AI và phân tích video trong HSE: từ ý tưởng đến tự triển khai

Trí tuệ nhân tạo trong HSE: từ ý tưởng đến hệ thống hoạt động

Việc triển khai các hệ thống thị giác máy tính và trí tuệ nhân tạo trong HSE thường được coi là một quá trình tốn kém và phức tạp, chỉ dành cho các tập đoàn lớn. Tuy nhiên, công nghệ hiện đại cho phép thực hiện các dự án như vậy bằng chính các chuyên gia nội bộ. Ivan Maksimov, chuyên gia HSE tại Qummy, chia sẻ kinh nghiệm thực tế về việc tạo và khởi chạy hệ thống phân tích video tại một cơ sở sản xuất thực phẩm bằng các giải pháp mã nguồn mở (open-source).

Bối cảnh triển khai: tại sao cần kiểm soát tự động

Sản xuất thực phẩm có các tiêu chuẩn vệ sinh và yêu cầu an toàn nghiêm ngặt. Diễn giả phân tích các vấn đề chính đã thúc đẩy công ty tự động hóa việc kiểm soát:

• Vi phạm quy định mặc quần áo vệ sinh: công nhân thường xuyên quên đeo găng tay, đội mũ hoặc thay giày khi di chuyển giữa các khu vực sạch và bẩn.
• Hành động trái phép với thiết bị: nỗ lực tự sửa chữa hoặc can thiệp vào hoạt động của các máy móc đang bật mà không có đủ trình độ chuyên môn.
• Tiêu tốn nhiều thời gian của người quản lý: các quản lý trực tiếp phải dành một phần đáng kể thời gian làm việc để kiểm tra trực quan việc tuân thủ các quy tắc.

Lựa chọn công nghệ: mô hình mã nguồn mở MoonDream

Thay vì mua các giải pháp thương mại đắt tiền, công ty đã chọn con đường tự phát triển dựa trên mô hình ngôn ngữ mở MoonDream. Bài phát biểu xem xét chi tiết chức năng của hệ thống này:

• Phân tích luồng video theo thời gian thực: mô hình có khả năng phân tích hình ảnh theo từng khung hình và xác định các mẫu đã thiết lập (thiếu PPE, khói, người ngã).
• Tính linh hoạt trong đào tạo: hệ thống được đào tạo trên các bức ảnh và video thực tế từ quá trình sản xuất, cho phép điều chỉnh nó theo các điều kiện cụ thể của từng doanh nghiệp.
• Tiết kiệm chi phí: việc sử dụng sản phẩm mã nguồn mở trên hệ thống máy chủ riêng của công ty giúp loại bỏ chi phí cấp phép và lưu trữ đám mây.

Các giai đoạn thực hiện: từ tiền đào tạo đến vận hành công nghiệp

Quá trình triển khai mất vài tháng và bao gồm các bước liên tiếp:

• Tiền đào tạo trên dữ liệu nhân tạo: tạo các mô hình cơ bản để nhận diện hỏa hoạn, khói, sự hiện diện của khẩu trang, găng tay và mũ nón.
• Đào tạo trên luồng video thực tế: điều chỉnh mô hình theo điều kiện sản xuất cụ thể, sửa lỗi và các cảnh báo sai.
• Thiết lập hệ thống cảnh báo: phát triển một bot Telegram để thông báo kịp thời cho các quản lý phân xưởng về các vi phạm được phát hiện, kèm theo ngày, giờ và địa điểm.

Kết quả triển khai và làm việc với nhân sự

Trong thời gian vận hành thử nghiệm, hệ thống đã phát hiện hơn 2700 điểm không phù hợp, trong khi tỷ lệ cảnh báo sai giảm xuống còn 5%. Diễn giả đưa ra ví dụ về cách tự động hóa đã ảnh hưởng đến văn hóa an toàn:

• Nâng cao tính tự kỷ luật: số lượng vi phạm quy định về mặc quần áo vệ sinh đã giảm đáng kể.
• Giảm chấn thương nhỏ: ghi nhận sự sụt giảm số lượng chấn thương nhỏ so với cùng kỳ năm ngoái.
• Động lực tích cực: thay vì trừng phạt các vi phạm, công ty đã áp dụng hệ thống khen thưởng cho những nhân viên không vi phạm các quy tắc an toàn.

Bạn sẽ học được gì từ hội thảo trực tuyến này:

• Làm thế nào để triển khai hệ thống phân tích video dựa trên các giải pháp mã nguồn mở miễn phí?
• Mạng nơ-ron phải trải qua những giai đoạn đào tạo nào để hoạt động chính xác trong sản xuất?
• Làm thế nào để thiết lập cảnh báo kịp thời cho người quản lý về các vi phạm thông qua Telegram?
• Làm thế nào để vượt qua sự phản kháng của nhân viên khi triển khai các hệ thống kiểm soát toàn diện?
• Các yêu cầu kỹ thuật đối với camera để phân tích video hoạt động hiệu quả là gì?