CC BY
171
ВЕСТНИК СЕЛЬСКОГО РАЗВИТИЯ И СОЦИАЛЬНОМ ПОЛИТИКИ №4(28), 2020
«УГРОЗЫ И БЕЗОПАСНОСТЬ ЖИЗНЕДЕЯТЕЛЬНОСТИ СЕЛЬСКОГО НАСЕЛЕНИЯ»
УДК: 331.452
ОБЗОР ПРИМЕРОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА УПРАВЛЕНИЯ БЕЗОПАСНОСТЬЮ ТРУДА В АПК
Е.В. Яковлева, кандидат сельскохозяйственных наук, доцент кафедры Техносферная безопасность
E-mail: elenavalerevna79 @y andex. ru М.О. Быков, аспирант 1 курса по направлению Техносферная безопасность E-mail: [email protected] ФГБОУ ВО Орловский государственный аграрный университет имени Н.В. Парахина
Аннотация: Рассматривается обзор и анализ решений применения машинного обучения и внедрения искусственного интеллекта в механизмы и процессы работы промышленных объектов. В статье рассмотрены представленные на рынки решения внедрения нейросетей в отрасли биометрии, автоматизации и видеоаналитики производственных комплексов. Научная новизна работы заключается комплексном рассмотрении потенциально пригодных направлений для внедрения алгоритмов машинного обучения с целью дальнейшей работы в этой области. В результате были выявлены области, применение алгоритмов машинного обучения для повышения показателей производства, а также охраны труда.
Ключевые слова: охрана труда, машинное обучение, распознавание объектов, нейросеть, безопасность, биометрия.
REVIEW OF EXAMPLES OF ARTIFICIAL INTELLIGENCE FOR LABOR SAFETY MANAGEMENT IN
THE AGRO-INDUSTRIAL COMPLEX
E.V. Yakovleva, Ph.D. in Agricultural Sciences, Associate Professor of Department Technosphere Safety M.O. Bykov, 1st year postgraduate student in the direction: Technosphere safety Orel State Agrarian University named after N.V. Parakhin
Abstract: The review and analysis of solutions for the use of machine learning and the introduction of artificial intelligence in the mechanisms and processes of industrial facilities is considered. The article considers solutions for implementing neural networks in the field of biometrics, automation and video Analytics of industrial complexes presented on the market. The scientific novelty of the work consists in a comprehensive review of potentially suitable areas for implementing machine learning algorithms for further work in this area. As a result, we identified areas of application of machine learning algorithms to improve production performance, as well as labor protection.
Key words: Labor protection, machine learning, object recognition, neural network, safety, biometrics.
На протяжении уже нескольких десятков лет ученые и инженеры производят попытки обучить компьютерные системы видеть окружающий мир так, как это делает человек. Успешное обучение машин распознаванию объектов окружающего мира позволит решить большое количество задач по автоматизации процессов, повышению безопасности на производстве. Замена человеческого глаза на машинное зрение позволяет исключить из важных этапов наблюдения за объектами человеческий фактор.
Сфера применения искусственного интеллекта в современном мире охватывает огромной количество сфер и отраслей, от биометрии, до диагностики заболеваний, от безопасности на дорогах, до безопасности на производстве. Грамотно настроенная нейросеть может играть существенную роль при обеспечении безопасности в человеческой жизни. Компьютер может следить за дорожным трафиком, передвижениями и поведением люд ей в местах их массового скопления [1]. Системы могут отслеживать и предупреждать несчастные случаи, дорожно-транспортные происшествия и т.д.
Система видеоаналитики позволит понизить уровень производственного травматизма, сократить затраты на его профилактику и уменьшить временные и материальные издержки при расследовании случаев нарушения правил безопасности на производстве.
Видеосистема охраны труда нужна, чтобы контролировать, как рабочие используют средства индивидуальной защиты и соблюдают другие правила безопасности. Сейчас это делает оператор, который просматривает видео в режиме реального времени. Но на большом производстве, на котором очень много видеокамер, такая технология малоэффективна.
Автоматизация технологических процессов на производстве - важный и ответственный процесс. Исключение ручного управления и человеческого присутствия из операций на всех стадиях: входного контроля
сырья, изготовления, обработки и транспортировки готовой продукции существенно оптимизирует цикл производства любого объекта, но вместе с тем усложняет его структуру. Немаловажным аспектом на производстве всегда являлось соблюдение правил безопасности [2].
Автоматизация этой задачи включает в себя модернизацию предохранительных защитных средств, блокировочных устройств, сигнализаций и иных технических средств обеспечения безопасности на производстве. Внедрение нейросетей, обрабатывающих информацию (преимущественно визуальную) о ситуации, происходящей на производстве в текущий момент, позволит улучшить показатели качества продукции, снизить производственный травматизм, а также, например, улучшить пожарную сигнализацию, распознавания участок возгорания ничтожно малого размера задолго то того, как очаг увеличится и датчики дыма обнаружат присутствие последнего [3, 12].
Целью статьи является исследование имеющихся на рынке решений внедрения нейросетей в аспекты безопасности на производстве. Необходимо установить потенциальные сферы внедрения и алгоритмы работы нейросетей, которые могли бы снизить количество неблагоприятных инцидентов, связанных с деятельностью человека на производстве и повысить показатели охраны труда.
Главной и основной сферой применения нейросетей, распознающих объекты, всегда считались решения, включающие в себя биометрию человека [4, 14]. Разработкой алгоритмов для систем распознавания лиц занимается отечественная компания NtechLab. Данная компания основана в 2015 году. Специалисты компании специализируются на методах в области самообучающейся нейросети для создания алгоритмов распознавания лиц. Детище компании FindFace - использующая упомянутые алгоритмы для поиска и распознавания лиц в социальных сетях подтвердил свою эффективность, обогнав более, чем 100 команд в конкурсе MegaFace Benchmark, проходившем в университете Вашингтона. Разработчики утверждают, что при обращении к базам для идентификации, речь идет о 0,2 секундах для датасета с 250 миллионами изображений, 0,3 секундах для датасета с 500 миллионами изображений и 0,5 секунды для 1 миллиарда изображений.
Подобные решения применимы для распознавания лиц работников. Определение личности работника может быть применимо для управления доступом их в те или иные зоны производства [5, 9]. Присутствие определенного человека в опасных и безопасных зонах, отслеживаемое без человеческого фактора, позволит исключить возможность доступа работников не аттестованных к работе с электроустановкам высокого напряжения, или подобным опасным оборудованием.
Внедрением нейрсосетей в системы видеонаблюдения на производствах занимается международная корпорация Balluf [6, 11].
Balluf - мировой поставщик и один из основных производителей сенсорной техники и программных решений в области автоматизации промышленности. Компания представлена более чем в 60 странах мира. Основные направления - сенсоры и датчики для обнаружения объектов, измерения пути и расстояния, системы мониторинга и идентификации процессов. Одно из ведущих направлений - видеосистемы на производстве.
Для обработки изображений компания применяет различные инструменты: видеодатчики, ручные сканеры, специальные объективы и осветительные приборы. Все эти инструменты объединяют ся в единую сеть, осуществляющую комплексную работу.
Распознавание структуры заготовки, трещин в фасонных деталях осуществляется с применением смарт -камер [7, 10]. Камера распознает все неровности и дефекты заготовки без необходимости физического воздействия. Подобные алгоритмы уменьшают не только процент брака заготовок, а и снижают потенциальные ситуации, связанные с травматизмом, которые могут возникнуть при работе с бракованными заготовками.
Комплексная видоаналитика производства позволяет отслеживать наличие необходимых объектов в деятельности работников, будь то каски, карабины, защитная форма на сотрудниках, а также мониторинг опасных зон производства и факты несанкционированного в них присутствия.
Центр 2М - российский разработчик в области промышленного интернета вещей. Компания создает продукты на стыке телекоммуникационных решений и профессиональных отраслей [8, 13]. Продукты в области искусственного интеллекта гибко адаптируются под любые специфические потребности заказчика. Специалисты компании работают над следующими направлениями:
• Цифровизация теплоэнергетических объектов;
• Видеоаналитика и машинное зрение;
• Работа с большими данными и предиктивная аналитика;
• Мониторинг и контроль автотранспорта.
Продукт разработанный компанией - CenterVision применяет нейросети и искусственный интеллект для распознавания объектов в промышленности и на производстве. Компания заявляет, что система позволяет распознавать объекты с точностью до 98%. Нейросеть отслеживает производственный процесс в режиме реального времени, передавая в ситуационный аналитический центр факты нарушения безопасности.
Специалисты компании обучали нейросеть распознавать сразу множество объектов: каски, жилеты, респираторы, защитные очки, перчатки и т.д. Помимо распознавания СИЗ, искусственный интеллект позволял выявить присутствие человека в опасных зонах. Возникла необходимость обучения нейросети «сложным случаям»: например, отслеживание положения забрала защитной маски, наличие перчаток на руках или определение соответствия спецодежды зоне, в которой находится сотрудник.
Система работает по следующему алгоритму:
1. Камеры, установленные на промышленных объектах передают информацию в центр обработке на удалённом сервере;
2. Сгенерированный видеопоток обрабатывается сервером с помощью обученной нейросети и интеграционных компонентов;
3. Нейросеть разбивает видеопоток на отдельные изображения и обрабатывает каждый кадр, распознавая объекты, на которые она обучена;
4. Программное ядро получает от нейросети список распознанных объектов и ситуаций, где по заранее установленной логике принимает решение о наличии или отсутствии нарушений;
5. Информация передается конечному пользователю в виде отчета.
Исходя их рассмотренных продуктов, можно сделать вывод, что в настоящее время нейросети успешно применяются в сферах производства и охраны труда для обеспечения визуального контроля соблюдения мер безопасности. Неоспоримым преимуществом является постоянство мониторинга и исключение человеческого фактора из данного процесса. Искусственный интеллект позволяет предупредить ситуации связанные с травмами, несоблюдением правил безопасности, а также отследить потенциально опасные происшествия на любом участке производства.
Таким образом, решение поможет отследить местоположение персонала и контролировать доступ в опасные зоны. В случае появления человека в опасной зоне автоматически включится сигнал тревоги. При этом наблюдаемая зона может быть динамической и перемещаться в поле зрения камеры. Такой трекинг персонала и действий работников поможет повысить исполнительскую дисциплину и производительность труда.
Литература
1. Еремин Д. М., Гарцеев И. Б. Искусственные нейронные сети в интеллектуальных системах управления М.: МИРЭА, 2004. 75 с.
2. Шульц В. Л., Кульба В. В., Шелков А. Б. Аудит информационной безопасности автоматизированных систем управления //Тренды и управление. 2014. № 4. С. 319-334.
3. Миллер Ю. В., Бродач М. М., Шилкин Н.В. Оценка потенциала энергосбережения при применении автоматизированной системы управления теплоэнергопотреблением и микроклиматом здания //АВОК: вентиляция, отопление, кондиционирование воздуха, теплоснабжение и строительная теплофизика . 2018. № 6. С.54-61.
4. FindFace. [Электронный ресурс]: статья / Режим доступа: https://ru.wikipedia.org/wiki/FindFace
5. N.K. Ratha, J.H. Connell, and R. M. Bolle, Enhancing security and privacy in biometrics-based authentication systems // Повышение безопасности и конфиденциальности в системах аутентификации на основе биометрии. //IBM systems Journal. 2001. Vol. 40. S. 614—634.
6. Торстен Анштедт, Иво Келлер, Харальд Лутц. Видеоаналитика: Мифы и реальность: Security Focus, 2012. 176 c.
7. Терехов В. А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. М.: Высшая школа, 2002.
184с.
8. Яковлева Е.В., Кузнецов П.А. Культура безопасности как элемент профилактики производственного травматизма //Агротехника и энергообеспечение. 2020. № 1 (26). С. 95-101.
9. Фролов А.С., Яковлева Е.В. Система предоперационного экспресс -контроля (спэк) v1.0 Свидетельство о регистрации программы для ЭВМ RU 2019612033, 08.02.2019. Заявка № 2019610801 от 29.01.2019.
10. Frolov A.S., Yakovleva E.V., Mikhailova Yu.L. Reduction of industrial injuries with the use pre-operating express control system in agribusiness / В сборнике: Материалы международной научно-практической конференции. 2019. С. 280 -287.
11. Яковлева Е.В., Кулакова Е.В., Фролов А.С. Программное обеспечение обучения по охране труда на предприятиях АПК //Безопасность жизнедеятельности. 2019. № 4 (220). С. 7 -12.
12. Бухтиярова В.Ю., Яковлева Е.В. Обучение и контроль по охране труда - как показатель профилактики травматизма / В сборнике: Техносферная безопасность в АПК. Сборник материалов всероссийской научной конференции. 2018. С. 8-15.
13. Яковлева Е.В. Использования мультимедийной системы экспресс- видео-тестирования для обучения работников / В сборнике: доклады ТСХА. Материалы международной научной конференции. 2018. С. 266 -269.
