Кейсы

Контроль заступа на опасную территорию

Кейс: Контроль заступа на опасную территорию

Проблема

К нам обратилось крупное предприятие, где безопасность сотрудников является приоритетом, для решения ниже описанных проблем.
  • Высокий риск несчастных случаев: сотрудники иногда случайно или намеренно заходили в опасные зоны с высокой вероятностью травм.
  • Сильное влияние человеческого фактора на безопасность: охрана не всегда своевременно замечала нарушения, а устаревшие системы контроля доступа давали сбои.
  • Отсутствие аналитики: предприятие не имело инструментов для анализа частоты и причин нарушений, что мешало улучшению процессов безопасности.
Клиент запросил автоматизированное решение с сохранением существующей инфраструктуры.

Решение

Для решения задачи компания разработала комплексную систему на основе машинного зрения, которая включала несколько компонентов.
Камеры видеонаблюдения с нейросетевым анализом
  • Существующие камеры были перенастроены на работу с программным обеспечением на базе нейросетей.
  • ПО позволило распознавать объекты (люди, транспорт, оборудование) и определять их местоположение относительно опасных зон.
Модуль геозон и предиктивного анализа
  • Созданы виртуальные границы («геозоны») для всех опасных участков.
  • Использован предиктивный алгоритм для оценки риска заступа сотрудника на опасную территорию, основанный на траектории движения.
Интеграция с системами оповещения
  • При нарушении границ геозоны система в реальном времени отправляет уведомления на смартфоны/ПК ответственных лиц и активирует звуковое/световое оповещение.
Модуль аналитики и отчетности
  • Хранение данных обо всех инцидентах.
  • Генерирация отчетов с детальным описанием, включая временные метки, видеозаписи и вероятные причины нарушений.

Задействованные нейросети и подмодули

  • YOLO (You Only Look Once) — для детекции объектов: распознавание людей и оборудования в реальном времени.
  • DeepLab — для сегментации изображений: определение точных границ опасных зон.
  • LSTM (Long Short-Term Memory) — для предиктивного анализа: прогнозирование траектории движения объектов.
  • Custom Ensemble Models: интеграция нескольких нейросетевых технологий для повышения точности.
  • Natural Language Processing (NLP): анализ текстовых отчетов и автоматическая генерация рекомендаций по улучшению безопасности.

Работа системы

Система контролирует заступ на опасную территорию с помощью машинного зрения и предиктивного анализа.

Камеры видеонаблюдения с нейросетевым анализом

  • Обрабатывают видеопоток с помощью YOLO для распознавания людей, техники и оборудования.
  • DeepLab сегментирует изображение, выделяя опасные зоны.

Модуль геозон и предиктивного анализа

  • Виртуальные границы («геозоны») определяют опасные участки.
  • LSTM анализирует траекторию движения и прогнозирует вероятность заступа.

Интеграция с системами оповещения

  • В случае нарушения система отправляет уведомления на смартфоны/ПК и активирует звуковые/световые сигналы.

Модуль аналитики и отчетности

  • Фиксирует и хранит все инциденты с временными метками и видеофрагментами.
  • NLP анализирует отчеты и формирует рекомендации по улучшению безопасности.

  • Система снижает число несчастных случаев, повышает эффективность охраны и интегрируется с существующей инфраструктурой без значительных затрат.

Полученные результаты

  • Снижение несчастных случаев на 70%: благодаря своевременным предупреждениям и аналитике частота инцидентов существенно уменьшилась.
  • Повышение эффективности охраны на 40%: уменьшилось количество ложных тревог, а сотрудники службы безопасности сосредоточились на реальных угрозах.
  • Экономия 30% на затратах по модернизации инфраструктуры: система интегрировалась с существующими камерами и инфраструктурой.
  • Улучшение внутренней культуры безопасности: аналитика помогла выявить наиболее частые причины нарушений, что позволило провести обучение и внедрить корректирующие меры.
В результате проект стал успешным примером использования ИИ для повышения безопасности и эффективности промышленных объектов.

У вас есть запрос на разработку?

Свяжитесь с нами по почте request@codeinside.ru и мы поможем вам реализовать проект.