Москва, Киевское шоссе, 22-й километр, дв4с2кГ, подъезд 10, этаж 7
Режим работы: Пн – Пт с 08:00 до 19:00
Стройка XXI века: нейронная сеть различает цвета и считает прогульщиков

Стройка XXI века: нейронная сеть различает цвета и считает прогульщиков

31 Июля 2019

Виктор Субботин, генеральный директор компании «Бета», эксперт в разработке специализированного ПО и создании интеллектуальных систем на основе машинного обучения, видеоаналитики и IoT, рассказывает, как он обучал нейронную сеть помогать строителям.

Сфера видеонаблюдения сегодня серьезно трансформируется и совершенствуется. Но пока в большинстве случаев не только обзор, но и анализ данных с камер, например на строительных площадках и других крупных объектах, отдается на откуп людям — операторам и супервайзерам.




Основная проблема такого подхода — в субъективной оценке, влиянии на нее человеческого фактора. Это может быть не только усталость, невнимательность, лень или болезнь, но и бытовая коррупция, договоренности «по дружбе».

Современные видеокамеры сами частично способны «заниматься» аналитикой с помощью встроенного софта. Производители и поставщики заявляют, что их камеры умеют считать посетителей, определять пол и возраст, распознавать госномера автомобилей, анализировать работу сотрудников. Во многом это действительно так. Например, транспортная сфера очень продвинутая в вопросах применения возможностей видеоаналитики, где распознавание государственных номеров — давно решенная задача, и об этом знает каждый автовладелец, который получал «письма счастья» от ГИБДД по поводу нарушений.

Идеальных решений нет
Мы много лет занимаемся созданием видеоаналитических систем: начиная от КСОБ (комплексных систем обеспечения безопасности) для города и заканчивая автоматизированными системами управления платными дорогами. Поэтому знаем, что аналитика, завязанная на видео (а значит, и решения на ее основе), очень зависит от физических условий: освещенности, погоды, удаленности от объектов наблюдения, расположения камер, угла обзора, дополнительного оборудования и т.д.

Мы не привязаны к конкретным вендорам, поэтому я могу говорить, что эти параметры влияют на эффективность оборудования всех производителей. Когда поставщики говорят, что камеры с встроенным аналитическим ПО умеют определять пол, возраст и считать людей, они немного лукавят. Если не брать в расчет дорожно-транспортную отрасль (где, кстати, все еще есть проблемы), эффективное применение «встроенной» видеоаналитики возможно только в идеальных или близких к ним условиях. Например, на складах и в помещениях с искусственным освещением.

Когда речь заходит о применении таких решений в других отраслях, например на протяженных строительных площадках и открытых объектах, идеального решения не может предложить никто. И этот технологический лаг способны преодолеть нейронные сети.

Головные боли строителей
Работу нейронной сети я хотел бы объяснить на примере строительной сферы, где видеонаблюдение и последующий его анализ могут помочь решить разнообразные проблемы. Что это могут быть за проблемы? 
 
1) Несоблюдение техники безопасности. Речь идет об использовании персоналом касок, жилетов, а в отдельных случаях и дополнительных средств индивидуальной защиты везде, где это предусмотрено регламентом. 
 
2) Воровство стройматериалов. Это, увы, обычное дело, когда по бумагам материалы приехали на склад в полном объеме, а по факту машина субподрядчика даже не была на объекте. 
 
3) Несоответствие заявленного количества рабочих фактическому. Когда в смену должно было выйти 20 рабочих, а вышло пять, зато с пятнадцатью ключ-картами (чтобы отметиться за тех, кто не пришел). 
 
4) Срыв запланированных сроков. Особенно это актуально для удаленных от городов строек и протяженных объектов, например энергетических.

Что нужно знать
Если разложить отраслевые проблемы на отдельные задачи для искусственного интеллекта, то получится такой список: 
 
1) Виртуальное зонирование объекта: зона разгрузки, зона склада, зона строительства, зона отдыха, зоны работы техники. В зависимости от того, сколько времени и где проводят сотрудники или техника, можно сделать выводы о их продуктивности и времени простоя. 
 
2) Трекинг рабочих и строительной техники в разных зонах. Фиксировать перемещения сотрудников и время работы техники можно разными способами: с помощью видеоаналитики, различных датчиков и т.п. Мы использовали RFID-метки, потому что это быстро, недорого и удобно. Их можно вшить в спецодежду или закрепить на касках. 
 
3) Идентификация разных типов спецодежды. На строительной площадке это каски и жилеты. Отдельно мониторятся, например, белые (прорабы) и оранжевые (рабочие). Сотрудники без спецодежды тоже идентифицируются. Если интегрировать этот мониторинг в систему контроля и управления доступом (СКУД), то информация не только о посторонних людях на площадке, но и тех сотрудниках, которые носят пропуск за себя и за друга, легко собирается в общую картину продуктивности. 
 
4) Фиксация времени нахождения машин субподрядчиков на объекте: по номерному знаку, габаритам транспортного средства и цвету. Здесь мы использовали свой опыт работы в дорожно-транспортной отрасли. ПО распознает транспортные номера и цвет авто в системе контроля передвижения автотранспорта. Нейронная сеть сопоставляет фактические данные по транспорту субподрядчиков на стройке и планируемые данные по поставкам. В результате можно увидеть, кто не довез материалы и исключить подделку документов. 
 
5) Визуализация аналитики. Интерфейсы отображения аналитики могут быть практически любыми: графики, таблицы, тепловая карта.

Как учить нейронную сеть

Нейронная сеть учится по датасету (набор данных, в нашем случае изображений, которые она должна уметь распознавать). Например, если есть видео с нужными объектами, то его надо будет разбить на ключевые кадры. Чем больше данных, тем выше точность работы нейронной сети. Мы, например, использовали, в среднем, 1500 фотографий на каждый паттерн.

Главное отличие нейронной сети от встроенного ПО в том, что в случае ошибки идентификации (причин для этого может быть очень много), алгоритм софта нужно дорабатывать. Нейронная сеть совершенствуется сама и непрерывно.

Сколько времени нужно

Время обучения нейронной сети, включая подготовку датасета, занимает от двух недель до шести месяцев. Основная сложность прикладной видеоаналитики — в уникальности отраслевых процессов и отсутствии готовых данных.

Например, для одного решения РЖД нужно было научить нейронку распознавать шпалы, рельсы и отличать баллоны с пропаном от баллонов с кислородом. В открытых источниках таких данных в нужном количестве нет. Это пример того, что на текущем этапе развития технологии большинство b2b-решений на базе машинного обучения и нейросетей очень индивидуальные. Однако часто можно использовать видеоматериал с имеющихся систем видеонаблюдения предприятий, что заметно сокращает сроки решения нестандартных задач.

Перспективы метода

Технология востребована далеко за пределами описываемой области. Глобальные ИТ-лидеры сейчас работают над агрегацией очень разрозненной информации, призывая озаботиться этим специалистов по всему миру. Например, компания Google, которая имеет в арсенале огромные возможности для развития технологий машинного обучения, поняла, что необходим глобальный поисковик по датасетам Dataset Search, бета-версию которого представила в июле 2018 года. Месяцем раньше открытую библиотеку датасетов опубликовала Microsoft.

Источник: РБК


 

Ведущие российские и международные компании

ФБУЗ федиральный центр гигиены и эпидемиологии Роспотребнадзор
Корпорация развития Дальнего Востока
МОСЭНЕРГОСБЫТ
Правительство Москвы
CUSHMAN & WAKEFIED
Кералит
ОПИОН
Транснефть
ABB
МРСКЮГА
danfoss
Абрау-Дюрсо
MEKRAN
сб банк
BILFINGER
Авиапарк торговый центр
RAVEN RUSSIA
ВТБ
IKEA
СИБУР
СМУ 5
МЕГА у каждого своя
X5REALGROUP
Эльдорадо
hotel baltschug kempinski
ЛЭМ
онэксим группа
kino star
логотип партнера
adidas
Билайн
Газапром нефть
Alshaya
assmann
AVILON
ООО БАШКИРЭНЕРГО
РТ-ИНВЕСТ тРАНСПОРТНЫЕ СИСТЕМЫ
МЧС России
Инвестиционный торговый банк
АШАН
КИМШ
SK Skolkovo