Всевидящее око. Зачем предприятию машинное зрение?
Согласно аналитике Росстата, в 2020 году 20,5 тысячи человек в России пострадали в результате несчастного случая на производстве. Отталкиваясь от статистики, вопрос промышленной безопасности стоит особняком и требует новых решений, например, получившее распространение последнее время машинное зрение. Расскажем, что же это за технология и как она улучшает качество факторов безопасности.
Машинное зрение применяют почти везде, технология уже лидирует в числе эффективных решений искусственного интеллекта (ИИ). Не так давно решение использовали только для контроля статичных предметов, но теперь системы наблюдения захватывают объекты в движении и анализируют информацию вне зависимости от степени освещённости помещения.
По статистике, в 2020 году программы наблюдения с ИИ начали массово использовать в производственных компаниях, магазинах, на стройплощадках. Спровоцировано это было, конечно, пандемией и указаниями органов здравоохранения, которые пристально следили за соблюдением мер предосторожностей в стране. Но машинное зрение предназначено для решения задач посерьёзнее, нежели обнаружение сотрудников без защитных масок. Во всех отраслях промышленности, будь это металло- или деревообработка, востребована функция контроля производства.
«Большой брат» следит за тобой
У сотрудников практически нет шанса на то, что их нарушения останутся без внимания системы машинного зрения — в задачи программы входит фиксация передвижения по территории, контроль качества работ и детектирование средств индивидуальной защиты (СИЗ). С помощью нейросетей технология с лёгкостью распознаёт части тела человека, лица и другие объекты в режиме реального времени.
«Машинное зрение — это подвид искусственного интеллекта, в котором машина дообучается на основе исторических данных. А если применять подходы детального обучения, то программа постоянно получает новые знания и выявляет новые взаимосвязи. Принцип работы прост: нейросеть анализирует видеопоток с камеры и по заранее заданным критериям выявляет отклонения, о которых сигнализирует ответственному сотруднику», — рассказал основатель и управляющий партнёр Chelidze& Partners Consulting Джимшер Челидзе.
Как правило, разработчики обучают нейросети методом демонстрации видеофрагментов с зафиксированными на них объектами. Это минимизирует количество ошибок в работе системы в будущем, то есть программа научится находить объекты, «видя» их с разных сторон и при любом освещении.
«Поэтому мы собираем и размечаем большие и разнообразные наборы сведений. После обучения на таком наборе сведений нейронная сеть с максимальной, хотя и не 100-процентной, точностью распознаёт объекты и действия, осуществляемые людьми или оборудованием», — поделился директор ООО «НТР Томск» Николай Михайловский.
Руководитель программы по цифровой трансформации узбекской AKFA Group
Ислом Акрамов добавил, что машина развивает глубокий уровень понимания, выявляя закономерности, которые человек, вероятно, пропустит. Возможно, уже скоро усовершенствованный алгоритм машинного зрения будет выполнять задачи наравне с человеческим зрением.
Вошёл в цех — надень респиратор!
Как уже было сказано раньше — машинное зрение практически незаменимо для автоматизации мониторинга техники безопасности на критичных участках предприятия, что сейчас так вовремя. И поэтому промышленные предприятия не сторонятся технологии, ведь система помогает предотвратить ущерб от возможных аварий. Что уж говорить о бесценности человеческой жизни!
Кроме того, эксперты отмечают, что экономический эффект за счёт разницы между эффективностью машинного зрения и человеческого затраты на внедрение технологии окупаются уже за два года. А исключение присутствия человека в системе повышает уровень безопасности.
«Нет ограничения человеческого фактора: увидел ли сотрудник, знает ли досконально требования, не хочет ли ускорить работы в ущерб технике безопасности? Работают те принципы, которые написаны на бумаге, и так, как они задуманы», — поделился Джимшер Челидзе.
Контроль безопасности на предприятии с помощью машинного зрения начинается уже на входе, кроме того, тут технология играет и дополнительную роль контроля доступа.
«Системы машинного зрения подходят для контроля соблюдения техники безопасности на промышленных предприятиях: ношение сотрудниками СИЗ, контроль нахождения людей в опасных зонах, предотвращение столкновений движущейся техники и другие операции. А ещё машинное зрение участвует в инспекции опасных зон удалённо с помощью БПЛА», — сообщил Николай Михайловский.
Эксперт также добавил, что программы контролируют и технологические процессы для профилактики, и предупреждения аварийных ситуаций. А это важно в тех условиях, когда сотрудник не способен увидеть предпосылки катастрофы — например, в шахтах или на добывающем предприятии, таким образом, предотвращаются обвалы и аварии техногенного характера, связанные с нарушением работы техники.
Так как подходов к разработке и внедрению технологии на рынке встречается много, то и круг поставщиков решений постоянно растёт.
Коротко о тонкостях выбора
Конструкция системы машинного зрения многогранна, и элементы для каждой из её функций стоит выбирать исключительно скрупулёзно, учитывая все аспекты использования.
«Это не одна камера, подключённая к вычислителю, их может быть и больше двух. Кроме того, часто встречается система, каждая из частей которой поставляет отдельную информацию, и кроме камер участвуют датчики и приёмники. Но устройство фиксации изображения — главный элемент машинного зрения», — поделился генеральный директор ООО «Витэк-автоматика» Максим Сорока.
В промышленной безопасности совместимость матричных камер с системами видеонаблюдения — полезное решение, особенно если IP-видеокамеры не справляются с задачей. Например, продолжительность времени в 5 секунд на формирование кадра и передачу в устройство анализа абсолютно недопустимо для корректного контроля безопасности на предприятии.
Крайне важный элемент системы — сенсор. Тут стоит учитывать, какое количество байт вырабатывает устройство, и какой заложен динамический диапазон.
Дальше, для того чтобы технология работала корректно и вовремя выполняла свои функции, сенсоры должны иметь высокую скорость захвата изображений. Как говорит Максим Сорока, «musthave» — использовать камеру с функцией глобального затвора. Но тут свои нюансы: не стоит путать количество кадров в секунду и уровни экспозиции, ведь замыленная картинка как раз становится результатом завышенной экспозиции.
В зависимости от сферы установки сенсоры различаются функциональной составляющей. Например, модель HDR + LFM имеет функцию подавления мерцания светодиодов, Sequencer подходит для больших скоростей, а Multiple ROL оснащён функцией захвата нескольких частей кадров.
«Функции сенсоров могут включать два режима: чтобы переключать режим усиления и работать со слабо освещёнными сценами и видеть мелкие детали. Или, напротив, переключаться на режим слабого усиления, чтобы избежать насыщения сенсора и получать максимум информации», — добавил Максим Сорока.
Следующий фактор, достойный внимания, — интерфейс. Пройдёмся коротко по решениям, которым отдают предпочтение пользователи. Интерфейс с минимальными вложениями в инфраструктуру выбирают, как правило, из CameraLink, CoaXpress 2.0, USB 3.1 Gen 1/3.2. Но первый из-за недостаточной скорости становится уже менее популярным, а вот CoaXpress 2.0 эксперты признают интересным и актуальным. Что касается USB 3.1 Gen 1/3.2, то он довольно хорошо продуман, но у него слишком короткая длина кабеля подключения камеры, что не очень удобно, и значит, больше одного устройства на него не установить. Среди достойных и не слишком дорогостоящих Максим Сорока выделяет 10G Base-T со скоростью передачи информации в 10 Гбит и длиной кабеля до 100 метров и следующие поколения этого решения.
Не нужно углубляться в техническую составляющую, чтобы задать основное требование к камерам и системам в целом — защищённый конструктив и гарантия на использование минимум 3 года.
Теперь, когда на предприятии уже запланировано внедрение качественной системы машинного зрения, нужно подумать о том, где хранить получаемую информацию.
«Одна картинка, например, 20 Мб, 100 кадров в секунду — это колоссальные объёмы информации», — сообщил специалист по машинному обучению АО «Инфосистемы Джет» Александр Родченков.
Архивы? Облачные системы? Другой вопрос — нужно ли предприятию озадачиться этим и потратить время и деньги, или поставщики предоставляют хранилища?
По словам г-на Челидзе, это зависит от критичности информации и политики компании, и как показывает опыт — крупные заказчики замыкают контур внутри своей инфраструктуры.
И проблема даже не в том, как хранить, а в том, что именно собирать — метаданные или фрагменты целиком?
«Тут нужно считать, что эффективнее в конкретном проекте. Арендовать место и поставщиков или развернуть собственное хранилище», — заявил Джимшер Челидзе.
Как правило, хранение происходит с использованием стандартных баз и систем хранения данных.
О фактах
Есть уже ряд практических примеров того, как машинное зрение успешно прошло внедрение на предприятиях различных сфер и проявило себя как удачное решение.
Особо опасные условия труда сотрудников обрабатывающей промышленности, будь то работа с металлом, деревом или уж тем более нефтью и химией. Один неверный шаг в сторону от стандартов безопасности — и произойдёт непоправимое. В этой ситуации машинное зрение способно вовремя обнаружить аварию и известить сотрудников о месте и степени опасности.
Возможно, полностью от ЧП это не спасёт, но снизить его масштабы шанс, вероятно, будет.
Например, концерн «Росэнергоатом» уже установил на Кольской АЭС автоматизированную систему контроля, которая умеет распознавать 26 видов нарушений по 19 возможным параметрам.
Контроль происходит непосредственно во время рабочего процесса — нейросеть проверяет наличие установленных правилами средств защиты персонала. Если сотрудники нарушат правила безопасности или труда, диспетчер или старший сотрудник смены тут же об этом узнает и может незамедлительно отреагировать на инцидент.
Так, по сообщению экспертов, до внедрения системы на одной станции фиксировали 80 нарушений правил безопасности в неделю, а диспетчерам приходилось вручную штудировать десятки видеозаписей. Процесс неэффективный, ведь осечки сотрудников в таком случае обнаруживаются постфактум. Теперь количество нарушений в неделю сократилось в 10 раз.
Другой, не менее показательный пример — ПАО «Северсталь», где необходим контроль горячекатаных рулонов на конвейере и обнаружения их опасного смещения и падения.
С помощью программы из двух моделей нейросетей и видеопотока, и камер, ранее установленных на заводе, было построено решение. Технология контролирует положение рулонов сразу на двух точках. Каждый из объектов получает статус, где один, например, в безопасном положении, а другой — на пределе падения. Каждое изменение, считанное программой, отправляется в базу данных предприятия.
Некоторые системы машинного зрения после внедрения активно модернизируют и дорабатывают уже внутри предприятий. Например, главный архитектор АО «ОМК» Илья Дзюб рассказал, что на предприятии встал вопрос о повышении качества детектирования дефектов на горячекатаной стальной полосе при помощи сверхточных нейронных сетей. У проекта было три цели: получение сведений о модели, предсказывающих появление трещин, построение системы контроля качества сляб-полосы и снижение влияния человека на результат. Наконец был запущен проект по применению сверхточных нейронных сетей для повторного анализа изображений со старых камер PARSYTEC, которые в эксплуатации с 2008 года. Из-за того, что конструкция уже морально устарела, на заводе происходит перебраковка, и неизбежно требуется ручная проверка. Чтобы исправить положение, специалисты предприятия ведут работы по повышению качества детекции дефектов путём установки нейронных сетей CNN.
Также на предприятии реализуется «пилот» автоматизированной оценки качества поверхности горячего сляба после МНЛЗ. По словам г-на Дзюбы, совместно эти решения позволят построить полноценную сквозную программу контроля качества.
Чаще предприятия совмещают задачи для машинного зрения: контроль безопасности и контроль качества рабочего процесса и изделий. Но последнее — это уже другая история.
На хорошей ноте
Эксперты отмечают, что российский рынок машинного зрения последнее десятилетие бурно развивается.
«Это сопряжено и с расширяющимися техническими возможностями, и с появлением более доступных камер, серверов, программных инструментов. Важно отметить то, что промышленность начинает понимать, где и как системы машинного зрения приносят пользу и эффективны», — рассказал г-н Михайловский.
На рынке развиваются опытные IT-компании, которые предлагают объёмные портфели решений, а также и нишевые игроки, занимающиеся в одном направлении.
Некоторые прогрессирующие предприятия самостоятельно разрабатывают решение для собственных нужд, тем не менее спрос на предложения специализированных поставщиков не умаляется.
И вот тут закрадывается мысль — а не опасно ли доверять безопасность живого человека исключительно машине? Эксперты говорят, что об этом переживать не стоит, в конце концов, то же компьютерное зрение не вытеснит сотрудников из производственного процесса, а только дополнит их работу. Так называемые «кентавры» способны повысить качество и безопасность завода.
Немного о проблемах
Не обойтись и без «но». Цифровизация — вещь не из дешёвых, а технологии машинного зрения как одна из её частей также требуют определённых затрат, чем и отталкивают некоторые предприятия.
Корень неприятия таких решений — сложность расчёта экономики промышленной безопасности.
Ведь работа ведётся с серьёзными рисками. Кроме того, по словам г-на Челидзе, одни предприятия отказываются от технологии попросту из-за непонимания её ценности, другие уже успели разочароваться в компаниях цифровизатора, которые за большие деньги не дали должного эффекта.
«Машинное зрение и системы безопасности выдерживают финансовую проверку, ведь выполняют важные функции: оптимизация ФОТ и числа сотрудников; повышение эффективности на предприятии и контроль безопасности (как от внешних факторов, так и от несоблюдения норм техники безопасности)», — сообщил менеджер по развитию сегмента «Промышленность» ООО «ДССЛ» (бренд TRASSIR) Станислав Немзер.
Это подтверждают выводы совместного исследования PwC и ABBYY:
- 67% представителей бизнеса считают, что цифровизация бизнеса — в числе приоритетов их компаний;
- 94% не сокращали бюджеты или не замораживали инновационные проекты
- и цифровые инициативы в ответ на кризис;
- 79% представителей бизнеса видят быстрый и значимый эффект при реализации цифровых инициатив.
Не будем забывать и о том, что машинное зрение не только проверяет, надел ли сотрудник защитные перчатки, одна из весомых задач системы — контроль производственного процесса.
А по словам Александра Родченкова, проекты, связанные с контролем качества продукции и безопасности, окупаются быстро.
«Проекты машинного зрения на процессах с большим количеством потенциального брака окупаются за несколько месяцев. Заменяется ручной контроль, при этом и качество, и объем продукции возрастают», — добавил г-н Родченков.
Ну и, конечно, как и при любых попытках автоматизировать производство возникает внутреннее сопротивление коллектива: страх перед увольнением из-за новых технологий, политические страхи у служб ПБ, возможность введения «репрессивных» мер по итогам аналитики вместо системных изменений. Да и не на всех предприятиях есть ИТ-подразделения или руководители, готовые быть драйверами таких технологических изменений.
Специалист по машинному обучению АО «Инфосистемы Джет» Александр Родченков
«Сейчас на рынке — не менее 10 интеграторов и дистрибьюторов решений. Но если говорить о производстве готовых систем, то, к сожалению, получится констатировать единицы кастомных проектов и сборку из готовых комплектующих. Ни камеры, ни уж тем более матрицы к ним в России массово не изготавливают. Примеры популярных камер — Sony, Basler, Baumer, программных комплексов — Halcon, Сognex».
Менеджер по развитию сегмента «Промышленность» ООО «ДССЛ» (бренд TRASSIR) Станислав Немзер
«Решения в области интеллектуальной видеоаналитики способны помочь: сократить штат операторов систем видеонаблюдения до 75%; снизить производственный травматизм до 40%; до 10 раз сократить время расследования инцидентов».
Как правило, разработчики обучают нейросети методом демонстрации видеофрагментов с зафиксированными на них объектами. Это минимизирует количество ошибок в работе системы в будущем, то есть программа научится находить объекты, «видя» их с разных сторон и при любом освещении
Текст: Анастасия Семёнова
