80% травм на производстве связаны с неиспользованием СИЗ. Штрафы за нарушения достигают $2.7k–3.9k на одно предписание, а репутационные потери — миллионы. Ручной контроль дорог и ненадёжен: охранник отслеживает десятки камер и пропускает до 30% нарушений. Мы разрабатываем AI-систему видеомониторинга, которая автоматически детектирует отсутствие СИЗ в реальном времени. Решение базируется на YOLOv8 с fine-tuning под конкретное производство и даёт точность [email protected] > 0.84 для 8 классов. Свяжитесь с нами для оценки вашего проекта — консультация бесплатна.
Сложности автоматического контроля СИЗ
Детекция каски, жилета, перчаток, маски — стандартная industrial CV-задача, но с нюансами. Каска «не надета» и «надет на затылок» визуально различаются на 5–15 пикселей при типичном разрешении камеры. Плюс дисбаланс классов: нарушений на корректно работающем предприятии всего 2–5% кадров. Без правильной обработки модель выучит «всегда норма» и пропустит критичные случаи. Сравните: наш детектор YOLOv8m на 40% точнее стандартных классификаторов в условиях частичной видимости.
Как мы решаем технические сложности?
- Мелкие объекты. Каска занимает 1–3% площади кадра при 1080p. Модель должна различать три состояния: надета, снята, надета неправильно. Используем YOLOv8m с повышенным весом loss для мелких bbox (box=7.5).
- Перекрытия. Работники стоят рядом, инструменты закрывают обзор. Применяем copy-paste аугментацию и случайное стирание (erasing=0.3) для устойчивости к частичной видимости.
- Освещение. Цеха с переменной освещённостью, блики от металла — настраиваем hsv-аугментации (hsv_v=0.4).
- Ассоциация СИЗ с человеком. Детектор видит людей и СИЗ отдельно. Для головных уборов расширяем bbox персоны вверх на 30% и проверяем, попадает ли центр СИЗ в этот регион. Для жилетов и перчаток — IoU с телом. Точность ассоциации > 95%.
Как настроить детектор под производство?
Пример конфигурации YOLOv8 для обучения:
Пример конфигурации обучения
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 Обратите внимание: mosaic=0.3 — умеренное значение, иначе СИЗ уменьшаются до 5×5 пикселей и модель перестаёт их находить. Это типичная ошибка новичков.
Процесс работы: от аналитики до деплоя
- Аналитика. Изучаем схемы размещения камер, освещение, типовые маршруты. Собираем 500–1000 репрезентативных кадров для каждого участка.
- Разметка. Аннотируем три состояния каски, наличие жилета, перчаток, маски, очков. Используем CVAT или Label Studio.
- Обучение. Fine-tuning YOLOv8m с кастомными аугментациями. Контролируем переобучение по валидационной выборке.
- Интеграция. Подключаем камеры через RTSP, настраиваем алерты (Telegram, Slack, email), дашборд с метриками.
- Поддержка. Мониторинг точности, дообучение при изменении условий (новые СИЗ, смена освещения).
Метрики на реальных датасетах
| Dataset | Модель | [email protected] | FPS (RTX3060) |
|---|---|---|---|
| Safety Helmet (Roboflow) | YOLOv8s | 0.921 | 120fps |
| PPE-COCO (шлем+жилет+перчатки) | YOLOv8m | 0.874 | 80fps |
| Кастомный (производство, 8 классов СИЗ) | YOLOv8l | 0.841 | 55fps |
Экономия бюджета за счёт автоматизации — до $18k–26k в год на предприятии среднего размера (снижение штрафов, сокращение травм, уменьшение страховых взносов).
Что входит в работу
- Документация: архитектура решения, инструкция по эксплуатации, регламент алертов.
- Обучение персонала: 2–3 онлайн-сессии с инженерами заказчика.
- Поддержка: 3 месяца после деплоя: мониторинг, дообучение, исправление ошибок.
Сроки ориентировочно
| Задача | Срок |
|---|---|
| Детектор каска+жилет (public dataset fine-tuning) | 2–3 недели |
| Кастомный набор СИЗ + камерная интеграция | 4–7 недель |
| Полная система с алертами, дашбордом, статистикой | 8–14 недель |
Сроки рассчитываются под конкретный проект — свяжитесь с нами для оценки.
Типичные ошибки при внедрении
- Mosaic без контроля. Уменьшает СИЗ до 5×5 пикселей — модель перестаёт их находить. Наше решение использует mosaic=0.3 и дополнительное случайное стирание.
- Дисбаланс классов. Если нарушений 2%, модель выучит «всегда норма». Применяем weighted loss и oversampling редких классов.
- Игнорирование ассоциации. Просто проверка наличия каски в кадре даёт ложные срабатывания — два человека, одна каска. Наш алгоритм ассоциации решает это.
Почему стоит выбрать нашу команду
Мы — команда AI/ML инженеров с 5+ лет опыта в промышленном компьютерном зрении. Используем стеки YOLO и PyTorch, гарантируем точность > 85% по F2-мере. Оценим ваш проект бесплатно за 2 дня. Получите консультацию — напишите нам.