Журнал "Системы Безопасности" № 1‘2022

Благодаря этому можно, например, быстро выяснить у заказчика, что "больнее" всего биз- несу от FN-срабатываний, так как они перегру- жают диспетчеров. Флешмобы Имеет смысл формирование комплексной методики, которая позволит на каждой каме- ре провести практически исчерпывающие сценарии видимости человека в СИЗ за достаточно ограниченные сроки. Например, так можно получить и разметить 12 тыс. кад- ров с площадок по людям и каскам для дообучения детектора и классификатора, чтобы приблизить выборку к сбалансирован- ной. Пример кадра с подобного флешмоба представлен на рис. 4. От "человека" к остальному Когда получено стабильное и повторяемое решение по детекции на кадре человека в раз- личных условиях, архитектура микросервиса позволяет добавлять модели классификации и детекции без создания дополнительной нагрузки или костылей к общему решению. Гибкая инфраструктура В ходе разработки решения можно учитывать разные схемы размещения микросервиса. Три из них представлены в таблице. Юнит-экономика во главе Для окончательной победы здравого смысла и дружбы между разработчиками и бизнесом есть смысл ввести единую целевую функцию, справедливую для разных ситуаций в проекте – от небольшого дооснащения будки в цеху до покрытия новой зоны размером с футбольное поле: Мин. (Цвидео) при макс. (Квидео) То есть цена (себестоимость) видео с одной камеры должна стремиться к минимуму при максимальном качестве. При этом не обяза- тельно все входящие переменные устремлять к нулю. Скорее наоборот, рациональный под- бор отдельных элементов поможет бизнесу пра- вильно выстроить карту проекта, а разработчи- кам – подобрать правильные инструменты. Что в результате Опыт внедрения показывает, что описанная система машинного зрения для детекции и классификации СИЗ способна покрывать 4 металлургических завода суммарно на 100+ камер, бодро работать со скоростью 15 кадр/с и занимать одну карточку Nvidia P5000 на 20 видеопотоков. При этом статистика наруше- ний снизится от более 50 в месяц к стабильно- му показателю порядка 10–12, и эта цифра будет постоянно уменьшаться за счет всяческих предупредительных работ. На каждой камере в таком кейсе работают сценарии как с СИЗ, так и со статичными опасными зонами. Перспективы Совершенствование моделей – дело бесконеч- ное. В рамках развития системы машинного зрения для детекции и классификации СИЗ на металлургическом производстве возможна доработка и оптимизация алгоритмов модели, добавление новых (например, алгоритма клас- сификации для сигнальных жилетов, масок и иных СИЗ), работа с динамическими опасными зонами. При этом основной целью разработчи- ков остается высокое быстродействие ансамбля моделей при сохранении требуемой ресур- соемкости. В плане всего сервиса есть смысл переходить на децентрализованные, граничные вычисления, а также внедрять решения по оповещению сотрудников о нарушении в режиме, близком к реальному времени, например с помощью мобильных устройств или систем тревоги. Здесь можно отталкиваться от имеющейся статистики о том, как идет работа сервиса на всех уров- нях – от слесаря на заводе до директора, чтобы и дальше предупреждать опасные инциденты на производстве. n 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 74 Рис. 4. Пример флешмоба Ц ена (себестоимость) видео с одной камеры должна стремиться к минимуму при максимальном качестве. При этом не обязательно все входящие переменные устремлять к нулю. Скорее наоборот, рациональ- ный подбор отдельных элементов поможет бизнесу правильно выстроить карту проекта, а разработчикам – подобрать правильные инструменты Ваше мнение и вопросы по статье направляйте на ss @groteck.ru , . 14–16 ФЕВРАЛЯ 2023 31 ЯНВАРЯ - 3 МАРТА 2023 www.tbforum.ru — Реклама