у разработчиков в доступе не оказывается собранных и подготов- ленных данных, а текущая инфраструктура не сильно готова к быстрому сбору и автоматизи- рованной разметке. В этом случае командам целесообразно искать как релевантные внеш- ние датасеты, так и собирать внутренний свои- ми силами, используя доступные OpenSource- решения для разметки собираемых данных. Модели хорошие и разные Пока разработчики готовят первые данные и самостоятельно их размечают, параллельно стоит проводить бенчмарк моделей из откры- тых источников для поиска подходящей для поставленной задачи предобученной нейросети и ее архитектуры. По ощущениям, это что-то среднее между использованием китайских научных библиотек и гитов с результатами хака- тонов. Философия точности Перед бизнесом и командой разработчиков могут стоять и специфические задачи, напри- мер приземлить критерии успешности от внед- рения системы вообще (повышение дисципли- ны и снижение нарушений) на количественные метрики работы системы компьютерного зре- ния (accuracy, mAP и т.д.). Общение на разных языках и общая неопределенность делают такую задачу нетривиальной. Пул идей Чтобы победить возникающие трудности и быстро сдвинуть проект с мертвой точки, хорошо подойдет брейнсторминг и недельная разработка в режиме хакатона. Так получится выработать ряд решений, которые помогут взлететь. Связь "бизнес – алгоритм" Познакомиться и подружиться с бизнесом – необходимый шаг для того, чтобы поставить проект на рельсы. Это всегда непростая задача, с учетом разных интересов, профильного обра- зования и деятельности разных участников. Поэтому стоит обратиться к хорошо зарекомен- довавшему себя фреймворку LeanDS и приме- нить "укороченный" вариант канваса на первом же кик-оффе (рис. 1). Заполнив совместно с заказчиком такую форму на кик-оффе, можно выявить основные техни- ческие и организационные трудности и опера- тивно их решить. Логика спасает ИИ Какими бы навороченными и современными ни были SOTA-архитектуры нейросетей, без пра- вильной логики их использования результатов не будет. Именно этим нужно руководствовать- ся при создании алгоритма (пайплайна) работы системы детекции и классификации СИЗ. В общем виде вариант такого алгоритма пред- ставлен на рис. 2. Алгоритм анализа видеопотока строится модульно, с возможностью расширения функ- ционала детектируемых и классифицируемых объектов и событий без изменения логики последовательной обработки. февраль – март 2022 www.secuteck.ru МАШИННОЕ ЗРЕНИЕ В И Д Е О Н А Б Л Ю Д Е Н И Е И В И Д Е О А Н А Л И Т И К А 72 Дмитрий Лапин Руководитель направления Data Science компании JSA Group Владимир Клычников Специалист по анализу данных и математическому моделированию компании JSA Group Марк Хуббатулин Специалист по анализу данных и математическому моделированию компании JSA Group Антон Штарев Главный технический эксперт компании JSA Group Г лавные вопросы, которые разработчикам нужно задать себе и биз- несу: l Сколько времени человек может быть без каски? Секунду? Минуту? l Сколько оповещений о событии должно быть? Однократное? Пока событие не прекратится? Ответы на эти вопросы помогут при подборе границ срабатываний и повышении уровня робастности моделей Разработка системы машинного зрения для детекции и классификации СИЗ на металлургическом производстве Системы детекции и классификации средств индивидуальной защиты (СИЗ) с помо- щью машинного зрения все чаще применяются к видеоданным с существующих и вновь устанавливаемых камер в различных цехах и помещениях металлургических производств. В статье будут рассмотрены основные трудности, с которыми сталки- ваются разработчики таких систем, идеи, которые помогают их решить, и перспек- тивы развития с точки зрения как технологий, так и бизнеса