AI dan Analitik Video dalam HSE: Dari Ide hingga Peluncuran Mandiri

Kecerdasan Buatan dalam HSE: Dari Ide hingga Sistem yang Berfungsi

Penerapan sistem visi mesin dan kecerdasan buatan dalam HSE sering dianggap sebagai proses yang mahal dan kompleks, yang hanya dapat diakses oleh perusahaan besar. Namun, teknologi modern memungkinkan proyek semacam itu diwujudkan oleh spesialis internal. Ivan Maksimov, spesialis HSE di perusahaan Qummy, berbagi pengalaman praktis dalam membuat dan meluncurkan sistem analitik video di fasilitas produksi makanan menggunakan solusi open-source.

Latar Belakang Penerapan: Mengapa Kontrol Otomatis Diperlukan

Produksi makanan memiliki standar sanitasi dan persyaratan keselamatan yang ketat. Pembicara membahas masalah utama yang mendorong perusahaan untuk mengotomatiskan kontrol:

• Pelanggaran aturan pemakaian pakaian sanitasi: pekerja sering lupa memakai sarung tangan, topi, atau mengganti sepatu saat berpindah antara area bersih dan kotor.
• Tindakan tidak sah pada peralatan: upaya perbaikan mandiri atau campur tangan dalam pengoperasian mesin yang menyala tanpa kualifikasi yang memadai.
• Menghabiskan banyak waktu manajer: manajer lini harus menghabiskan sebagian besar waktu kerja mereka untuk kontrol visual terhadap kepatuhan aturan.

Pemilihan Teknologi: Model Open-Source MoonDream

Alih-alih membeli solusi komersial yang mahal, perusahaan memilih jalur pengembangan mandiri berdasarkan model bahasa terbuka MoonDream. Presentasi ini membahas secara rinci fungsionalitas sistem tersebut:

• Analisis aliran video secara real-time: model ini mampu menganalisis gambar bingkai demi bingkai dan mengidentifikasi pola yang ditentukan (ketiadaan APD, asap, orang jatuh).
• Fleksibilitas pelatihan: sistem dilatih menggunakan foto dan video nyata dari produksi, yang memungkinkannya beradaptasi dengan kondisi spesifik perusahaan tertentu.
• Efisiensi biaya: penggunaan produk open-source pada kapasitas server perusahaan sendiri menghilangkan biaya lisensi dan penyimpanan cloud.

Tahapan Implementasi: Dari Prapelatihan hingga Operasi Industri

Proses penerapan memakan waktu beberapa bulan dan mencakup langkah-langkah berurutan:

• Prapelatihan pada data buatan: pembuatan model dasar untuk mengenali kebakaran, asap, keberadaan masker, sarung tangan, dan penutup kepala.
• Pelatihan pada aliran video nyata: adaptasi model dengan kondisi produksi tertentu, koreksi kesalahan, dan alarm palsu.
• Pengaturan sistem peringatan: pengembangan bot Telegram untuk dengan cepat menginformasikan manajer bengkel tentang pelanggaran yang terdeteksi, termasuk tanggal, waktu, dan lokasi.

Hasil Penerapan dan Keterlibatan Karyawan

Selama periode operasi uji coba, sistem mendeteksi lebih dari 2.700 ketidaksesuaian, sementara tingkat alarm palsu berkurang menjadi 5%. Pembicara menunjukkan dengan contoh bagaimana otomatisasi memengaruhi budaya keselamatan:

• Peningkatan disiplin diri: jumlah pelanggaran aturan pemakaian pakaian sanitasi menurun secara signifikan.
• Penurunan cedera ringan: tercatat penurunan jumlah cedera ringan dibandingkan periode yang sama tahun lalu.
• Motivasi positif: alih-alih menghukum pelanggaran, perusahaan menerapkan sistem penghargaan bagi pekerja yang tidak menyimpang dari aturan keselamatan.

Apa yang akan Anda pelajari dari webinar ini:

• Bagaimana cara menerapkan sistem analitik video berdasarkan solusi open-source gratis?
• Tahapan pelatihan apa yang harus dilalui jaringan saraf agar berfungsi dengan benar dalam produksi?
• Bagaimana cara mengatur peringatan cepat kepada manajer tentang pelanggaran melalui Telegram?
• Bagaimana cara mengatasi penolakan staf saat menerapkan sistem kontrol total?
• Apa persyaratan teknis untuk kamera agar analitik video berfungsi secara efektif?