Dutch
English
Computervisieoplossing voor een grote industriële klant
Voor elke industriële vestiging is de veiligheid van de werknemer een belangrijk aandachtspunt, wat het essentieel maakt voor bedrijven om de naleving van persoonlijke veiligheid bij te houden. Veel organisaties spannen zich enorm in om automatiseringssystemen te implementeren die AI gebruiken om na te gaan en vast te leggen of werknemers zich houden aan de vereisten voor persoonlijke veiligheid. Dit is een complex gebeuren waarbij veel studies van AI zijn betrokken. First Line Software heeft al deelgenomen aan een van die studies.
De taak
De klant vroeg First Line om gebruik te maken van de bestaande live videostreamingsmogelijkheden van de CCTV-camera's van het bedrijf als basis voor het implementeren van AI-capaciteit om te controleren of er werd voldaan aan de veiligheidsvereisten van het bedrijf. Hiervoor was het nodig dat het AI-systeem in staat was om specifieke productielijnen, werknemers en belangrijke veiligheidselementen van de vestiging te identificeren.
Het proces
De First Line Software-programmeurs maakten een convolutioneel neuraal netwerk en leerde het om de specifieke personeelsleden, elementen van de veiligheidsuitrusting (helmen, veiligheidsjassen, enz.) en de soorten productielijnen te identificeren met behulp van de live stream van de CCTV-camera's.
De pilotversie van het systeem kan de drie meest voorkomende scenario's van menselijk gedrag traceren en daarop reageren:
- Of het personeel de benodigde veiligheidsuitrusting draagt (helm en veiligheidsjassen)
- Of de persoon zijn helm heeft bedekt met een capuchon (wat strikt verboden is)
- Of een persoon een touw heeft bevestigd bij het uitvoeren van werk op grote hoogte
Dataset
Het typische probleem van dit type onderzoekstaak is het gebrek aan exacte gevallen en de scenario's die kunnen worden gebruikt om het neurale netwerk te laten 'leren'. Om deze kwestie op te lossen moest First Line alle mogelijke positieve en negatieve scenario's van het gedrag van een persoon creëren. Voor het proces werden ook 56 modellen van menselijk gedrag geanalyseerd en gemaakt die ter plekke op de vestiging konden worden weergegeven.
Zoals u kunt zien in de foto's, werden enkele werknemers volledig uitgerust en voldeden ze aan de veiligheidsvereisten, terwijl een aantal van de werknemers dat niet deed. Het systeem gebruikt 12 draaipunten om elke persoon te analyseren en aanvullende draaipunten om de veiligheidsuitrusting te analyseren. Elke videobeeld had een specifieke kleuridentificatie, evenals het tekstbeeld. Daarnaast kan de kijker de locatietrigger in de vestiging zien.
Objectherkenning
Het algoritme dat door First Line is ontwikkeld, analyseert de gegevens in drie stappen. De eerste stap is om het met de CCTV vastgelegde beeld te analyseren en de menselijke aanwezigheid te analyseren. Als een mens wordt gedetecteerd, geeft het algoritme het beeld door aan het convolutionele neurale netwerk. Zodra deze stap is voltooid, maakt het netwerk gebruik van draaipunten om de persoon en de elementen van de veiligheidsuitrusting (helmen en/of een veiligheidstouw) te identificeren. Met behulp van het 'Support Vector'-algoritme vergelijkt het programma het vastgelegde beeld van de persoon met het schema, dat in de database is opgeslagen. Als het algoritme vaststelt dat de veiligheidsregels worden overtreden, wordt er een bericht gestuurd naar het leidinggevend personeel.
De technologie
Om de beste resultaten te behalen, maakte First Line gebruik van Mask R-CNN (detectieplatform) om de vastgelegde beelden te analyseren. Dit platform werd gekozen omdat het het meest geschikt was voor de vereiste taak en omdat het voorwerpen in de beelden kan identificeren en markeren. We lieten het neurale netwerk leren met behulp van het script voor leeroverdracht. Dit script werd gekozen omdat er geen vereisten waren voor het verzamelen van statistieken over het werk dat gedaan was of het aantal werknemers op de vestiging, en het ook niet nodig was om de specifieke afdeling te identificeren waar elke werknemer het merendeel van zijn/haar werktijd doorbrengt.
Het resultaat
First Line kon de duurzame analysegegevens van de live video verkrijgen door de mogelijkheid van het detecteren van voorwerpen en de classificatie daarvan. De detectieverhouding varieert van 77 tot 100 procent. Het pilotproject toonde geweldige resultaten en de klant voert momenteel diepgaande tests uit op haar bedrijfsterrein.
Request documents
Request project documents
GERELATEERDE PROJECTEN
Visual recognition mobile application for counting forestry materials
Our Customer had previously tested off-the-shelf software products and then decided a custom solution was needed to precisely count their materials.
Details bekijken
Beeldherkenningsoplossing voor mediabedrijf
Onze klant vroeg onze programmeurs om een online systeem te ontwikkelen dat militair materieel in een foto zou kunnen identificeren en herkennen.
Details bekijken
Machine Learning for Data Governance in a Hospital Setting
Wide-spread adoption of EHR systems brings along large amount of data available for reporting and other analytical insights. Health organizations routinely generate thousands of such analytical artifacts on daily or weekly basis.
Details bekijkenWILT U MEER INFORMATIE?
NEEM GERUST CONTACT MET ONS OP
