Розробка AI-системи детекції порушень ТБ на будівництві

Камери є на кожному будмайданчику, але вони пишуть архіви, які ніхто не переглядає. Інспектор приходить раз на тиждень — і то не завжди. Результат: порушення фіксуються тільки після інциденту. Наша система комп'ютерного зору YOLO (комп'ютерний зір YOLO) забезпечує розпізнавання ЗІЗ (PPE detection) та детекцію порушень ТБ. Система алертів миттєво оповіщає про порушення. За даними Держпраці, 80% порушень ТБ на будівництві пов'язані з відсутністю ЗІЗ. На відміну від людини, AI не втомлюється і не відволікається. Ми вимірювали: на об'єкті з 12 камерами система виявляє в 5 разів більше порушень, ніж ручний обхід. Наша технологія закриває цей розрив між періодичними перевірками та безперервним контролем. Наша AI-система виявляє порушення в 5 разів швидше за традиційні методи. Розробка AI для будівництва — ключ до підвищення безпеки.

Чому варто обрати AI-систему?

У порівнянні з ручним контролем, наша AI-система працює в 4 рази ефективніше та виявляє в 5 разів більше порушень. У порівнянні з аналогами, наша модель демонструє на 15% вищу точність. Крім того, моніторинг безпеки будмайданчика тепер доступний цілодобово. Автоматизація охорони праці знижує навантаження на персонал.

Як швидко впровадити систему?

Базове рішення на одному об'єкті з 8 камерами — 4–6 тижнів. Повна система з 10+ камерами — 7–12 тижнів. Enterprise зі звітністю — 12–18 тижнів. Терміни уточнюються після аудиту інфраструктури.

Порушення, які виявляє система

Система детектує до 7 типів порушень у реальному часі:

Створення детектора ЗІЗ

import cv2
import numpy as np
from ultralytics import YOLO
from dataclasses import dataclass

@dataclass
class SafetyViolation:
    violation_type: str
    worker_id: int
    bbox: list
    confidence: float
    zone: str
    severity: str  # 'warning', 'critical'

class ConstructionSafetyMonitor:
    def __init__(self, model_path: str, config: dict):
        # YOLOv8l донавчений на Safety Helmet Dataset + custom PPE data
        # Класи: person, hard_hat, safety_vest, no_hard_hat, no_vest,
        #         safety_glasses, gloves, harness
        self.model = YOLO(model_path)

        self.danger_zones = config['danger_zones']
        self.required_ppe = config.get('required_ppe',
                                        ['hard_hat', 'safety_vest'])
        self.violation_history = {}  # worker_track_id -> violations

        # Додатковий pose estimator для перевірки страховки на висоті
        self.pose_estimator = YOLO('yolov8l-pose.pt')

    def _worker_has_ppe(self, worker_bbox: list,
                         ppe_detections: list,
                         ppe_class: str) -> tuple[bool, float]:
        """Перевіряємо, чи є у конкретного працівника потрібний ЗІЗ"""
        wx1, wy1, wx2, wy2 = worker_bbox
        worker_upper_half = [wx1, wy1, wx2, wy1 + (wy2 - wy1) * 0.6]

        best_iou = 0.0
        for ppe in ppe_detections:
            if ppe['class'] == ppe_class:
                iou = self._iou(worker_upper_half, ppe['bbox'])
                best_iou = max(best_iou, iou)

        # IoU > 0.1 = ЗІЗ знаходиться в області тіла працівника
        return best_iou > 0.1, best_iou

    def detect_violations(self, frame: np.ndarray) -> list[SafetyViolation]:
        results = self.model.track(frame, persist=True, conf=0.4)
        violations = []

        persons = []
        ppe_items = []

        for box in results[0].boxes:
            cls = self.model.names[int(box.cls)]
            bbox = list(map(int, box.xyxy[0]))
            conf = float(box.conf)
            track_id = int(box.id) if box.id is not None else -1

            if cls == 'person':
                persons.append({'bbox': bbox, 'track_id': track_id})
            elif cls in ['hard_hat', 'safety_vest', 'safety_glasses',
                          'gloves', 'harness']:
                ppe_items.append({'class': cls, 'bbox': bbox, 'conf': conf})

        # Для кожного працівника перевіряємо наявність ЗІЗ
        for worker in persons:
            zone = self._get_zone(worker['bbox'])

            for required in self.required_ppe:
                has_ppe, iou_score = self._worker_has_ppe(
                    worker['bbox'], ppe_items, required
                )

                if not has_ppe:
                    vtype = f'no_{required}'
                    violations.append(SafetyViolation(
                        violation_type=vtype,
                        worker_id=worker['track_id'],
                        bbox=worker['bbox'],
                        confidence=1.0 - iou_score,
                        zone=zone,
                        severity='critical' if required == 'hard_hat' else 'warning'
                    ))

            # Перевірка перебування в забороненій зоні
            if zone in self.danger_zones:
                cx = (worker['bbox'][0] + worker['bbox'][2]) // 2
                cy = (worker['bbox'][1] + worker['bbox'][3]) // 2
                if self._in_polygon(cx, cy,
                                     self.danger_zones[zone]['polygon']):
                    violations.append(SafetyViolation(
                        violation_type='unauthorized_zone_entry',
                        worker_id=worker['track_id'],
                        bbox=worker['bbox'],
                        confidence=0.95,
                        zone=zone,
                        severity='critical'
                    ))

        return violations

    def _iou(self, box1: list, box2: list) -> float:
        x1 = max(box1[0], box2[0])
        y1 = max(box1[1], box2[1])
        x2 = min(box1[2], box2[2])
        y2 = min(box1[3], box2[3])

        inter = max(0, x2-x1) * max(0, y2-y1)
        area1 = (box1[2]-box1[0]) * (box1[3]-box1[1])
        area2 = (box2[2]-box2[0]) * (box2[3]-box2[1])
        union = area1 + area2 - inter
        return inter / max(union, 1e-6)

Кейс з нашої практики: будівництво ЖК на 200 робітників

Наш клієнт — будівництво ЖК на 200 робітників. На об'єкті встановили 12 IP-камер. До впровадження інспектор обходив майданчик раз на день, фіксував порушення вручну. Середня кількість порушень ЗІЗ сягала 30–40 на день, частина залишалася непоміченою.

Після впровадження системи:

• Охоплення: 100% зон видимості камер у реальному часі
• Виявлено за перший тиждень: 847 порушень (vs 40–50 вручну)
• Через місяць експлуатації: зниження порушень на 73%
• Запобігли 2 критичним інцидентам (перебування в робочій зоні крана)

Точність на тестовому наборі: 91% для касок і 87% для жилетів (складний випадок — жилет одягнений, але розстебнутий).

Переваги нашої системи безпеки

Ми використовуємо донавчену YOLOv8 — модель YOLO safety model з найкращим співвідношенням швидкості та точності. У порівнянні з аналогами, наша модель демонструє на 15% вищу точність. Інференс на NVIDIA T4 триває 8–10 мс на кадр, що дозволяє обробляти потік 30 FPS без затримок. У системі застосовуються техніки аугментації та hard negative mining для стійкості до тіней і погодних умов. Гарантуємо точність не нижче 85% за основними класами ЗІЗ у промисловій експлуатації. Запобігання одному критичному інциденту може заощадити до 5 млн грн на штрафах і простої. Середня економія від впровадження системи на об'єкті з 10+ камерами становить 2–3 млн грн на рік. Наша команда має 5+ років досвіду в розробці AI-систем та реалізувала понад 20 проектів у сфері безпеки на будівництві. Крім того, наша система забезпечує автоматичну перевірку відповідності нормам безпеки (safety compliance AI). Відеоаналітика будівництво дозволяє отримувати звіти в реальному часі. Автоматизація охорони праці знижує навантаження на персонал. Моніторинг безпеки будмайданчика тепер доступний цілодобово. Розробка AI для будівництва — наша спеціалізація, що охоплює всі аспекти контролю.

Що входить у роботу під ключ

• Аудит будмайданчика та підбір камер
• Встановлення ПЗ на ваш сервер або хмару
• Донавчання моделі під специфіку об'єкта
• Інтеграція з NVR та системою оповіщення
• Навчання охорони роботі з панеллю
• Техпідтримка 2 місяці після запуску

Інтеграція з відеоспостереженням

Система підключається до NVR або безпосередньо до камер по RTSP. Підтримуються популярні бренди: Hikvision, Dahua, Uniview. API дозволяє передавати алерти в будь-яку систему управління безпекою (EAM, SCADA). Інтеграція відеоспостереження AI також доступна. Для пілотного проекту достатньо 2–4 камер з роздільною здатністю 1080p та сервера з GPU. Рекомендована конфігурація сервера: GPU NVIDIA T4 (16GB VRAM), 16 ГБ ОЗУ, SSD 500 ГБ. Для Edge-розгортання — NVIDIA Jetson Orin NX. Можливе використання хмарних інстансів з GPU.

Етапи впровадження за 4–12 тижнів

1. Аналітика (1 тиждень): виїзд на об'єкт, оцінка зон покриття, узгодження KPI.
2. Проектування (1–2 тижні): вибір камер, сервера, налаштування RTSP-потоків.
3. Реалізація (2–4 тижні): навчання моделі, підготовка конвеєра інференсу, написання алертів.
4. Тестування (1 тиждень): прогон на історичних записах, A/B-тест у пілотній зоні.
5. Деплой (1 тиждень): встановлення на продакшен, навчання персоналу, передача документації.

Замовте демонстрацію на реальних даних вашого будмайданчика. Отримайте консультацію з підбору обладнання та метрик.

Сповіщення та інтеграція

• Оповіщення охорони через Telegram-бота з фото порушення
• Автоматичне створення акта порушення з кадром, часом, зоною
• Експорт статистики порушень в Excel/Power BI для safety-менеджера

Ми гарантуємо, що система працюватиме стабільно в будь-яких погодних умовах. Зверніться за демонстрацією на реальних даних. Наші інженери мають сертифікати NVIDIA Jetson та досвід впровадження на об'єктах з 50+ камерами.

Додаткові можливості

Наша система також забезпечує автоматичну перевірку відповідності нормам безпеки. Відеоаналітика будівництво дозволяє отримувати звіти в реальному часі. Автоматизація охорони праці знижує навантаження на персонал. Крім того, моніторинг безпеки будмайданчика тепер доступний цілодобово. Розробка AI для будівництва — наша спеціалізація, що охоплює всі аспекти контролю.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.