Система автоматического контроля использования СИЗ на судостроительном производстве

Московская верфь — судостроительное предприятие в Нагатинском Затоне Москвы. Предприятие открылось в ноябре 2025 года и выполняет полный цикл работ по строительству судов: от обработки металла и сварки корпусов до сборки и оснащения. Производственные площади занимают 23 тыс. кв. м.

На судостроительном производстве сотрудники режут и сваривают металл, монтируют оборудование и выполняют высотные работы. Для каждой операции предусмотрены свои требования к средствам индивидуальной защиты (СИЗ). В зависимости от условий работы сотрудники должны использовать каски, защитные очки, респираторы, специальную одежду, страховочные привязи и другие элементы экипировки.

Соблюдение этих требований необходимо контролировать во всех производственных зонах. Однако во время обычных обходов сотрудники службы охраны труда могут проверить только те участки, на которых находятся в данный момент. Постоянно следить за всеми цехами, помещениями и открытыми площадками невозможно.

Основная задача проекта — повысить производственную дисциплину и снизить риск травматизма благодаря постоянному контролю соблюдения требований охраны труда.

Для этого предприятию требовалась система автоматического контроля безопасности, которая выявляет отсутствие обязательных СИЗ, контролирует применение специальной экипировки при отдельных видах работ и обнаруживает курение на территории в неположенных для этой цели местах.

Для разработки системы контроля за соблюдением требований охраны труда специалисты Nord Clan использовали платформу ML Sense.

Система анализирует видеопотоки с камер наблюдения, распознаёт людей и средства индивидуальной защиты, выявляет нарушения и уведомляет службу охраны труда по электронной почте. В сообщении указываются данные о нарушении и прикладывается изображение с камеры, на котором его зафиксировали. Это позволяет ответственным сотрудникам узнать о ситуации и проверить её без ожидания следующего планового обхода.

Для работы системы использовали 40 существующих камер. Они установлены в производственных цехах, помещениях и на открытых участках территории. Дополнительная сеть видеонаблюдения не потребовалась.

При разработке алгоритмов учитывали особенности исходного видеопотока. Камеры изначально предназначались для общего наблюдения, поэтому люди и отдельные элементы экипировки часто занимали небольшую часть кадра. На изображение также могли влиять ракурс, расстояние до человека и предметы, которые частично закрывали его.

Для обучения и проверки алгоритмов специалисты подготовили набор из 4250 изображений. На кадрах размечали людей и элементы СИЗ — иногда до пяти видов экипировки одновременно. При разметке требовалось точно определить границы каждого объекта, даже если они находились близко друг к другу.

Алгоритм проверяет наличие СИЗ в несколько этапов. Сначала нейросеть обнаруживает человека, затем определяет положение его частей тела и проверяет, присутствует ли соответствующая защитная экипировка. Если часть тела или элемент СИЗ не видны из-за ракурса либо перекрытия, система учитывает это при оценке кадра. Например, если глаза человека не попали в изображение, отсутствие защитных очков не фиксируется как нарушение.

При настройке также учитывали требования Московской верфи к внешнему виду экипировки: система обучена распознавать конкретные образцы спецодежды, утверждённые на предприятии.

Для некоторых операций сотрудникам нужны дополнительные средства защиты, которые не требуется носить постоянно. Например, при сварке необходима сварочная маска, а при работе с угловой шлифовальной машиной (УШМ) — защитный лицевой щиток.

Поэтому контроль построили в два этапа. Сначала система распознаёт факт выполнения соответствующей работы, а затем проверяет наличие необходимого СИЗ.

Расположение участков высотных работ на верфи меняется по мере строительства судов и перемещения лесов. Поэтому зоны контроля нельзя задать один раз на весь период эксплуатации системы.

В ML Sense предусмотрена настройка зон детекции. Сотрудники службы охраны труда могут самостоятельно менять их границы при переносе лесов, перемещении рабочих мест или организации временных участков. Система проверяет наличие страховочных привязей в заданных зонах, в том числе на нескольких участках одновременно.

Для выявления курения специалисты Nord Clan разработали отдельный алгоритм. Одного факта обнаружения сигареты в кадре недостаточно: она занимает небольшую часть изображения и может быть плохо различима. Поэтому система анализирует несколько признаков одновременно: положение руки относительно лица, наличие сигареты или электронного устройства и появление дыма.

Для обучения нейросети специалисты отдельно размечали дым на видеокадрах. Это оказалось непростой задачей: дым постоянно меняет форму и не имеет чётких границ.

При настройке алгоритма также учли сезонные особенности. Зимой пар от дыхания может быть похож на дым и приводить к ложным срабатываниям. Для таких случаев предусмотрена возможность одновременно отключить распознавание курения на всех камерах.

Для работы с системой Nord Clan разработала единый интерфейс оператора. Видеопотоки с 40 камер распределены по двум экранам — по 20 камер на каждом. Пользователь может выбрать отдельную камеру и открыть её изображение на весь экран.

При обнаружении нарушения ML Sense формирует событие и сохраняет:

• изображение с камеры;
• дату и время;
• номер камеры;
• информацию об отсутствующих СИЗ.

События отображаются в интерфейсе оператора, а уведомления поступают на электронную почту указанных ответственных лиц. Администратор может открыть снимок, увеличить изображение и просмотреть архив за выбранный период.

Чтобы избежать многократной регистрации одного и того же нарушения, специалисты предусмотрели механизм отслеживания людей в кадре. Каждому обнаруженному человеку присваивается технический идентификатор (ID). После фиксации нарушения система временно прекращает повторную регистрацию аналогичного события для этого человека. Например, если сотрудник продолжает стоять без каски перед камерой, система не создает новое событие.

В системе предусмотрены две роли:

1. Оператор — просматривает видеопотоки и зарегистрированные события.
2. Администратор — настраивает систему, выбирает виды СИЗ для проверки на каждой камере и изменяет границы зон детекции.

Например, на одном участке можно контролировать наличие касок и защитных курток, а на другом дополнительно проверять очки и респираторы. Такие настройки заказчик может менять самостоятельно, без привлечения разработчиков.

В результате внедрения ML Sense Московская верфь получает комплексный инструмент автоматизации контроля за соблюдением требований охраны труда, который позволяет: