IA e análise de vídeo em HSE: o caminho da ideia ao lançamento com recursos próprios

Inteligência artificial em HSE: da ideia a um sistema funcional

A implementação de sistemas de visão computacional e inteligência artificial em HSE é frequentemente percebida como um processo caro e complexo, acessível apenas a grandes corporações. No entanto, as tecnologias modernas permitem que tais projetos sejam realizados por especialistas internos. Ivan Maksimov, especialista em HSE da Qummy, compartilha sua experiência prática na criação e lançamento de um sistema de análise de vídeo em uma fábrica de alimentos usando soluções de código aberto (open-source).

Pré-requisitos para a implementação: por que o controle automatizado foi necessário

A produção de alimentos possui normas sanitárias e requisitos de segurança rigorosos. O palestrante analisa os principais problemas que levaram a empresa a automatizar o controle:

• Violação das regras de uso de roupas sanitárias: os trabalhadores esqueciam regularmente de usar luvas, toucas ou trocar de sapatos ao passar entre zonas limpas e sujas.
• Ações não autorizadas com equipamentos: tentativas de reparo independente ou interferência no funcionamento de mecanismos ligados sem a devida qualificação.
• Alto gasto de tempo dos gestores: os gestores de linha tinham que gastar uma parte significativa do seu tempo de trabalho no controle visual do cumprimento das regras.

Escolha da tecnologia: modelo open-source MoonDream

Em vez de comprar soluções comerciais caras, a empresa escolheu o caminho do desenvolvimento próprio com base no modelo de linguagem aberto MoonDream. A apresentação detalha as funcionalidades deste sistema:

• Análise de fluxo de vídeo em tempo real: o modelo é capaz de analisar a imagem quadro a quadro e identificar padrões predefinidos (falta de EPI, fumaça, queda de uma pessoa).
• Flexibilidade de treinamento: o sistema é treinado com fotos e vídeos reais da produção, o que permite adaptá-lo às condições específicas de uma determinada empresa.
• Economia: o uso de um produto open-source nos próprios servidores da empresa elimina os custos com licenças e armazenamento em nuvem.

Fases de implementação: do pré-treinamento à operação industrial

O processo de implementação levou vários meses e incluiu etapas sequenciais:

• Pré-treinamento com dados artificiais: criação de modelos básicos para reconhecimento de incêndio, fumaça, presença de máscaras, luvas e toucas.
• Treinamento em fluxo de vídeo real: adaptação do modelo às condições de produção específicas, correção de erros e falsos positivos.
• Configuração do sistema de alerta: desenvolvimento de um bot no Telegram para informar prontamente os gerentes de fábrica sobre as violações detectadas, indicando data, hora e local.

Resultados da implementação e trabalho com o pessoal

Durante o período de operação experimental, o sistema detectou mais de 2.700 não conformidades, enquanto a taxa de falsos positivos foi reduzida para 5%. O palestrante mostra com um exemplo como a automação afetou a cultura de segurança:

• Aumento da autodisciplina: o número de violações das regras de uso de roupas sanitárias diminuiu significativamente.
• Redução de microlesões: foi registrada uma diminuição no número de microlesões em comparação com o mesmo período do ano passado.
• Motivação positiva: em vez de punições por violações, a empresa implementou um sistema de recompensa para os trabalhadores que não se desviam das regras de segurança.

O que você aprenderá neste webinar:

• Como implantar um sistema de análise de vídeo baseado em soluções open-source gratuitas?
• Quais etapas de treinamento uma rede neural deve passar para funcionar corretamente na produção?
• Como configurar alertas rápidos para os gestores sobre violações através do Telegram?
• Como superar a resistência dos funcionários ao implementar sistemas de controle total?
• Quais são os requisitos técnicos das câmeras para o funcionamento eficaz da análise de vídeo?