Назад
технологии
Как мы делали платформу видеоаналитики
22 апреля 2021
Дмитрий Галкин
Руководитель проекта
Меня зовут Дмитрий, я руковожу проектом по созданию платформы видеоаналитики в компании Nedra.

Расскажу вам о том, что собой сегодня представляет видеоаналитика и с какими проблемами здесь можно столкнуться, а ещё — об устройстве и возможностях нашей платформы.
Другое название видеоаналитики — «компьютерное зрение» (computer vision). Её главная задача заключается в том, чтобы понять, что же изображено на картинке или на видео?
Исторически сложилось так, что рынок видеоналитики был частью рынка видеонаблюдения, и ключевую роль играли поставщики оборудования. Постепенно сценарии распознавания усложнялись, оборудование и ПО отделились друг от друга, и возникли самостоятельные продукты для обработки видео.

Сегодня рынок видеоаналитики растёт, и главным стимулом здесь являются успехи в сфере ИИ и машинного обучения. Нейросети повысили точность распознавания и снизили частоту ложных срабатываний.
Тенденции

Активнее всего видеоаналитику внедряют у себя компании из транспортной отрасли, розничной торговли, производство, добычи полезных ископаемых и др. Например, добывающие компании с её помощью сокращают свои издержки, снижают травматизм на объектах, передают контроль программному обеспечению над процессами разведки, бурения, добычи и логистики.

Давайте взглянем, как аналитики Gartner оценивают зрелость технологии компьютерного зрения. Если кто-то ещё не видел эти знаменитые, ежегодно обновляемые графики: здесь показан цикл хайпа, который, по мнению Gartner, одинаков для всех технологий. Когда что-то изобретают, это начинают активно продвигать, тем самым формируя завышенные ожидания — пик на графике. Затем ажиотаж спадает. Но это не означает, что технология умирает, просто её начали использовать и оценивать реальные возможности, не все завышенные ожидания оправдываются. Постепенно возможности технологии уточняются и проясняются, её популярность снова возрастает, а график выходит на «плато продуктивности».
Gartner Hype Cycle for Artificial Intelligence, 2020
Компьютерное зрение сегодня находится на стадии реальной оценки. Технология себя уже показала, и в течение 2−5 лет должна выйти на плато продуктивности. Это позитивный прогноз, особенно по сравнению с автопилотируемыми автомобилями и когнитивные вычислениями, по которым прогноз ухудшился: автопилоты должны выйти на плато не раньше, чем через 10 лет, а на когнитивных вычислениях вообще поставили крест.

В одной из статей Gartner рекомендуется уделить особое внимание компьютерному зрению, то есть эта технология имеет высокие шансы на широкое внедрение в ближайшее время.

Видеоаналитика в нефтегазовой промышленности

Какие задачи решает видеоаналитика в промышленности:

  • Большой пласт задач — это безопасность на производстве: контроль средств индивидуальной защиты; контроль опасных зон; контроль за соблюдением техники безопасности.
  • Обнаружение брака на конвейере.
  • Контроль удалённого доступа, они же системы СКУД, сюда входят: идентификация персонала; распознавание номерных знаков.
  • Контроль объектов (например, техники, поведения персонала).
  • Контроль состояния агрегатов, механизмов, трубопроводов, ЛЭП.
  • Контроль технологических операций.
  • Контроль АЗС: подсчет транспорта; подсчет транспорта, проезжающего мимо АЗС; контроль отсутствия очередей.

Как предсказывает Gartner, до раскрытия потенциала технологии пройдёт ещё несколько лет. Поэтому видеоаналитика сегодня редко встречается в крупных компаниях в повседневной эксплуатации. Решения, конечно, есть, но они не так часто, как хотелось бы, встречаются в продуктиве у крупных компаний.

При этом компании на конференциях показывают красивые картинки про то, как они решили тот или иной кейс. К сожалению, если копнуть глубже, то многие из этих решенных задач — пилотные активности, прототипы, MVP, которые не дошли до прода или еще на пути туда.

Почему же так получается?
Проблема 1:

Не всегда очевидно, где и как применять.
Сегодня многие компании обращаются к интеграторам и вендорам, но не все из них владеют знаниями и наработками в видеоаналитике. Обычно в ответ предлагают какие-то альтернативные решения, хотя иногда дешевле и проще решить задачу с помощью видеоаналитики.

Например, мы как-то решали такую задачу. Насосно-компрессорные трубы раз в 5 лет отправляются на ремонт, и нужно было найти способ определять на конвейере, что ресурс трубы исчерпан и ремонтировать её уже нельзя, только менять. Какие приходят идеи? Например, пусть специально обученный человек вручную ищет на трубках заводскую маркировку, считывает её и заносит в систему. Но это очень долго, а техпроцесс удлинять нельзя. Было предложение использовать радиоактивные метки. Но это дорого и требует дополнительных действий по нанесению меток, что тоже удлиняет техпроцесс.

Нашли простое решение: когда труба быстро, вращаясь проходит по ремонтному конвейеру, можно с помощью высокоскоростной камеры считать маркировку, распознать её и прибавить единицу к счётчику ремонта этой трубы, не вмешиваясь в процесс.
Проблема 2:

Отсутствие подходящей инфраструктуры.
Часто проекты буксуют, потому что для их внедрения в компании нет камер, достаточного освещения, каналов связи, серверных помещений. Например, подобные трудности мы преодолевали у одного заказчика, которому нужно было усилить контроль за безопасностью на буровых станциях. Для обмена данными мы создали спутниковый канал связи, а вместо серверного помещения — его запрещено создавать на территории буровой станции — переиспользовали вагончик супервайзера.
Проблема 3:

Трата средств на создание велосипедов.
В проектах видеоаналитики есть как уникальные детекции, так и типовые. А всё, что вокруг детекций — интерфейсы администрирования, отображения событий — похоже между собой. Однако многие компании раз за разом решают эти задачи с нуля, своими силами или с помощью вендоров. И однажды разработчики узнаю̒т, что в сфере видеоаналитики в компании уже есть внедренные, готовые инструменты, которыми можно воспользоваться и которые полностью удовлетворяют требованиям безопасности или другим требованиям компании. В результате в каких-то компаниях приходится переделывать решения и интегрироваться с существующими, где-то приходится переделывать свои прежние наработки, а в каких-то — продолжают пилить напильником свои велосипеды, несмотря на наличие готовых решений.

Поэтому рекомендую на ранних этапах проекта изучать внутренний рынок, возможно, уже есть готовые решения, которые вам не придётся воспроизводить заново.
Проблема 4:

Сложно доводить решение до эксплуатации.
В крупных компаниях нефтегазовой отрасли средняя длительность от разработки проекта компьютерного зрения до выхода в эксплуатацию доходит до 9 месяцев. И по моему опыту, большинство проектов гибнет гораздо раньше, потому что решение изначально не могло быть внедрено, поскольку создавалось без учёта требований корпоративной архитектуры и информационной безопасности компании, а дорабатывать или переписывать всё это слишком дорого.

Мы тоже побывали в роли вендора, чьё решение изначально не удовлетворяло всем требованиям компании, в частности, компании нефтегазовой отрасли. До внедрения в эксплуатацию у нас было всего три месяца, а продукт объёмный, со множеством компонентов. Шансов на успех было мало, но опускать руки не стали. Сосредоточились на ключевом бизнес-сценарии, в кратчайшие сроки пересмотрели архитектуру, переписали кучу кода, реализовали требования информационной безопасности, архитектуры. Разработчики работали на пределе. Вдобавок ко всем трудностям среди наших компонентов был еще open source-инструмент разметки данных от Intel, и продукт отказывался собираться под RedHat, как того требовали условия. На попытки решить проблему мы потратили кучу времени, и в результате удалось договориться с Intel о сотрудничестве и доработках их решения, чтобы мы смогли собрать продукт.

Ещё одна особенность нефтегазовой отрасли, с которой мы столкнулись — множество бюрократических процедур. Мы старались выполнять их параллельно. Одно лишь прохождение проекта через технический совет и архитектурный комитет представляло собой целую эпопею, в которой пришлось договариваться со множеством архитекторов и менеджерами на разных уровнях. Об этом тоже необходимо помнить при внедрении решений на основе видеоаналитики.

Мораль: при выборе вендора важен его опыт внедрения решений в вашей отрасли промышленности.
Чеклист по доведению проекта до эксплуатации:

— Выбирая технологию, проконсультируйтесь по поводу компьютерного зрения.

 — Проанализируйте и решите проблемы инфраструктуры. Это фундамент, к задаче нужно подойти ответственно, иначе потом окажетесь в неприятной ситуации.

 — Используйте имеющийся инструментарий. Если всё же начали делать самостоятельно, то при выходе на технический совет наверняка выяснится, что подобное решение уже существует. Придется объяснять почему его не использовали. И, возможно, придётся переделывать, если в вашей отрасли не приветствуют дублирование решений.

 — Старайтесь выбирать вендора, который знает, как довести проект до эксплуатации в вашей отрасли. Риски очень велики: можно потратить на проект много денег и времени, а в конце выяснится, что это решение внедрить невозможно. Вендор может отказаться переделывать или запросит неподъёмную цену.

О нашей платформе

Сегодня наша платформа состоит из набора сервисов, которые довольно гибко связаны друг с другом. Из них, как из кубиков, можно собирать типовые решения по видеоаналитике. Все эти сервисы можно независимо друг от друга внедрять в другие решения.

1) Сервис по управлению видеопотоками — позволяет создавать источники данных на основе камеры реального времени или офлайн-видео.

2) Сервис детекторов — набор готовых решений, в котором накапливаются сценарии обнаружения и распознавания, решаемые в компании. Благодаря API можно внедрять и сторонние детекторы.

3) Сервис бизнес-логики — опциональный слой, который помогает гибко менять логику принятия решений о событии без доработки детектора.

4) Сервис отчётности — журнал событий с возможностью просмотра этих событий и отрезков видеозаписей, с фильтрацией, экспортом и проверкой данных.

Платформа позволяет многократно использовать готовые сервисы, не изобретая каждый раз заново. Это прямая экономия денег и времени. Можно быстро собрать решение и показать его конечным пользователям. Если у вас какой-то специфичный сценарий распознавания, сложная модель, то вы сможете сосредоточиться на её создании, а затем просто интегрировать результаты в платформу. Это особенно ценно на ранних этапах, когда бюджет ограничен.
За счёт использования в ЦЗВБ готовых компонентов платформы видеоаналитики мы разработали проект быстрее и на 30% дешевле, а сэкономленные ресурсы команды направили на разработку алгоритмов обнаружения событий в изображении.
В качестве одного из примеров использования нашей платформы в промышленности можно привести проект «Цифровое зрение в бурении» — ЦЗВБ.

Он начался в июле 2020 года, перед этим два года анализировали рынок, собирали потребности и проводили НИОКР. Сейчас он находится на этапе доработки MVP.

Команда создаёт решение на основе компьютерного зрения, которое будет автоматически идентифицировать опасные действия и опасные условия в режиме реального времени, помогая контролировать соблюдение правил промышленной безопасности и охраны труда на буровых установках. Уже реализовано 15 однокомпонентных и многокомпонентных камера-событий.

Проект переиспользовал компоненты:



  • видеопотоки;
  • бизнес-правила;
  • разметчик от Intel (CVAT);
  • отчетность;
  • API для внедрения детекций.
Сейчас мы продолжаем развивать нашу платформу, ждем проекты, которым мы поможем повысить T2M, сэкономим бюджеты. Именно для этого мы существуем.
Заключение

Несколько советов на основе нашего опыта:

1. Технология Computer Vision уверенно закрепляется на рынке.

2. Количество проектов в эксплуатации будет расти в ближайшие годы

3. На рынке появляется много решений, которые помогают делать проекты быстрее и эффективней, изучайте их.
Вернуться в блог