AI-контроль стройплощадки: безопасность и качество в реальном времени

Точность держится на связке: детекторы находят человека, Dlib локализует голову, и наличие каски проверяется именно там, где она должна быть. На реальной площадке точность зависит от ракурса, освещения и погоды, поэтому мы размечали данные с настоящих строительных камер и калибровали пороги на пилоте. Спорные события уходят на подтверждение прорабу в приложении, и эти решения используются для дообучения детекторов.

Весь анализ видео выполняется на edge-устройствах на самом объекте, поэтому для распознавания нарушений связь не нужна вовсе. События буферизуются локально и синхронизируются с сервером, как только сеть появляется: push-уведомление может прийти с задержкой, но ни одно нарушение не теряется. В сеть уходят только компактные события с кадрами, а не видеопоток — трафик минимален.

Нет, система работает с уже установленными IP-камерами по стандартным видеопотокам. На этапе обследования мы проверяем ракурсы, разрешение и покрытие зон: как правило, существующей инфраструктуры достаточно, точечно камеры добавляются только на слепые зоны. Edge-узлы устанавливаются рядом с камерной сетью объекта, а REST API отдаёт события системам заказчика.

Приватность заложена в архитектуру. Сырое видео не хранится и не покидает площадку — edge-узлы анализируют поток на месте и сохраняют только события-нарушения с отдельными кадрами. Доступ к событиям разграничен по ролям, задача системы — фиксировать факт нарушения, а не следить за конкретными людьми. Проект выполнялся для заказчика из Западной Европы, поэтому требования европейского регулирования по защите персональных данных учитывались с первого дня.

Система накапливает визуальную историю каждого участка по кадрам с камер: когда этап начался, как продвигался, в каком состоянии закрыт. Отклонения от ожидаемого хода работ подсвечиваются инженеру, а датированный фотоархив остаётся доступным даже после того, как этап скрыт следующим слоем работ. Это объективная база для приёмки и разбора спорных ситуаций с подрядчиками — вместо ручной фотофиксации при обходах.

У библиотек разные роли. OpenCV отвечает за видеоконвейер: декодирование потоков, предобработку кадров, геометрию зон и общую детекцию. Dlib даёт быструю и точную локализацию лица и ориентиров головы — проверка каски привязывается к положению головы конкретного человека, а не к факту «в кадре есть каска». Это заметно снижает ложные срабатывания, а компактность Dlib позволяет держать всю связку на ограниченном железе edge-узлов.

Да, архитектура на это рассчитана. Для нового объекта детекторы дообучаются на местных данных, зоны и правила настраиваются под его планировку, а edge-узлы тиражируются как типовой комплект. Новые классы событий — вопрос разметки и дообучения моделей: видеоконвейер, серверная часть и мобильное приложение при этом не переделываются. Так система масштабируется на портфель объектов строительной компании, а не остаётся решением для одной площадки.