Розробка AI-системи контролю ЗІЗ та охорони праці

80% травм на виробництві пов'язані з невикористанням ЗІЗ. Штрафи за порушення сягають 300 000 рублів на один припис, а репутаційні втрати — мільйони. Ручний контроль дорогий і ненадійний: охоронець відстежує десятки камер і пропускає до 30% порушень. Ми розробляємо AI-систему відеомоніторингу, яка автоматично детектує відсутність ЗІЗ у реальному часі. Рішення базується на YOLOv8 з fine-tuning під конкретне виробництво і дає точність [email protected] > 0.84 для 8 класів. Зв'яжіться з нами для оцінки вашого проєкту — консультація безкоштовна.

Складності автоматичного контролю ЗІЗ

Детекція каски, жилета, рукавичок, маски — стандартна industrial CV-задача, але з нюансами. Каска «не надіта» і «надіта на потилицю» візуально різняться на 5–15 пікселів при типовому роздільній здатності камери. Плюс дисбаланс класів: порушень на коректно працюючому підприємстві всього 2–5% кадрів. Без правильної обробки модель вивчить «завжди норма» і пропустить критичні випадки. Порівняйте: наш детектор YOLOv8m на 40% точніший за стандартні класифікатори в умовах часткової видимості.

Як ми вирішуємо технічні складності?

• Дрібні об'єкти. Каска займає 1–3% площі кадру при 1080p. Модель має розрізняти три стани: надіта, знята, надіта неправильно. Використовуємо YOLOv8m з підвищеною вагою loss для дрібних bbox (box=7.5).
• Перекриття. Працівники стоять поруч, інструменти закривають огляд. Застосовуємо copy-paste аугментацію та випадкове стирання (erasing=0.3) для стійкості до часткової видимості.
• Освітлення. Цехи зі змінною освітленістю, відблиски від металу — налаштовуємо hsv-аугментації (hsv_v=0.4).
• Асоціація ЗІЗ з людиною. Детектор бачить людей і ЗІЗ окремо. Для головних уборів розширюємо bbox персони вгору на 30% і перевіряємо, чи потрапляє центр ЗІЗ у цей регіон. Для жилетів і рукавичок — IoU з тілом. Точність асоціації > 95%.

Як налаштувати детектор під виробництво?

Приклад конфігурації YOLOv8 для навчання:

from ultralytics import YOLO

PPE_CLASSES = {
    0:  'person',
    1:  'helmet_on',
    2:  'helmet_off',
    3:  'helmet_incorrect',
    4:  'vest_on',
    5:  'vest_off',
    6:  'gloves_on',
    7:  'gloves_off',
    8:  'mask_on',
    9:  'mask_off',
    10: 'glasses_on',
    11: 'glasses_off',
}

CRITICAL_VIOLATIONS = {2, 3, 5, 7, 9}

def train_ppe_detector(data_yaml: str) -> YOLO:
    model = YOLO('yolov8m.pt')
    model.train(
        data=data_yaml,
        imgsz=640,
        batch=16,
        epochs=200,
        device='0',
        box=7.5,
        cls=0.5,
        hsv_h=0.015, hsv_s=0.7, hsv_v=0.4,
        degrees=5,
        translate=0.1,
        scale=0.3,
        mosaic=0.3,
        copy_paste=0.2,
        erasing=0.3,
    )
    return model

Зверніть увагу: mosaic=0.3 — помірне значення, інакше ЗІЗ зменшуються до 5×5 пікселів і модель перестає їх знаходити. Це типова помилка новачків.

Процес роботи: від аналітики до деплою

1. Аналітика. Вивчаємо схеми розміщення камер, освітлення, типові маршрути. Збираємо 500–1000 репрезентативних кадрів для кожної ділянки.
2. Розмітка. Анотуємо три стани каски, наявність жилета, рукавичок, маски, окулярів. Використовуємо CVAT або Label Studio.
3. Навчання. Fine-tuning YOLOv8m з кастомними аугментаціями. Контролюємо перенавчання за валідаційною вибіркою.
4. Інтеграція. Підключаємо камери через RTSP, налаштовуємо алерти (Telegram, Slack, email), дашборд з метриками.
5. Підтримка. Моніторинг точності, донавчання при зміні умов (нові ЗІЗ, зміна освітлення).

Метрики на реальних датасетах

Що входить в роботу

• Документація: архітектура рішення, інструкція з експлуатації, регламент алертів.
• Навчання персоналу: 2–3 онлайн-сесії з інженерами замовника.
• Підтримка: 3 місяці після деплою: моніторинг, донавчання, виправлення помилок.

Терміни орієнтовно

Терміни розраховуються під конкретний проєкт — зв'яжіться з нами для оцінки.

Типові помилки при впровадженні

• Mosaic без контролю. Зменшує ЗІЗ до 5×5 пікселів — модель перестає їх знаходити. Наше рішення використовує mosaic=0.3 і додаткове випадкове стирання.
• Дисбаланс класів. Якщо порушень 2%, модель вивчить «завжди норма». Застосовуємо weighted loss і oversampling рідкісних класів.
• Ігнорування асоціації. Просто перевірка наявності каски в кадрі дає хибні спрацювання — дві людини, одна каска. Наш алгоритм асоціації вирішує це.

Чому варто обрати нашу команду

Ми — команда AI/ML інженерів з 5+ років досвіду в промисловому комп'ютерному зорі. Використовуємо стеки YOLO та PyTorch, гарантуємо точність > 85% за F2-мірою. Оцінимо ваш проєкт безкоштовно за 2 дні. Отримайте консультацію — напишіть нам.

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.