Интеллектуальный анализ видеоданных в системе контроля соблюдения правил промышленной безопасности

Использование интеллектуальных камер и датчиков в системах видеоаналитики в сочетании с человеком-оператором, с которого снята большая часть аналитической и зрительной нагрузки, позволяет увеличить эффективность видеонаблюдения и, как результат, повысить безопасность и результативность труда на производстве в целом. Анализ существующих методов обработки данных в системах видеонаблюдения промышленного объекта показал, что применение бесконтактных способ анализа позы и действий человека в поле зрения камеры встречается редко, однако может иметь критическое значение в определенных ситуациях (человек в спецодежде лежит в зоне видимости камеры, но система на него не реагирует, ведь он находится не в запрещенной зоне). Рассмотрено совершенствование алгоритмов интеллектуального анализа видеоданных в системе контроля соблюдения правил промышленной безопасности (анализ типа динамики и контроль «свой-чужой») за счет использования нейросетевых технологий обработки. Оценка эффективности программной реализации алгоритмов анализа натурных видеоданных показала корректность классификации в 97 % случаев. Оценка эффективности классификации 5 субъектов на два класса «свой» и «чужой» производилась методом перекрестной проверки и показала точность 99 % на тестовой выборке.

1. Жукова П.Н., Насонова В.А., Прокопенко А.Н. Обеспечение безопасности на объектах транспортной инфраструктуры посредством использования систем видеонаблюдения и видеоаналитики. Проблемы правоохранительной деятельности. 2015;4:91-96.

2. Забашта А.Ю., Скорикова С.А. Функции видеоаналитики, анализ архитектур систем видеоаналитики. Ростовский научный журнал. 2017;7:194-200.

3. Центр 2М – российский информационный оператор [Электронный ресурс]. URL: https://center2m.ru/ (дата обращения: 01.04.2020).

4. ISS – Интеллектуальные Системы Безопасности [Электронный ресурс]. URL: https://iss.ru/ (дата обращения: 01.04.2020).

5. Automated Detection and Alerting in Seconds with Visual Confirmation of Events [Электронный ресурс]. URL: https://intelliviewtech.com/solutions/video-analytics/ (дата обращения: 01.04.2020).

6. Марр Д. Зрение: Информационный подход к изучению представления и обработки зрительных образов. М.: «Радио и связь». 1987:2.

7. Toshev A., Szegedy C. Deeppose: Human pose estimation via deep neural networks. Proceedings of the IEEE conference on computer vision and pattern recognition. 2014:1653-1660.

8. Bulat A., Tzimiropoulos G. Human pose estimation via convolutional part heatmap regression. European Conference on Computer Vision. Springer, Cham. 2016:717-732.

9. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems. 2012:1097-1105.

10. Ofli F. et al. Berkeley mhad: A comprehensive multimodal human action database. 2013 IEEE Workshop on Applications of Computer Vision (WACV). IEEE. 2013:53-60.

11. Greff K. et al. LSTM: A search space odyssey. IEEE transactions on neural networks and learning systems. 2016;28(10):2222-2232.

12. Cao Z. et al. OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. arXiv preprint arXiv:1812.08008. 2018.

13. Буй Т.Т.Ч., Фан Н.Х., Спицын В.Г. Распознавание лиц на основе применения метода Виолы-Джонса, вейвлет-преобразования и метода главных компонент. Известия Томского политехнического университета. 2012;320(5):54-59.

14. Чуйков А.В., Вульфин А.М., Васильев В.И. Нейросетевая система преобразования биометрических признаков пользователя в криптографический ключ. Доклады ТУСУР. 2018;21(3):35-41.

15. Чуйков А.В., Вульфин А.М. Система распознавания жестов на основе нейросетевых технологий. Вестник Уфимского государственного авиационного технического университета. 2017;21(3 (77)):113-122.