Система комп'ютерного зору для безпеки персоналу на виробництві

На виробництві з роботами-маніпуляторами, штампувальними пресами та високовольтним обладнанням кожен інцидент з персоналом — це ризик травми, зупинка лінії та штрафи. Стандартні системи відеоаналітики дають багато хибних спрацьовувань: тінь, проїжджаюча візок, відображення у склі — все це викликає хибну тривогу. За даними статистики, понад 30% нещасних випадків на виробництві пов'язані з перебуванням людей у небезпечних зонах [ILO Safety Report]. Ми розробляємо AI-системи комп'ютерного зору, які відстежують не просто перетин bbox з зоною, а геопросторове положення ключових точок тіла — ніг та стегон. Це знижує false alarm rate до 5% та дозволяє реагувати за 100 мс. Система працює під ключ: від калібрування камери до інтеграції з PLC/SCADA та сертифікації SIL. Ми гарантуємо точність відповідно до сертифіката SIL 2 та надаємо підтримку 24/7.

Проблема: стандартна детекція bbox не підходить

Стандартна помилка — детектуємо людину та перевіряємо її bounding box на перетин з polygon зони. Проблема: людина стоїть біля межі зони, bbox перетинається з зоною на 10% — тривога? Правильно: відстежуємо конкретні точки тіла (ноги) в зоні, а не весь bbox. Використовуємо pose estimation (YOLOv8-pose) та Shapely для точної перевірки.

import cv2
import numpy as np
from shapely.geometry import Point, Polygon
from ultralytics import YOLO
from collections import defaultdict

class DangerZoneMonitor:
    """
    Моніторинг небезпечних зон через:
    1. Pose estimation → ключові точки (ноги, руки)
    2. Перевірка точок у зонах через Shapely
    3. Трекінг персон для зниження false positives
    """
    def __init__(
        self,
        model_path: str = 'yolov8m-pose.pt',
        danger_zones: list[dict] = None,
        # Список зон: [{'id': 'zone_1', 'polygon': [(x1,y1), ...], 'severity': 'critical'}]
        min_frames_before_alert: int = 3   # 3 кадри підряд = справжнє порушення
    ):
        self.model = YOLO(model_path)
        self.zones = [
            {
                'id': z['id'],
                'polygon': Polygon(z['polygon']),
                'severity': z.get('severity', 'high'),
                'check_points': z.get('check_points', 'feet')  # 'feet' | 'any' | 'center'
            }
            for z in (danger_zones or [])
        ]
        self.min_frames = min_frames_before_alert
        self.violation_counters: dict = defaultdict(int)  # person_track_id → consecutive frames

    def process_frame(
        self, frame: np.ndarray
    ) -> dict:
        """
        Повертає {'violations': [...], 'annotated_frame': np.ndarray}
        """
        # YOLOv8-pose: детекція + позиція + трекінг
        results = self.model.track(
            frame,
            persist=True,     # ByteTrack трекінг
            conf=0.4,
            verbose=False
        )[0]

        active_track_ids = set()
        violations = []

        if results.keypoints is not None and results.boxes.id is not None:
            keypoints = results.keypoints.xy.cpu().numpy()    # (N, 17, 2)
            confidences = results.keypoints.conf.cpu().numpy() # (N, 17)
            track_ids = results.boxes.id.cpu().numpy().astype(int)

            for i, (kpts, confs, track_id) in enumerate(
                zip(keypoints, confidences, track_ids)
            ):
                active_track_ids.add(track_id)
                check_points = self._get_check_points(kpts, confs)

                for zone in self.zones:
                    in_zone = any(
                        confs[idx] > 0.5 and
                        zone['polygon'].contains(Point(kpts[idx]))
                        for idx in check_points
                    )

                    if in_zone:
                        self.violation_counters[track_id] += 1
                        if self.violation_counters[track_id] >= self.min_frames:
                            violations.append({
                                'track_id': int(track_id),
                                'zone_id': zone['id'],
                                'severity': zone['severity'],
                                'consecutive_frames': self.violation_counters[track_id],
                                'person_bbox': results.boxes.xyxy[i].cpu().numpy().tolist()
                            })
                    else:
                        self.violation_counters[track_id] = 0

        # Скидаємо лічильники для зниклих персон
        for track_id in list(self.violation_counters.keys()):
            if track_id not in active_track_ids:
                del self.violation_counters[track_id]

        annotated = self._annotate_frame(frame, violations, results)
        return {'violations': violations, 'annotated_frame': annotated}

    def _get_check_points(
        self, keypoints: np.ndarray, confidences: np.ndarray
    ) -> list[int]:
        """
        COCO keypoints: 0=ніс, 1-4=очі/вуха, 5-6=плечі, 7-8=лікті,
        9-10=зап'ястя, 11-12=стегна, 13-14=коліна, 15-16=щиколотки
        Ноги = індекси 15, 16 (щиколотки)
        """
        feet_indices = [15, 16]
        # Якщо ноги не детектовані → використовуємо стегна як fallback
        feet_detected = any(confidences[i] > 0.5 for i in feet_indices)
        if feet_detected:
            return feet_indices
        return [11, 12]  # стегна як запасні точки

    def _annotate_frame(
        self, frame: np.ndarray, violations: list, results
    ) -> np.ndarray:
        annotated = frame.copy()

        # Малюємо зони
        for zone in self.zones:
            pts = np.array(list(zone['polygon'].exterior.coords), dtype=np.int32)
            color = (0, 0, 255) if any(
                v['zone_id'] == zone['id'] for v in violations
            ) else (0, 255, 0)
            cv2.polylines(annotated, [pts], True, color, 2)
            cv2.fillPoly(
                annotated,
                [pts],
                tuple(int(c * 0.2) for c in color)
            )

        # Малюємо порушників
        for v in violations:
            bbox = list(map(int, v['person_bbox']))
            cv2.rectangle(
                annotated,
                (bbox[0], bbox[1]), (bbox[2], bbox[3]),
                (0, 0, 255), 3
            )
            cv2.putText(
                annotated,
                f"VIOLATION: {v['zone_id']}",
                (bbox[0], bbox[1] - 10),
                cv2.FONT_HERSHEY_SIMPLEX, 0.8,
                (0, 0, 255), 2
            )

        return annotated

Чому геопросторова перевірка точніша за детекцію bbox?

При детекції bbox людина може стояти впритул до зони, але її ноги вже всередині — система зобов'язана зреагувати. Ми використовуємо pose estimation і перевіряємо попадання щиколоток (або стегон як fallback) в polygon зони. Це дає Recall по вторгненнях >95% при False Alarm Rate <5%. Для зон з критичною небезпекою (преси, роботи) налаштовуємо пороги до 99% recall ціною невеликого зростання хибних спрацьовувань.

Як інтегрувати систему з існуючим PLC/SCADA?

Система підтримує Modbus TCP, OPC-UA та GPIO. При виявленні порушення надсилаємо сигнал Emergency Stop за 50–100 мс. Для критичних застосувань передбачений hardware override — реле, що розмикає ланцюг безпеки. Інтеграція займає 2–3 тижні після калібрування камер.

Калібрування камери для точних координат

Якщо зони задані в метрах (вимоги охорони праці), необхідна перспективна трансформація. Наводимо код калібратора.

import cv2
import numpy as np

class ZoneCameraCalibrator:
    """
    Перспективна трансформація: піксельні координати → реальні (метри).
    Необхідна для зон, заданих в метрах (вимоги ОП).
    """
    def __init__(
        self,
        reference_points_px: list,    # 4 точки в пікселях (на зображенні)
        reference_points_world: list  # 4 точки в метрах (реальні координати)
    ):
        src = np.float32(reference_points_px)
        dst = np.float32(reference_points_world)
        self.H = cv2.getPerspectiveTransform(src, dst)

    def pixel_to_world(self, px: tuple) -> tuple:
        """(x_px, y_px) → (x_meters, y_meters)"""
        pt = np.float32([[[px[0], px[1]]]])
        world = cv2.perspectiveTransform(pt, self.H)
        return float(world[0][0][0]), float(world[0][0][1])

    def world_to_pixel(self, world: tuple) -> tuple:
        """(x_meters, y_meters) → (x_px, y_px)"""
        H_inv = np.linalg.inv(self.H)
        pt = np.float32([[[world[0], world[1]]]])
        px = cv2.perspectiveTransform(pt, H_inv)
        return int(px[0][0][0]), int(px[0][0][1])

Latency та параметри системи

Порівняння моделей: YOLOv8 vs RT-DETR

YOLOv8 виграє в швидкості у 2 рази (35–45 FPS проти 18–25 FPS на RTX 3060). RT-DETR точніший (AP 0.94 vs 0.90), але швидкість критична для багатьох камер. Для однієї-двох камер вибираємо RT-DETR. В обох випадках inference latency нижче 30 мс на GPU. YOLOv8-pose також дає ключові точки, що критично для нашої геопросторової перевірки.

Що входить в роботу

Строки

Наш досвід

Більше 7 років розробляємо системи комп'ютерного зору для промисловості. Реалізували 50+ проєктів з безпеки персоналу: від детекції в зоні преса до моніторингу периметра складу. Середнє зниження хибних тривог — 80% після впровадження нашої геопросторової логіки. Ми маємо досвід сертифікації SIL 2 та гарантію на систему 12 місяців. Вартість пілотного проєкту стартує від 15 000$. Зв'яжіться з нами для безкоштовної оцінки вашого проєкту. Замовте пілотне впровадження на одній камері — результат за 2 тижні.

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.