Статьи

Промышленная видеоналитика: почему камеры на производстве заменить все сложнее

Рынок видеоаналитики в мире, по данным Markets and Markets, растет на 9% ежегодно, а в России – на 6%. Системы, оснащенные технологиями компьютерного зрения и искусственного интеллекта, активно внедряются на производствах самого разного профиля. Это неудивительно – ведь камеры позволяют контролировать соблюдение техники безопасности и стандарты выпуска продукции, предотвращая несчастные случаи и отслеживая брак.

Зачем заводам видеоаналитика

Видеонаблюдение и видеоаналитика сегодня находят применение почти во всех сферах нашей жизни. Особое значение эти технологии приобретают там, где ценой человеческой ошибки может стать чье-то здоровье или даже жизнь – в местах повышенной опасности, где необходимо жестко следовать правилам охраны труда.

«Умные камеры» требуются заводу для контроля всех зон предприятия: установить устройства можно на КПП, по всему периметру завода, на прилегающей территории, в производственных цехах, административных корпусах и на складах.

И, учитывая, что классическая система видеонаблюдения на предприятии может состоять из более 100 камер, очевидно, что операторам отслеживать происходящее на экранах все сложнее – какие-то внештатные ситуации могут остаться вне поля зрения. В этом случае помогает видеоаналитика, которая не отвлекается, не устает и меньше ошибается.

  • В цехах. «Умные» камеры позволяют следить за тем, как сотрудники используют средства индивидуальной защиты: спецодежду, маски, каски, перчатки. Также устройства контролируют посещение опасных зон – чтобы некоторые сотрудники, например, не подходили к работающим станкам.
  • На производстве. Непосредственно на самом производстве камеры могут контролировать самые разные процессы: отслеживать перемещение готовой продукции, контролировать ее вид и объем, следить за соблюдением всех регламентов.
  • На КПП. На «проходной» сотрудники службы охраны досматривают и проверяют всех, кто хочет попасть на территорию предприятия – пешком или на автомобиле. В ряде случаев используются камеры с интеллектуальными модулями для распознавания номеров машин и детектором лиц, которые позволяют идентифицировать как автомобили, так и личность каждого входящего человека. Правда, такие камеры пока занимают небольшую долю рынка из-за ограниченности вычислительных мощностей камеры и привязки к конкретному вендору – компании предпочитают использовать аналитику на сервере (о чем мы подробнее расскажем ниже).
  • По периметру. Для дополнительного контроля периметра завода, помимо систем охраны, часто применяют интеллектуальные детекторы пересечения периметра и пересечения линии, а также детекторы вторжения в зону. Они позволяют оперативно фиксировать нарушения условной линии вдоль забора – к примеру, если на территорию предприятия автомобиль попал не через КПП, человек перелез через забор, сотрудник без необходимых прав доступа зашел в то или иное помещение и т.д. Позволяют камеры также предотвращать воровство – когда сотрудники что-то перекидывают через ограждение, а сами спокойно проходят через КПП.
  • По территории предприятия. С помощью камер можно контролировать все зоны завода – например, как движется транспорт, в каком направлении и с какой скоростью. Для этих целей применяются умные модули видеоаналитики «Контроль скорости и направления». Также технологии позволяют быстро фиксировать возгорания и дым – это актуально на открытых территориях, где нет возможности использовать аппаратные системы пожарной сигнализации. Впрочем, установить такую можно и на складе в дополнение к штатным датчикам. Удобно использовать камеры и для контроля за парковками предприятия, где работники, например, могут парковаться так, что их транспорт мешает не только проезду пожарного автомобиля, но и производственным процессам.
  • На складах. Здесь в первую очередь требуется контролировать, как перемещаются различные объекты. Также отслеживается работа погрузочного транспорта – его скорость передвижения и траектория, время погрузки и разгрузки.

Каким бывает видеонаблюдение

1.Реактивное и проактивное реагирование Здесь нужно отличать видеонаблюдение от видеоаналитики. Первые системы предполагают установку большого количества камер, оснащенных самыми простыми датчиками – они хранят видеоархивы и максимум, на что способны – отмечать некоторые инциденты как подозрительные. Львиную долю работы делают операторы – реагируя на нештатные ситуации. Видеоаналитика – это принципиально другой класс систем, которые умеют не только фиксировать и анализировать самые разнообразные события, но и предотвращать их – подавая тревожный сигнал, самостоятельно отключая оборудование или блокируя доступ в опасную зону. Здесь идет речь о проактивном реагировании.

  1. Коробочное решение или кастомная разработка Разумеется, на самых разных предприятиях «умные камеры» нужны плюс-минус для одних и тех же задач. В таком случае готовые наборы функций и алгоритмов для типовых сценариев «из коробки» – это самый доступный, дешевый и простой вариант, такие сервисы обычно легко внедрить и обслуживать.

Есть также вариант с кастомизацией существующего решения – когда берется готовая технология, но бизнес-логика дорабатывается, детекторы на стороне предприятия дообучаются в зависимости от требований заказчика. Его еще называют адаптируемым ПО - это некое базовое программное обеспечение, которое легко донастроить согласно нужным условиям. К примеру, заводу требуется отличать сотрудников разных цехов, руководство и линейный персонал – и т.д. Такие решения обходятся дороже и перед исполнителем необходимо ставить четкое техническое задание.

Наконец, можно заказать кастомную разработку специально под требования конкретного завода. Это требуется, например, для мониторинга уникальных производственных процессов предприятия. Такая разработка предполагает создание новых алгоритмов, интеграцию с уже существующими на заводе системами, разработку пользовательского интерфейса. В целом такие решения наиболее гибкие и обладают большим спектром возможностей. Однако это длинный и затратный путь. Кстати, многие заводы предпочитают инсорс-разработку – открывая собственный ИТ-отдел и создавая необходимое решение собственными силами. Потом такая инсорс-разработка может даже попасть на внешний рынок – так заказчик невольно превращается в вендора.

  1. В облаке или в закрытом контуре. Внедряя промышленную видеоаналитику, заказчик должен определиться, какой вариант его устраивает больше.

Так, закрытый контур подразумевает, что данные с камер хранятся и обрабатываются непосредственно на инфраструктуре предприятия - с помощью своих вычислительных ресурсов, на локальных серверах, в собственных хранилищах данных. Многие предпочитают именно этот путь, так как уверены, что данные находятся в большей безопасности. Минус такого сценария в том, что инфраструктура должна быть очень качественной (и ее нужно обслуживать), а вычислительных мощностей для обработки видеопотока должно хватать.

Куда большую гибкость предоставляют облачные сервисы, на которые переходят все больше компаний. Эта технология позволяет хранить, обрабатывать и анализировать информацию с камер удаленно – на серверах поставщика облачных услуг. Доступ к системе можно получить из любого места, используются высокопроизводительные алгоритмы анализа – в общем, ограничений значительно меньше. В то же время требуется надежное соединение между инфраструктурой предприятия и центром хранения данных, где размещено облачное решение. Отдельное внимание нужно уделить обеспечению конфиденциальности информации, которая передается по внешним каналам.

  1. Аналитика на камере или на сервере Также, выбирая ту или иную систему видеоаналитики, необходимо определиться, где будут размещаться ключевые функции анализа видеоданных.

Так, аналитика на камере подразумевает, что обработка картинки происходит в самом устройстве. Это удобно, когда требуется быстрая реакция и решение проблемы в real-time – ведь время на передачу информации на сервер не тратится, экономятся также средства на приобретение серверов. Актуальна такая технология будет для фиксации входа в опасную зону: несложная аналитика умеет выдать мгновенную реакцию и включить, к примеру, сирену. Доступна на таких камерах даже функция распознавания лиц – однако устройства со сложной видеаналитикой стоят дороже и не такие гибкие в настройке алгоритмов.

Есть также вариант с EDGE-аналитикой – она предполагает, что обработка картинки с камер происходит на компактном сервере, или для этих целей используется специальный вычислитель – его размещают недалеко от камеры. Такой сценарий помогает сократить нагрузку на центральный сервер и увеличить скорость реакции на инциденты. Удобен, если пропускная способность сети не слишком высокая. Этот вариант более гибкий - EDGE-устройства представляют собой универсальные промышленные компьютеры с ускорителем для нейронных сетей, а значит, есть возможность устанавливать на них новые алгоритмы. И, наконец, серверная аналитика – видеоинформация сразу с нескольких источников анализируется на центральном сервере. Здесь спектр аналитических задач практически необъятный: можно распознавать лица, фиксировать нетипичное поведение, распознавать определенные объекты. В то же время требуется централизованная инфраструктура и стабильная высокоскоростная сеть.

Примеры внедрений

Промышленные видеоаналитические системы применяют самые разные российские компании, среди них, например, Росэнергоатом, ЕВРАЗ, ГазпромНефть, ЛУКОЙЛ, УГМК, НЛМК и другие.

Кейс 1. ЕВРАЗ В прокатном цеху металлургического предприятия ЕВРАЗ ЗСМК выпускают различную продукцию – от арматуры до уголков. Ряд производственных проблем решили «умные камеры». Так, заводу понадобилось вычислять длину штанги (заготовки) в горячем и холодном состояниях и потом учитывать промах реза, чтобы корректировать новые резы. Замерами теперь занимается нейросетевой алгоритм, который перед этим анализирует картинку с камер на холодильнике. К слову, устройства способны работать при высоких температурах и передают изображение несмотря на уровень запыленность – в этом им помогают мощные светодиодные прожекторы.

Кейс 2. Северсталь и НЛМК На Ижорском трубном заводе (Северсталь-групп) было внедрено решение для считывания и распознавания промышленной маркировки. Оно подразумевало автоматический ввод номера трубы и всех атрибутов листа в систему через считывание маркировки листа, распознание или добавление фотографии в атрибуты листа. Видеоаналитику применили и в НЛМК, на Новолипецком металлургическом комбинате, где установили автоматическую регистрацию номеров стальковшей с фиксацией остатка в ковшах перед наливом в конверторном цехе.

Кейс 3. Лукойл-Волгограднефтепереработка Предприятие внедрило решение для контроля соблюдения требований промышленной безопасности и охраны труда. Это «умная» система контроля соблюдения правил безопасности и применения средств индивидуальной защиты, чтобы свести к минимуму производственные травмы. Картинка с камер грузится на сервер видеоаналитики, где нейросеть быстро анализирует информацию и за 4 секунды фиксирует нарушения ТБ и ПБ с точностью до 95%. Уведомление тут же поступает в ответственные службы.

Подведем итог: повсеместное внедрение видеоаналитики на производствах неизбежно – алгоритмы становятся более гибкими и точными, экономнее потребляют вычислительные ресурсы, что удешевляет решения в целом. «Умные» камеры позволяют автоматизировать самые разные производственные процессы: контролировать качество продукции, проводить дефектоскопию, предупреждать об износе механизмов и снижать число простоев.

Рисков для сотрудников производств становится меньше. При этом фактор человеческой ошибки тоже снижается, так как системы видеоаналитики порой действуют эффективнее оператора (хотя не исключают его из мониторинга, и он по-прежнему может верифицировать происшествие и реагировать на него по инструкции). Видеоаналитика позволяет тому же количеству операторов следить за большим числом процессов, привлекая их внимания только к чрезвычайным событиям.