Журнал "Системы Безопасности" № 4‘2026

О Т Р А С Л Е В О Й Ф О К У С 108 август – сентябрь 2026 www.secuteck.ru СПЕЦПРОЕКТ ОХРАНА ТРУДА И ПРОМЫШЛЕННАЯ БЕЗОПАСНОСТЬ находят нарушение, пытаются идентифициро- вать сотрудника и принять меры. Такой подход работает, но он скорее карательный, чем пре- вентивный: помогает разобраться в том, что уже произошло, но не всегда позволяет предотвра- тить нарушение в моменте. Главное ограничение традиционных мето- дов – конечное число инспекторов и ограни- ченное время их работы. Невозможно эконо- мически целесообразно расставить специали- стов охраны труда на всех участках производ- ства и обеспечить постоянное наблюдение за каждой опасной зоной. Условно, в рабочее время контроль может быть обеспечен лучше, но вечером, ночью или в удаленных зонах производственной площадки "глаз" уже не хватает. Отсюда возникает потребность в технических средствах контроля, которые работают непре- рывно и не зависят от расписания обходов. Автоматический мониторинг: "много глаз" 24/7 Автоматизированный мониторинг СИЗ позво- ляет перейти от эпизодического контроля к постоянному наблюдению за опасными зонами. В основе таких решений лежат видео- камеры (существующие либо дополнительно устанавливаемые) и серверы видеоанализа с нейросетевыми алгоритмами. Важно понимать: в подобных проектах интег- ратор не обязательно предлагает только собственную платформу. На практике задача решается подбором правильных партнерских решений, их интеграцией и адаптацией под конкретную производственную среду. Роль интегратора здесь – не просто поставить систему, а собрать работоспособный ком- плекс, который учитывает реальные условия объекта, существующую инфраструктуру и требования заказчика. Система анализирует видеопоток и определяет, есть ли на сотруднике необходимые элементы СИЗ: каска, жилет, защитные очки, спецодежда, противогазная сумка, газоанализатор или дру- гие элементы, обязательные для конкретной зоны и вида работ. Ключевой принцип прост: если нарушение видно на видеосцене человеку и его можно формализовать, то нейросеть можно обучить выявлять такие события. Но это не означает, что любое коробочное решение сразу даст каче- ственный результат. Производственная среда сложна: разное освещение, загрязнения, задымление, разные ракурсы, спецодежда раз- ных типов, объекты разного размера в кадре. Поэтому качественная работа системы требует обучения под реальные условия. Почему обучение моделей критически важно Одна из ключевых особенностей современных решений – возможность обучать и дообучать алгоритмы под конкретный объект. Каждый канал видеоаналитики может иметь свои усло- вия: освещение, сложность кадра, расстояние до сотрудника, тип камеры, плотность движе- ния, наличие помех. Поэтому уже на этапе предпроектного обсле- дования заказчику важно объяснить: каче- ственная система контроля СИЗ не создается "за два-три месяца" только установкой коро- бочного продукта. Такой вариант возможен, например, если используется простая борто- вая аналитика камер, но качество в сложной промышленной среде может оказаться недо- статочным. Для надежной работы нужен датасет. Необхо- димо собрать видеоматериалы, учесть различ- ные сценарии, разметить правильное и непра- вильное ношение СИЗ, а в ряде случаев специ- ально сымитировать нарушения. Только так система сможет научиться различать допусти- мые и недопустимые состояния в конкретной производственной среде. В среднем для получения адекватного результа- та после обучения может потребоваться около шести месяцев. Далее качество повышается за счет новых итераций, накопления данных и дообучения. Это особенно важно для крупных объектов, где количество камер может исчис- ляться сотнями. Что можно распознавать Возможности распознавания зависят от того, насколько хорошо элемент СИЗ виден в кадре. Чем крупнее объект и чем выше его контраст- ность относительно окружающей сцены, тем надежнее его можно обнаружить. Хорошо распознаются яркие жилеты, каски, элементы, заметно отличающиеся от тела или остальной спецодежды. Сложнее работать с мелкими или слабоконтрастными объектами, особенно если сотрудник находится далеко от камеры или сцена перегружена производствен- ными деталями. Систему можно обучать на наличие защитных очков, противогазных сумок, газоанализаторов, чехлов и других обязательных элементов. Но здесь действует важное ограничение: если человек при просмотре видеозаписи сам не может уверенно определить, было ли наруше- ние, то не стоит ожидать этого и от системы. Видеоаналитика не "видит" больше, чем позво- ляет качество изображения и ракурс камеры. Отдельный вопрос – контроль спецодежды по форме, цвету, логотипу, маркировке или QR-/Data Matrix-кодам. Такие подходы воз- можны, но не универсальны. Цветовая марки- ровка может работать в структурированных проходах или на точках входа в опасные зоны, но в реальном производстве одежда загряз- няется, меняет визуальный вид, теряет конт- растность. Комбинезон, который утром был светлым, к концу смены может стать серым или черным от масел и загрязнений. Это снижает надежность распознавания по цвету. Маркировка, например data Matrix-нашивки, может помогать идентификации, но ее проще применять к собственному персоналу пред- приятия. С подрядчиками ситуация сложнее: у них может быть своя униформа, свои комплек- ты СИЗ, и стандартизовать их полностью заказ- чик не всегда вправе. Идентификация нарушителя: видеоаналитика, СКУД, маркировка и позиционирование Выявить факт нарушения – только часть задачи. Для службы охраны труда важно понимать, кто именно его допустил. Здесь возможны разные сценарии. Самый трудозатратный способ – ручная иден- тификация через просмотр видео, сопоставле- ние с точками прохода СКУД, нарядами-допус- ками, графиками работ и другими данными. Он возможен, но не всегда удобен при большом числе инцидентов. Интеграция с системами биометрической иден- тификации теоретически может помочь, но на практике часто оказывается дорогой и сложной. Кроме того, средства индивидуальной защиты сами по себе могут мешать распознаванию лица: каски, очки, маски, респираторы и другие элементы закрывают часть лица. Поэтому в ряде случаев более практичным решением становится маркировка формы, касок или других элементов, а также использо- вание систем позиционирования персонала. Например, на горно-обогатительных предприя- тиях и в карьерах такие системы уже приме- няются для предотвращения столкновений транспорта и людей. В промышленной среде их можно использовать и для помощи в иденти- фикации потенциального нарушителя. UWB-метки и другие технологии позициониро- вания могут быть полезны внутри корпусов, но у них есть свои ограничения, как технические, так и финансовые. Поэтому выбор технологии должен идти от конкретной задачи, а не от желания применить модный инструмент. Интеграция с существующей инфраструктурой На большинстве промышленных объектов уже есть видеонаблюдение. Камеры могут нахо- диться на балансе службы безопасности, про- изводственных подразделений или использо- ваться как технологическое видеонаблюдение. У охраны труда собственного видеонаблюдения часто нет. Г лавное ограничение традиционных методов – конечное число инспек- торов и ограниченное время их работы. Невозможно расставить спе- циалистов охраны труда на всех участках производства и обеспечить постоянное наблюдение за каждой опасной зоной. А втоматизированный мониторинг СИЗ позволяет перейти от эпизоди- ческого контроля к постоянному наблюдению за опасными зонами. В основе таких решений лежат видеокамеры и серверы видеоанализа с нейросетевыми алгоритмами.