Как ИИ и компьютерное зрение повышают промышленную безопасность: контроль СИЗ, опасных зон и техники, результаты исследований и стоимость внедрения ИИ.
Промышленная безопасность традиционно строится вокруг регламентов, инструктажей, обходов и последующего разбора нарушений. Однако у такого подхода есть объективное ограничение: специалист по охране труда физически не может одновременно наблюдать за всеми рабочими зонами, сотрудниками и единицами техники.
При этом значительная часть потенциально опасных событий развивается именно в визуальной среде. Работник вошел в запрещенную зону, погрузчик приблизился к человеку на опасное расстояние, эвакуационный проход оказался перекрыт, сотрудник работает без обязательных средств индивидуальной защиты или в производственной зоне появился дым. Все эти события уже фиксируются камерами, но без автоматического анализа видеопоток остается преимущественно архивом, к которому обращаются после происшествия.
Компьютерное зрение в промышленности позволяет использовать камеры иначе: система непрерывно анализирует происходящее, сопоставляет положение и движение объектов с заданными условиями и формирует событие еще в момент возникновения риска.
Речь идет не только о распознавании объекта в кадре. Полноценная промышленная видеоаналитика должна понимать, где находится человек, как он движется относительно техники, сколько времени остается в контролируемой зоне и соответствует ли ситуация установленным на предприятии требованиям безопасности.
Именно переход от простой детекции к анализу контекста делает компьютерное зрение практическим инструментом промышленной безопасности.
Самая простая задача компьютерного зрения — обнаружить объект. Например, определить человека, погрузчик, каску или производственное оборудование.
Но сам факт присутствия человека в кадре еще ничего не говорит о нарушении.
Для системы промышленной безопасности важен контекст. Один и тот же сотрудник может находиться в разрешенной рабочей зоне или в зоне движения тяжелой техники. Погрузчик может двигаться на безопасном расстоянии или приближаться к человеку. Работник без каски может находиться в помещении, где СИЗ не требуется, либо в зоне, где это уже нарушение.
Поэтому типовой сценарий строится в несколько этапов.
Сначала система выполняет детекцию — определяет людей, технику, СИЗ и другие объекты. Затем включается трекинг: положение объекта отслеживается во времени. После этого анализируются дополнительные условия — зона, продолжительность события, расстояние между объектами, направление движения и другие параметры. Только затем событие классифицируется как нормальное, предупреждающее или нарушающее установленное правило.
После классификации система может сформировать уведомление ответственному сотруднику, записать событие в журнал или передать данные во внешнюю информационную систему. Именно такая последовательность (детекция, трекинг, анализ условий, классификация и реакция) заложена в рассматриваемой архитектуре промышленной видеоаналитики.
Это принципиальное отличие от обычной камеры видеонаблюдения. Камера отвечает на вопрос «что было в кадре», а система компьютерного зрения должна ответить на более практический вопрос: произошло ли событие, требующее реакции.
Одно из наиболее очевидных направлений применения — автоматический контроль персонала.
Система может определять наличие каски, сигнального жилета и других средств индивидуальной защиты, контролировать нахождение человека в опасных или запрещенных зонах, фиксировать падение или нештатное положение тела, учитывать численность сотрудников в отдельных участках площадки и отслеживать заданные действия персонала. При этом сами сценарии должны настраиваться под требования охраны труда конкретного предприятия, особенности зоны и перечень обязательных СИЗ.
На практике это важно именно потому, что требования промышленной безопасности редко одинаковы для всей территории предприятия.
Для одного участка обязательна каска и сигнальный жилет, для другого дополнительно требуется защитная маска. Одна зона открыта для персонала постоянно, другая — только при остановленном оборудовании. Поэтому универсальная модель «человек без каски = нарушение» не решает задачу предприятия.
Корректная видеоаналитика на производстве должна учитывать правила конкретного объекта.
Например, если сотрудник находится без каски в административной части площадки, система не формирует событие. Но при пересечении границы производственной зоны то же состояние уже может классифицироваться как нарушение.
Именно бизнес-логика, привязанная к физической структуре объекта, превращает нейросетевую детекцию в рабочую систему безопасности.
Более сложный класс задач связан с движущейся техникой.
На складах, производственных площадках и строительных объектах одновременно перемещаются сотрудники, погрузчики, грузовые автомобили и другая техника. Опасность здесь определяется уже не наличием конкретного объекта, а тем, как два объекта движутся относительно друг друга.
Например, в одном из проектов BPA Tech для крупного складского комплекса компьютерное зрение использовалось для контроля опасных сближений сотрудников и погрузочной техники. Система отслеживала взаимное положение объектов, направление движения и длительность сближения, а при приближении погрузчика к человеку или другой технике на опасное расстояние формировала предупреждение оператору. Такой подход позволил встроить контроль потенциально опасных ситуаций непосредственно в общий контур мониторинга склада.
Компьютерное зрение позволяет отслеживать опасное сближение человека и техники, пересечение пешеходных и транспортных маршрутов, нарушение установленной дистанции, появление человека в рабочей зоне оборудования или в зоне маневрирования техники. Для таких сценариев система анализирует положение объектов, траектории, расстояние между ними и время нахождения человека в опасной зоне.
Например, статичное расстояние между человеком и погрузчиком само по себе может быть недостаточным признаком риска. Если техника стоит, ситуация может быть допустимой. Если погрузчик движется в сторону сотрудника и расстояние быстро сокращается, то же значение уже имеет другое значение с точки зрения безопасности.
Поэтому технически здесь необходим не только определение объекта, но и устойчивый трекинг объектов между кадрами, расчет координат, анализ направления движения и логика формирования события.
В более сложных системах можно учитывать скорость техники, тип рабочей зоны, допустимую дистанцию для разных видов оборудования и продолжительность нахождения человека рядом с потенциально опасным объектом.
Промышленная безопасность не ограничивается поведением сотрудников.
Камеры могут использоваться для контроля состояния самой производственной среды: выявлять посторонние предметы в рабочих зонах, скопления людей, загромождение эвакуационных проходов, появление дыма или открытого пламени, а также изменения состояния отдельных участков площадки. Набор событий определяется особенностями объекта, технологического процесса и требованиями промышленной безопасности.
Это важное расширение сценария.
Если проход к эвакуационному выходу перекрыт паллетами, задача системы состоит не просто в распознавании паллеты. Необходимо понимать геометрию контролируемой зоны и определить, что посторонний объект находится именно там, где его присутствие недопустимо.
То же относится к скоплениям людей. Само наличие нескольких сотрудников в кадре не является нарушением. Значение имеет количество людей внутри конкретной зоны и условия, при которых превышение установленного порога считается риском.
Таким образом, компьютерное зрение на производстве переходит от распознавания отдельных объектов к анализу производственной сцены как совокупности людей, техники, зон и событий.
Практические исследования систем компьютерного зрения и ИИ для промышленной безопасности показывают, что эффект проявляется не только в точности распознавания, но и в изменении самих производственных процессов. В одном из экспериментов система, построенная на сочетании YOLO v4 и ConvLSTM, после внедрения на промышленном предприятии снизила количество зафиксированных опасных действий с 518 до 134, то есть примерно на 75%. При этом модель классифицировала небезопасное поведение с точностью 95,81%, а среднее время распознавания действия составляло 0,14 с. Существенно и то, что система работала не как инструмент последующего анализа: при обнаружении нарушения сотрудники получали визуальные и звуковые предупреждения непосредственно в рабочем процессе. Это показывает, что ценность видеоаналитики возникает не на уровне самой детекции, а в связке «обнаружение события — оперативная реакция — изменение поведения персонала».
Похожая закономерность прослеживается и в системах предиктивной безопасности. На трех производственных линиях — в автомобильной сборке, микроэлектронике и тяжелом машиностроении — внедрение ИИ для прогнозирования рисков сопровождалось снижением частоты предаварийных ситуаций в среднем на 42,8%, уменьшением числа регистрируемых инцидентов на 31,4% и сокращением незапланированных простоев примерно на 28–30%. При этом точность классификации опасных состояний по AUROC достигала 0,92, а ошибка прогнозирования среднего времени безотказной работы была снижена на 28–46%. Этот результат важен тем, что система работала уже не только с визуальной фиксацией нарушения, а с более широким контекстом риска: состоянием оборудования, временными зависимостями и взаимосвязями между активами. В результате ИИ использовался как часть контура принятия решений по безопасности.
Исследования на строительных объектах показывают еще один эффект: повышение безопасности может сопровождаться ростом производительности. В проекте с системой технического зрения для башенного крана за 24 месяца была зарегистрирована 1 предаварийная ситуация против 3 на контрольном объекте, что соответствует сокращению примерно на 67%. Одновременно среднее время рабочего цикла уменьшилось с 7,00 до 5,25 минуты, то есть на 25%, а время простоев рабочих и оператора также снизилось. Это важное наблюдение для промышленных и строительных предприятий: автоматический контроль не обязательно создает дополнительную операционную нагрузку. При корректной архитектуре система, наоборот, может снижать неопределенность в процессе, улучшать видимость ситуации и одновременно уменьшать как риски, так и потери времени.
В совокупности эти результаты показывают общую закономерность. Наибольший эффект дают не системы, которые просто распознают человека, каску или технику, а решения, встроенные в реальный процесс управления безопасностью. Техническая точность модели остается важным параметром, но сама по себе не является конечным KPI. Для предприятия значительно важнее, насколько система снижает число опасных действий, предаварийных ситуаций и инцидентов, сокращает простои и позволяет быстрее реагировать на отклонения. Именно поэтому при внедрении промышленной видеоаналитики имеет смысл заранее определять не только метрики модели, но и показатели процесса, которые должны измениться после запуска.
Источники: Önal O., Dandıl E. Unsafe-Net: YOLO v4 and ConvLSTM based computer vision system for real-time detection of unsafe behaviours in workplace. Multimedia Tools and Applications, Springer Nature; Leong W.Y. AI-Driven Predictive Safety Analytics for Accident Prevention in Smart Manufacturing, 2026; Shahin F., Valdman I., Shohet I.M. Computer Vision Systems for Tower Cranes—Safety and Productivity Study. Applied Sciences, 2026.
Внедрение ИИ в промышленность начинается с определения событий, которые действительно имеют значение для предприятия, и формализовать их таким образом, чтобы систему можно было технически проверить.
Формулировка «контролировать безопасность» слишком широкая.
Рабочая постановка выглядит иначе:
После этого оценивается инфраструктура: расположение камер, углы обзора, разрешение, освещение, перекрытия объектов и доступность видеопотока.
Следующий этап — разработка и проверка алгоритмов на реальных данных объекта. Для части задач потребуются размеченные видеоматериалы предприятия, для других можно использовать коробочные решения и дорабатывать только прикладную логику.
После пилота оценивается не только точность детекции, но и показатели, важные для эксплуатации: доля ложных тревог, число пропущенных событий, стабильность работы при разных условиях и фактическая скорость реакции системы.
Универсальной цены у таких проектов нет, поскольку стоимость внедрения ИИ определяется не столько названием технологии, сколько архитектурой конкретной системы.
Даже два проекта с одинаковым количеством камер могут существенно отличаться по бюджету.
Если требуется только контролировать наличие каски на фиксированном участке с хорошим обзором, архитектура относительно проста. Если необходимо отслеживать траектории человека и техники, рассчитывать расстояние между ними, учитывать несколько типов зон и интегрироваться с существующей диспетчерской системой предприятия, объем разработки будет значительно выше.
Поэтому вопрос сколько стоит ИИ для промышленной безопасности корректно рассматривать через несколько составляющих.
В бюджет входят обследование объекта и формализация сценариев, подготовка данных, разработка или адаптация моделей, серверная инфраструктура, интеграции, интерфейс системы, тестирование, пусконаладочные работы и последующее сопровождение.
Отдельно на стоимость влияет существующая инфраструктура. Иногда возможно использовать уже установленные камеры предприятия. В других случаях для требуемого качества распознавания необходимо менять ракурс, добавлять освещение или устанавливать отдельные камеры.
Именно поэтому точную стоимость имеет смысл определять после обследования и технической проработки.
При этом экономику проекта стоит считать не только через стоимость разработки. Для предприятия результатом может быть снижение числа нарушений и инцидентов, сокращение простоев, увеличение количества контролируемых зон без пропорционального роста штата и уменьшение объема ручного просмотра видеопотоков.
