Методика построения комплексной логической модели детектирования потенциально опасных ситуаций с применением технологий компьютерного зрения

Актуальность исследования обусловлена необходимостью преодоления фрагментарности существующих систем видеодетектирования опасных ситуаций, которые разрабатываются как узкоспециализированные решения под конкретные сценарии, что затрудняет их масштабирование и адаптацию к изменяющимся требованиям безопасности. В связи с этим цель работы заключается в разработке единого методологического подхода к созданию универсальной системы автоматизированного распознавания угроз на основе компьютерного зрения. Ведущим методом исследования выступило концептуальное моделирование: на основе анализа типовых нарушений (от правил дорожного движения до промышленных регламентов) методом абстрагирования и группировки был выделен ограниченный набор базовых визуальных концептов («Человек», «Опасный периметр», «Механизм», «Сигнализирующее устройство», «Средство индивидуальной защиты») и их состояний. Для формализации взаимосвязей между концептами введена матрица отношений, а логика детектирования опасных ситуаций описывается посредством составления формальных логических формул, охватывающих две зоны анализа: статическую, оперирующую мгновенными булевыми признаками, и динамическую, применяющую темпоральную логику для предсказания развития событий. В результате исследования создана концептуальная модель, включающая универсальный формальный аппарат, который позволяет описывать широкий спектр угроз в виде системы логических правил, настраиваемых под конкретные сценарии. В связи с актуальностью задачи цифровизации в сфере промышленной безопасности материалы статьи приобретают практическую ценность для разработчиков программного обеспечения в сфере охраны труда. Подход, который предлагается в работе, позволяет масштабировать и гибко настраивать системы мониторинга под конкретные объекты.

1. Марьенков А.Н., Кузнецова В.Ю., Гелагаев Т.М. Применение технологий распознавания лиц в системах контроля и управления доступом. Прикаспийский журнал: управление и высокие технологии. 2021;(1):83–90. https://doi.org/10.21672/2074-1707.2021.53.1.083-090

2. Морозов А.А., Сушкова О.С. Анализ видеоизображений в реальном времени средствами языка Акторный Пролог. Компьютерная оптика. 2016;40(6):947–957. https://doi.org/10.18287/2412-6179-2016-40-6-947-957

3. Artikis A., Sergot M.J., Paliouras G. A Logic Programming Approach to Activity Recognition. In: Proceedings of the 2nd ACM International Workshop on Events in Multimedia (EIMM 2010), 25–29 October 2010, Firenze, Italy. New York: ACM; 2010. P. 3–8. https://doi.org/10.1145/1877937.1877941

4. Горяев В.М., Манкаева С.А., Сумьянова Е.В. и др. Оптимизация гибридной архитектуры долгосрочной рекуррентной свёрточной сети для Edge-распознавания насилия в системах видеонаблюдения. Современная наука и инновации. 2025;(3):30–38. https://doi.org/10.37493/2307-910X.2025.3.3

5. Леус А.В., Татаринова Е.А., Ефремов В.А. и др. Система многокамерной темпоральной идентификации и трекинга человека на предприятии. Правовая информатика. 2022;(3):31–39. https://doi.org/10.21681/1994-1404-2022-3-31-39

6. Сергеев Н.Е., Целых Ю.А. Использование темпоральных отношений при описании сложных сцен по видеоизображениям. Известия ЮФУ. Технические науки. 2009;(12):134–142.

7. Barbosa F.G.O., Mourao G.L., Erazo J.J.M., et al. Dynamic risk management in office workspaces: Real-time analysis of staircase safety using computer vision and AI. Computers and Electrical Engineering. 2025;122(2):109902. https://doi.org/10.1016/j.compeleceng.2024.109902

8. Kashevnik A., Othman W., Ryabchikov I., et al. Estimation of motion and respiratory characteristics during the meditation practice based on video analysis. Sensors. 2021;21(11):3771. https://doi.org/10.3390/s21113771

9. Lee J., Lee S. Construction site safety management: A computer vision and deep learning approach. Sensors. 2023;23(2):944. https://doi.org/10.3390/s23020944

10. Чумаков К.В., Стрижак П.А., Кропотова С.С. Применение видеоаналитики для мониторинга и повышения безопасности технологических процессов. Безопасность труда в промышленности. 2025;(1):83–89. https://doi.org/10.24000/0409-2961-2025-1-83-89

11. Орлов А.А., Рыжкова М.Н., Мареев А.В. Методы локализации объектов в видеопотоке (обзор). Радиотехнические и телекоммуникационные системы. 2021;(3):48–60.

12. Bouwmans Th. Traditional and recent approaches in background modeling for foreground detection: An overview. Computer Science Review. 2014;11–12:31–66. https://doi.org/10.1016/j.cosrev.2014.04.001

13. Досалиева А.Ф., Демина Р.Ю. Сравнительный анализ платформ для генерации синтетического видео: поиск оптимального решения для задач безопасности. В сборнике: Искусственный интеллект: научные достижения и прикладные задачи: Материалы II Всероссийской научно-практической конференции с международным участием, 04–05 декабря 2025 года, Ханты-Мансийск, Россия. Ханты-Мансийск: Югорский государственный университет; 2026. С. 26–32.