AI i analityka wideo w HSE: droga od pomysłu do wdrożenia własnymi siłami

Sztuczna inteligencja w HSE: od pomysłu do działającego systemu

Wdrażanie systemów widzenia maszynowego i sztucznej inteligencji w HSE często postrzegane jest jako kosztowny i skomplikowany proces, dostępny tylko dla dużych korporacji. Jednak nowoczesne technologie pozwalają na realizację takich projektów siłami wewnętrznych specjalistów. Ivan Maksimov, specjalista ds. HSE w firmie Qummy, dzieli się praktycznym doświadczeniem w tworzeniu i uruchamianiu systemu analityki wideo w zakładzie produkcji spożywczej z wykorzystaniem rozwiązań open-source.

Przesłanki wdrożenia: dlaczego potrzebna była zautomatyzowana kontrola

Produkcja spożywcza wiąże się z rygorystycznymi normami sanitarnymi i wymogami bezpieczeństwa. Prelegent omawia główne problemy, które skłoniły firmę do automatyzacji kontroli:

• Naruszenia zasad noszenia odzieży sanitarnej: pracownicy regularnie zapominali o zakładaniu rękawiczek, czepków lub zmianie obuwia podczas przechodzenia między strefami czystymi i brudnymi.
• Nieautoryzowane działania przy sprzęcie: próby samodzielnej naprawy lub ingerencji w działające mechanizmy bez odpowiednich kwalifikacji.
• Duże straty czasu kierowników: kierownicy liniowi musieli poświęcać znaczną część czasu pracy na wizualną kontrolę przestrzegania zasad.

Wybór technologii: model open-source MoonDream

Zamiast kupować drogie rozwiązania komercyjne, firma wybrała drogę samodzielnego rozwoju w oparciu o otwarty model językowy MoonDream. W prezentacji szczegółowo omówiono funkcjonalność tego systemu:

• Analiza strumienia wideo w czasie rzeczywistym: model potrafi analizować obraz klatka po klatce i wykrywać określone wzorce (brak ŚOI, zadymienie, upadek człowieka).
• Elastyczność uczenia: system jest trenowany na rzeczywistych zdjęciach i filmach z produkcji, co pozwala dostosować go do specyficznych warunków konkretnego zakładu.
• Oszczędność: korzystanie z produktu open-source na własnych serwerach firmy eliminuje koszty licencji i przechowywania w chmurze.

Etapy realizacji: od wstępnego treningu do eksploatacji przemysłowej

Proces wdrożenia zajął kilka miesięcy i obejmował kolejne kroki:

• Wstępny trening na sztucznych danych: tworzenie podstawowych modeli do rozpoznawania pożaru, zadymienia, obecności masek, rękawiczek i nakryć głowy.
• Trening na rzeczywistym strumieniu wideo: adaptacja modelu do warunków konkretnej produkcji, korygowanie błędów i fałszywych alarmów.
• Konfiguracja systemu powiadomień: stworzenie bota na Telegramie do szybkiego informowania kierowników hal o wykrytych naruszeniach ze wskazaniem daty, godziny i miejsca.

Wyniki wdrożenia i praca z personelem

W okresie eksploatacji próbnej system wykrył ponad 2700 niezgodności, przy czym odsetek fałszywych alarmów został zmniejszony do 5%. Prelegent pokazuje na przykładzie, jak automatyzacja wpłynęła na kulturę bezpieczeństwa:

• Wzrost samodyscypliny: liczba naruszeń zasad noszenia odzieży sanitarnej znacznie spadła.
• Zmniejszenie mikrourazów: odnotowano spadek liczby mikrourazów w porównaniu z analogicznym okresem ubiegłego roku.
• Pozytywna motywacja: zamiast kar za naruszenia, firma wdrożyła system nagradzania pracowników, którzy nie dopuszczają do odstępstw od zasad bezpieczeństwa.

Czego dowiesz się z tego webinarium:

• Jak wdrożyć system analityki wideo w oparciu o darmowe rozwiązania open-source?
• Jakie etapy uczenia musi przejść sieć neuronowa, aby poprawnie działać na produkcji?
• Jak skonfigurować szybkie powiadamianie kierowników o naruszeniach przez Telegram?
• Jak pokonać opór personelu przy wdrażaniu systemów całkowitej kontroli?
• Jakie są wymagania techniczne dla kamer, aby analityka wideo działała skutecznie?