Видеоаналитика с ИИ: события, операции и результаты компаний
Видеоаналитика превращает видеопоток в события и данные для работы: нарушение, отклонение операции, появление транспорта или количество обработанных объектов. Важна не только фиксация события, но и действие службы или системы после сигнала.
Кейсов в подборке: 6. Это подборка опубликованных примеров из России, а не полный перечень внедрений.
Какие задачи решает видеоаналитика
Видеоаналитика с ИИ выделяет из потока камер событие или показатель: нарушение, этап операции, появление транспорта или число обработанных объектов. Дальше сигнал должен попасть тому, кто может отреагировать, либо в рабочую систему.
В подборке представлены производственные операции, безопасность, управление движением и учёт продукции. Простое хранение записи с камеры не равно автоматическому анализу событий.
Промышленная видеоаналитика: операции и выработка
КЭАЗ использует нейросетевую видеоаналитику в системе менеджмента производительности: данные об операциях помогают находить потери времени. Для двух участков компания приводит разные результаты выработки — 25,5% и 10,5%; это отдельные значения, их нельзя складывать.
У «Доброфлота» машинное зрение на базе YOLOv8 считает рыбу на линии и связывается с производственным учётом в 1С. Здесь результат касается не только распознавания, но и времени ввода данных.
Примеры: КЭАЗ · ГК «Доброфлот».
Безопасность: от обнаружения нарушения до реакции
На НПЗ «Лукойла» система выделяет нарушения и передаёт сведения ответственным службам. У «Росэнергоатома» видеоаналитика применяется на нескольких АЭС. В обоих случаях нужно различать обнаруженное событие, реакцию службы и итоговый показатель безопасности.
Техническая точность до 95% в описании НПЗ не означает снижение травматизма на 95%. Результат пилота «Газпром нефти» на кустовой площадке также не следует переносить на все объекты компании: расширение в источнике было планом.
Примеры: Лукойл, Волгоградский НПЗ · Концерн «Росэнергоатом» · ПАО «Газпром нефть».
Кейсы видеоаналитики: условия и результаты
Примеры: ЦОДД Москвы.
Показатели относятся к условиям конкретных внедрений. Техническая точность, время обработки и бизнес-эффект — разные метрики.
| Компания | Поток/событие | Кто и как реагирует | Интеграция | Результат и область применения | Источник |
|---|---|---|---|---|---|
| КЭАЗ | Видеопоток производственных операций | Анализ операций → работа с потерями времени | РСМП | На участках ВА57-39 и ВА55 рост производительности составил 25,5% и 10,5% соответственно. 25,5% и 10,5% относятся к разным участкам ВА57-39 и ВА55. Показатели опубликованы компанией без методики расчёта. | |
| Лукойл, Волгоградский НПЗ | Нарушения на НПЗ | Сигнал → ответственная служба | Vizorlabs Health&Safety | Заявленная точность выявления нарушений — до 95%. До 95% — техническая точность обнаружения нарушений, а не снижение травматизма. Период и методика измерения не раскрыты. | |
| ЦОДД Москвы | Трамваи в городском потоке | Обнаружение → приоритет движения | Управление светофорами | К концу 2024 года к интеллектуальной системе подключено 70% светофоров Москвы; заявлено ускорение трамваев до 20%, зелёная волна действует на 110 улицах. Приведённые доля светофоров и результат движения относятся к описанному городскому внедрению, включая данные на конец 2024 года. | |
| Концерн «Росэнергоатом» | Нарушения на нескольких АЭС | Выявление → работа служб безопасности | Умная видеоаналитика | По сообщению источника, количество нарушений снизилось почти на порядок: с десятков случаев в неделю до единиц. Методика подсчёта и период сравнения не раскрыты. | Восемь АЭС внедрили систему умной видеоаналитикиДата публикации не указана |
| ПАО «Газпром нефть» | Кустовая площадка, пилот | Сигнал → оперативная реакция и меньше выездов | Комплекс NVI Solutions / owl.Guard | Число выездов специалистов сократилось в семь раз, объём ручных операций — на треть, а время реакции на возможный инцидент — до одной минуты. Все показатели относятся к пилотной кустовой площадке. Распространение на остальные площадки в источнике было планом. | |
| ГК «Доброфлот» | Рыба на консервной линии | Подсчёт → ввод данных производственного учёта | YOLOv8 и 1С | Время ввода данных о выработке сократилось примерно с часа до 10 минут, то есть в 6 раз; время консультаций сотрудников по расчету зарплаты — с двух часов в день до 30 минут в неделю, или в 20 раз. Методика измерения эффектов не раскрыта. |
КЭАЗ: ИИ-система анализа производственных операций и повышения производительности
На сборочной ячейке ВА57-35 внедрили РСМП: камеры собирают видеоданные, специально обученная нейросеть распознаёт операции и взаимодействия, а система формирует рекомендации по устранению потерь. Затем решение тиражировали на участки ВА57-39 и ВА55.
Лукойл, Волгоградский НПЗ: Видеоаналитика выявляет нарушения промышленной безопасности
Камеры в цехах и на открытых площадках подключены к видеоаналитике, которая непрерывно выявляет нарушения и направляет уведомления профильным службам.
ЦОДД Москвы: ИИ управляет светофорами и даёт приоритет трамваям
Видеоаналитика распознаёт трамваи и предоставляет им приоритет на светофорах; данные светофоров передаются навигационным сервисам.
Концерн «Росэнергоатом»: Умная видеоаналитика для контроля нарушений безопасности
Установлена система умной видеоаналитики для контроля нарушений на нескольких АЭС.
ПАО «Газпром нефть»: ИИ-видеоаналитика контролирует оборудование и безопасность нефтепромысла
На кустовой площадке пилотно интегрированы видеоаналитика, компьютерное зрение и датчики; ИИ выявляет опасные условия и действия, способные вызвать сбои оборудования.
ГК «Доброфлот»: Машинное зрение для учета обработанной рыбы
YOLOv8 обрабатывает видеопоток, распознает и подсчитывает тушки рыбы, после чего данные о выработке автоматически передаются в 1С.
Применимо ли это к вашей задаче?
На диагностике разберём задачу бизнеса и возможные первые шаги автоматизации.
Обсудить похожую задачуКакие системы и интеграции используют компании
В кейсах названы РСМП КЭАЗ, Vizorlabs Health&Safety, программно-аппаратный комплекс NVI Solutions с owl.Guard и YOLOv8. Это разные уровни решения: модель распознавания, прикладная система и комплекс с оборудованием.
Интеграция может передавать счёт в 1С, уведомлять службу или изменять приоритет светофора. В кейсе ЦОДД Москвы обнаружение трамвая связано с управлением движением; такая цепочка отличается от уведомления специалиста о нарушении.
Что проверить до внедрения видеоаналитики
Определите событие и время, за которое требуется реакция. Проверьте обзор камеры, перекрытия объектов, освещение, плотность потока, связь и задержку обработки в реальных режимах работы.
Считайте отдельно пропуски событий, ложные сигналы и долю сигналов, по которым служба успела действовать. Проверьте, кто разбирает спорный эпизод и как система работает при потере потока. Пилот на одной площадке подтверждает результат только в её условиях.
Вопросы о видеоаналитике с ИИ
Чем видеоаналитика отличается от хранения записей с камер?
Хранение записи позволяет человеку посмотреть событие позже. Видеоаналитика автоматически выделяет событие или показатель и передаёт результат дальше: сотруднику, в учётную систему или в управление оборудованием.
Что происходит после сигнала о нарушении?
Это зависит от процесса: ответственная служба получает эпизод, проверяет ситуацию и принимает действие. До внедрения нужно назначить получателя сигнала, срок реакции и порядок разбора ложного срабатывания. Само уведомление ещё не подтверждает устранение нарушения.
Какие условия и ложные срабатывания проверять в пилоте?
Проверьте разные смены, освещение, перекрытия, скорость потока и редкие события. Сравните пропуски и ложные тревоги с оценкой специалиста, затем измерьте задержку и фактическую реакцию службы.
Связанные задачи и подборки
Если задача связана с признаками на отдельных изображениях, а не с событием в потоке, начните с подборки компьютерного зрения.