На многих производствах уже есть камеры, регистратор, архив и рабочие места для просмотра видео. Но сама запись часто помогает только после события: инцидент произошел, ответственный сотрудник открывает архив и разбирает, что случилось. Видеоаналитика меняет эту роль камеры. Видеопоток становится источником событий, которые можно фиксировать сразу.
Для производственной площадки это особенно важно в задачах, где оператор не может постоянно смотреть на десятки экранов: признаки огня и дыма, человек в опасной зоне, нарушение периметра, нахождение сотрудника у станка, нестандартная ситуация на участке. Система не требует вручную просматривать каждую камеру. Она анализирует выбранные потоки, сохраняет событие и отправляет уведомление по заданным правилам.
Что такое видеоаналитика
Видеоаналитика - это программный контур, который получает кадры с камер и ищет в них заданные признаки. В простом варианте это движение, пересечение линии или появление объекта в зоне. В нейросетевом варианте система распознает классы объектов и событий: человека, каску, дым, пламя, транспорт, оставленный предмет или другой признак, который важен для предприятия.
На производстве ценность появляется тогда, когда видеоаналитика связана с конкретной реакцией. Недостаточно просто “увидеть человека” или “распознать дым”. Нужно знать, какая камера сработала, в какой зоне кадра найден признак, сколько кадров подряд подтверждают событие, кому отправить уведомление и где потом посмотреть историю.
Поэтому промышленная видеоаналитика обычно рассматривается как часть автоматизации производства: камеры дают данные, сервер анализирует поток, система фиксирует событие, а ответственные сотрудники получают сигнал и журнал для последующего разбора.
Какие задачи решает система
Самые понятные сценарии связаны с промышленной безопасностью. Камера видит участок, где есть риск возгорания, задымления или появления человека рядом с опасным оборудованием. Алгоритм проверяет кадры и формирует событие, если признак подтверждается по заданным правилам.
Для огня и дыма видеоаналитика полезна как ранний визуальный контур обнаружения. Она может заметить признаки в зоне видимости камеры и быстрее привлечь внимание ответственного сотрудника. Сертифицированная пожарная сигнализация при этом остается отдельной обязательной системой безопасности, а видеоаналитика дает дополнительную картину и визуальное подтверждение.
Для контроля людей в опасных зонах важны геометрия кадра и правила зоны. Система должна понимать, где проходит область риска, какие камеры относятся к конкретному станку или участку, какие события требуют уведомления, а какие должны попадать только в журнал. Такой подход хорошо сочетается с интеллектуальными производственными датчиками, где камера является одним из источников сигнала.
Архитектура без лишнего усложнения
Практичная схема выглядит так: существующие IP-камеры или видеорегистратор отдают RTSP-потоки, отдельный сервер видеоаналитики подключается к выбранным потокам, анализирует кадры и создает события. Видеорегистратор продолжает отвечать за архив, просмотр, права доступа и штатное обслуживание камер.
Такое разделение удобно для предприятия. Система видеонаблюдения сохраняет привычную роль, а сервер аналитики добавляет интеллектуальный слой. Он хранит настройки камер, типы контроля, зоны интереса, пороги уверенности, правила подтверждения и уведомления. При необходимости этот слой можно интегрировать с внутренними системами предприятия через API или webhook.
В проектах ИНДИНС такой серверный слой может разрабатываться как прикладное программное обеспечение под конкретную площадку. В нем важны не только модели, но и интерфейс настройки, журнал событий, права пользователей, мониторинг потоков и понятный сценарий работы ответственных сотрудников.
Камеры и потоки
Перед проектированием нужно понять, как камеры отдают видео. Для аналитики обычно важны RTSP-потоки, поддержка ONVIF, стабильная сеть, отдельные учетные записи и возможность получать поток с нужной частотой. Если камера или регистратор отдает дополнительный поток пониженного разрешения, его часто можно использовать для первичного анализа и снизить нагрузку на сервер.
Ключевая ошибка в оценке нагрузки - считать все камеры одинаковыми. На предприятии может быть 64 камеры, но аналитика нужна только на части из них. Например, огонь и дым контролируются в зонах риска, человек у станка - на камерах конкретного оборудования, обзорные камеры остаются только для архива и визуального контроля.
Такой подход делает проект управляемым. Система анализирует не весь видеопарк максимальным набором моделей, а только те камеры и события, где есть понятный производственный смысл. Это снижает требования к серверу и помогает быстрее получить рабочий результат.
Зоны и правила подтверждения
Видеокамера видит много лишнего: проходы, отражения, тени, движение техники, блики, пыль, пар, сварку, открытые ворота. Поэтому для производственной аналитики недостаточно запустить модель на весь кадр. Нужны зоны интереса, пороги уверенности и правила подтверждения события.
Зона интереса задает, где именно событие имеет значение. Дым в одной части кадра может быть производственным паром, а в другой - признаком опасной ситуации. Человек у станка может быть нормальным действием в одной зоне и нарушением в другой. Система должна учитывать эту геометрию, иначе журнал быстро заполнится шумом.
Правило подтверждения помогает снизить ложные срабатывания. Событие можно фиксировать после нескольких кадров подряд, после превышения порога уверенности или после сохранения признака в зоне в течение заданного времени. Конкретные значения выбираются по реальным видеоматериалам площадки.
Журнал и уведомления
Событие должно быть полезным для работы, а не просто тревожной строкой в интерфейсе. В журнале нужны время, камера, зона, тип события, стоп-кадр, уверенность модели и статус обработки. Тогда руководитель смены или специалист по безопасности сможет быстро понять, что произошло и как отреагировали ответственные сотрудники.
Правила уведомлений удобно строить по сочетанию “камера + событие”. Например, признаки дыма на одном участке отправляются ответственному за смену и специалисту по безопасности, человек в опасной зоне у станка - начальнику участка, а техническая ошибка камеры - администратору системы. В базовом варианте уведомления могут уходить в Telegram и email, а дальнейшие интеграции определяются рабочим процессом предприятия.
Если на производстве уже используется MES, QAS, ERP или внутренняя система заявок, события можно передавать туда. Тогда видеоаналитика становится частью общей картины: инциденты, реакции, причины и повторяемость событий видны в управленческой аналитике.
Нейросетевые модели
Для детекции человека часто подходят готовые object detection модели с классом person. Для огня и дыма используются специализированные модели или дообучение под конкретные визуальные условия. Производственная площадка может отличаться от типовых датасетов: освещение, пыль, пар, сварка, горячие детали, блестящие поверхности и движение техники сильно влияют на качество распознавания.
Поэтому правильный запуск начинается с реальных видеофрагментов. Нужно посмотреть, как выглядят нормальные процессы и опасные ситуации, какие помехи встречаются, где модель уверенно отличает событие, а где требуется настройка или дообучение. Без такого шага система может хорошо выглядеть в демонстрации и плохо работать на конкретном участке.
В вычислениях важны не только размеры моделей. Нагрузка зависит от числа активных камер, разрешения, частоты анализа, декодирования потоков и количества одновременно работающих сценариев. Часто огонь и дым можно анализировать с меньшей частотой, а контроль человека в зоне требует более частой проверки. Такой расчет помогает подобрать сервер без избыточного запаса и без дефицита производительности.
Как запускать проект
Хороший старт - выбрать несколько камер и несколько событий, где польза очевидна. Для каждой камеры фиксируются место установки, поток, зона интереса, типы контроля, частота анализа и правило уведомления. После этого собираются тестовые записи, настраиваются модели и проверяется качество на реальных примерах.
На пилоте важно оценивать не только точность модели, но и рабочий процесс. Кто получает уведомление, что делает после события, какие статусы нужны в журнале, как быстро открывается стоп-кадр, где хранится история, кто меняет зоны и пороги. Именно эти вопросы отличают производственную систему от технической демонстрации.
После проверки можно расширять число камер и сценариев. Появляются новые классы событий, интеграции с внутренними системами, отчеты по повторяемости инцидентов, мониторинг состояния потоков и отдельные правила для разных участков.
Практический результат
Видеоаналитика на производстве помогает использовать уже существующие камеры активнее. Камеры продолжают давать архив и визуальный контроль, а сервер аналитики превращает часть потоков в события, уведомления и журнал. Это снижает зависимость от постоянного ручного наблюдения и помогает быстрее реагировать на ситуации, которые важны для безопасности и управления участком.
Для руководителя ценность в том, что система задается через понятные производственные правила: какие камеры контролируются, какие события важны, кто получает сигнал, как подтверждается инцидент и где хранится история. Для технической службы ценность в том, что решение можно строить поэтапно, начиная с выбранных потоков и реальных видеоматериалов.
Если на предприятии уже есть камеры и появились задачи по огню, дыму, опасным зонам или другим визуальным событиям, имеет смысл разобрать площадку как инженерный проект. ИНДИНС может оценить видеопотоки, сценарии контроля, серверную архитектуру, модели и интеграции, чтобы видеоаналитика работала как прикладной производственный инструмент.