KI und maschinelles Sehen im HSE-Bereich: Der Weg von der Idee bis zum Start

Von der Idee zum funktionierenden System: Maschinelles Sehen in der Lebensmittelproduktion

Die Einführung von Technologien der künstlichen Intelligenz und des maschinellen Sehens wird zu einem natürlichen Schritt in der Entwicklung von Arbeitssicherheitssystemen. Dies gilt insbesondere für die Lebensmittelindustrie, wo die HACCP-Anforderungen strenge Hygienevorschriften und Regeln für den Aufenthalt des Personals in Reinräumen vorschreiben. Ivan Maksimov, Vertreter des FoodTech-Unternehmens "Qmy", teilt praktische Erfahrungen bei der Erstellung und Implementierung eines maschinellen Sehsystems auf Basis von Open-Source-Lösungen.

Der Referent analysiert den Weg von der Entstehung der Idee bis zum Start eines funktionierenden Tools, das hilft, die Einhaltung von Hygienestandards und HSE-Vorschriften zu kontrollieren, ohne teure fertige Lösungen in Anspruch nehmen zu müssen.

Auswahl des Sprachmodells und Trainingsprozess

Die Grundlage für das System bildete das offene Sprachmodell MoonDream. Die Wahl eines Open-Source-Produkts ermöglichte es dem Unternehmen, beim Start erheblich zu sparen und das System flexibel an seine Bedürfnisse anzupassen. Der Vortrag geht detailliert auf den Trainingsprozess des Modells ein:

• Erstes Training mit synthetischen Daten: Das Modell wurde trainiert, um Rauch, fehlende Masken, Kopfbedeckungen und Handschuhe sowie ungewöhnliche Situationen (z. B. eine auf dem Boden liegende Person) zu erkennen. Dies ermöglichte es, grundlegende Erkennungsmuster festzulegen.
• Nachschulung mit realem Videostream: Das System wurde an Kameras in der Fabrikküche angeschlossen. Das Modell begann, Bilder in Echtzeit zu analysieren und Verstöße zu erkennen (z. B. das Betreten des Produktionsbereichs ohne Hygienekleidung). Dies sorgte für eine hohe Genauigkeit unter den spezifischen Bedingungen des Unternehmens.
• Integration mit Benachrichtigungssystemen: Für eine schnelle Reaktion wurde der Versand von Benachrichtigungen über einen Telegram-Bot an verantwortliche Manager und Technologen eingerichtet. Die Zeit von der Erfassung eines Verstoßes bis zum Empfang des Signals beträgt nicht mehr als 15 Sekunden.

Psychologie der Implementierung: Von Strafen zu Belohnungen

Die technische Umsetzung ist nur ein Teil des Erfolgs. Der Referent zeigt am Beispiel seines Unternehmens, wie wichtig es ist, die Arbeit mit dem Team bei der Einführung von Kontrollsystemen richtig zu gestalten. Das Hauptprinzip ist der Verzicht auf finanzielle Strafen auf der Grundlage von Daten des maschinellen Sehens.

• Das System als Helfer: Den Mitarbeitern wird erklärt, dass maschinelles Sehen ein Analogon zu passiven Sicherheitssystemen in einem Auto (ABS, Airbags) ist. Es wurde zum Schutz und nicht für Geldstrafen entwickelt.
• Positive Motivation: Anstelle von "Schandtafeln" verwendet das Unternehmen ein Belohnungssystem. Mitarbeiter, die einen Monat lang keine Verstöße begehen, erhalten kleine Prämien oder Geschenke. Dies verringert den Widerstand des Personals und bildet eine Kultur der bewussten Sicherheit.
• Vorbereitung: Vor dem Start des Systems wurden Schulungen und Gespräche durchgeführt, die es ermöglichten, Ängste abzubauen und sogar das Interesse der Mitarbeiter zu wecken.

Wirtschaftlichkeit des Projekts und Entwicklungsperspektiven

Die Erstellung eines eigenen Systems erfordert Investitionen, erweist sich aber langfristig als profitabler als der Kauf fertiger Out-of-the-Box-Lösungen. Die Hauptkosten entfallen auf die Vergütung des Programmierers (ca. 6 Monate Arbeit) und den Kauf von Serverausrüstung (ca. 2-3 Millionen Rubel). Die Eigenentwicklung ermöglicht es jedoch, das System kostenlos zu skalieren, neue Funktionen hinzuzufügen (z. B. Gesichtserkennung) und es in die internen IT-Produkte des Unternehmens (1C, Bitrix) zu integrieren.

Was Sie in diesem Webinar lernen werden:

• Wie wählt und trainiert man ein Open-Source-Modell für maschinelles Sehen für HSE-Zwecke?
• Wie organisiert man eine schnelle Benachrichtigung von Managern über Verstöße mithilfe von Telegram-Bots?
• Wie überwindet man den Widerstand des Personals bei der Einführung von totalen Videoüberwachungssystemen?
• Wie hoch sind die tatsächlichen Kosten für die Entwicklung eines eigenen maschinellen Sehsystems im Vergleich zum Kauf fertiger Lösungen?
• Wie hilft maschinelles Sehen, die Rate von Mikrotraumata in der Produktion zu reduzieren?