Aktuální vydání

celé číslo

02

2021

Systémy pro řízení vodárenských sítí a ČOV

Hladinoměry

celé číslo

Bezpečnost práce pod nepřetržitým dohledem

Při využívání umělé inteligence (AI) k ochraně zaměstnanců se technické prostředky kombinují se sledovacími systémy, jejichž záznamy jsou okamžitě vyhodnocovány. Takto navržený systém nikdy nespí, není unavený, a proto „nic nepřehlédne“, takže bezpečnost práce je pod bedlivým dohledem 24 hodin denně sedm dní v týdnu. Vyvíjíme řešení, která jsou schopna z kamerového obrazu porozumět chování lidí. Například tomu, jestli není riskantní a nehrozí jim nějaký úraz. Konkrétně umíme pohlídat třeba prostor lisu ve výrobě, zda do něj nespadl člověk, a v případě potřeby jej automaticky zastavit. Jsme také schopni vyhodnotit únavu zaměstnance, který ovládá náročný stroj, a doporučit mu přestávku,“ popisuje Lukáš Havlíček, ředitel brněnské laboratoře Konica Minolta. Moderní systémy rovněž mohou automaticky zjistit, zda zaměstnanci nosí předepsané bezpečnostní pomůcky. Ačkoliv se to jeví jako maličkost, firmy tak mohou ušetřit až statisíce korun na případných pokutách od Státního úřadu inspekce práce či na odškodnění v případě pracovního úrazu.

 

V souladu s ochranou osobních údajů

Velmi důležitou oblastí je ochrana dat před únikem a zneužitím. Krádeže obchodních tajemství se většinou zaměřují na patenty, výrobní postupy nebo kontakty na zákazníky. I v tomto případě využíváme kombinaci umělé inteligence s video analytickými funkcemi. Monitorujeme mimo jiné počet lidí v budově a jejich nebezpečné nebo podezřelé chování. Pokud třeba někdo používá mobilní telefony tam, kde je to zakázáno, nebo se zbytečně dlouho zdržuje v místech, kde hrozí únik informací. Vše samozřejmě funguje v souladu se zákony na ochranu soukromí,“ uzavírá Lukáš Havlíček.

 

Umělá inteligence rozšiřuje možnosti kamerových systémů

Říká se, že nejcennější komoditou na světě jsou informace. Díky kombinaci umělé inteligence s kamerovými systémy se v poslední době firmám otevřel nový zdroj velmi detailních a cenných informací. A to díky video analytickým funkcím. Na možnosti jejího využití jsme se zeptali Petra Šikoly, má na starosti projekty spojené s inteligentními kamerami a jejich rozvoj.

 

Jaký je hlavní přínos využívání umělé inteligence v kamerových systémech?

Umělá inteligence je oproti člověku schopná sledovat a vyhodnotit v kratším čase mnohem více situací a detailů. Příkladem může být sledování logistického provozu. Naše řešení je již například nainstalováno u distributora zboží do obchodů, kde jsou k přepravě využívány plastové boxy, a my pomocí kamer automaticky kontrolujeme, zda nejsou poškozené. Předcházíme tak znehodnocení zásilky i finanční ztrátě. Než se na nás zákazník obrátil, musel kontrolu provádět zaměstnanec, což bylo pomalejší, finančně náročnější a méně spolehlivé.

 

Jak mohou video analytické funkce pomoci třeba ve skladech?

Můžeme například kontrolovat stav zásob nebo identifikovat zboží v jednotlivých kontejnerech. V areálech skladu jsou kamery za pomoci umělé inteligence schopné také detekovat podezřelé pohyby materiálu z místa nakládky nebo odhadnou počet aktuálně naložených přepravek a tím zabrání krádežím.

 

Využívají se nástroje umělé inteligence v praxi i ve spojení s termokamerami?

Ano, za pomoci termálních kamer dokážeme například vyhodnotit, zda nedochází vlivem příliš teplého prostředí k poškozování potravin. Jsme také schopni odhalit možný vznik požáru dřív, než se projeví, a ve výrobě dokážeme předcházet poruchám přehřátých strojů. A systémy naleznou uplatnění třeba i v tradičních obchodech při analýzách zákaznického chování.

 

Jsou funkce umělé inteligence integrovány přímo do kamery, nebo se vyhodnocení obrazu provádí externě na serveru?

Řešení lze navrhnout v závislosti na požadavcích a podmínkách buď s vyhodnocením přímo v kameře, nebo obraz vyhodnocuje software na serverech, popřípadě lze oba přístupy kombinovat. Do hry také vstupují faktory jako poměr ceny a výkonu a nároky na provoz, servis a zálohování. Při volbě řešení je důležitý zejména poměr výkonu a kapacity, který mají k dispozici kamery. Mezi důležitá kritéria patří požadovaná rychlost a množství vyhodnocovaných situací a porovnávání dat.

Kdybych to měl zjednodušit – je-li třeba „pouze“ vyhodnocovat situace typu nestandardní chování člověka nebo odložení předmětu v dané zóně, vystačíme si s vyhodnocením obrazu přímo v kameře. Jestliže se však má kontrolovat správnost nebo kvalita osazení součástek výrobku, už se nám nabízí širší škála možností i řešení. Vyhodnocení na serveru se hodí v případě, kdy se například každou směnu zhotovuje jiný výrobek a je nutné vždy změnit referenční snímky (správné vzory kvality). Klient může požadovat napojení různých systémů, které mají řešit různé incidenty, třeba při detekci nekvalitního výrobku.

 

Jaké jsou výhody v případě, kdy se vše vyhodnocuje v kameře?

Jestliže vše vyhodnotíme v kameře, minimálně zatížíme síť. V případě, že máme například mnoho vyhodnocovacích míst, nemusíme vše řešit centrálně a nezatěžujeme jeden server třeba z dvaceti kamer. Výpadek jedné kamery z dvaceti nezpůsobí to, co výpadek serveru, na kterém běží dvacet kamer. Kamera je něco jako minipočítač, na kterém v podstatě běží aplikace, a má svou kapacitu. Vývoj v inteligentních kamerových systémech jde rychle kupředu – vše urychluje a násobí kapacitu a ve výsledku tak umožňuje kamerám stále více nahrazovat klasickou výpočetní techniku. Tímto směrem postupuje vývoj v kamerových systémech. Je-li možné všechno vyhodnotit v kameře, je to výhodnější. Kamera nabízí stále více možností, kamery typu Mobotix do jisté míry nepotřebují žádný další hardware (centrální server) k tomu, aby mohly fungovat jako kamerový nebo analytický systém.

 

Jak náročné je naučit umělou inteligenci danou úlohu strojového vidění. Kolik je k tomu třeba dat a kolik času to zabere?

To zcela závisí na dané úloze. Uvedu to na příkladu: Je-li vyhodnocován správný směr pohybu a informace o překročení určité hranice v trajektorii, tak to dnes hravě zvládne aplikace v kameře. Zajímavější už to bude v případě, kdy budeme chtít vyhodnocovat ve výrobě správné osazení na držáku, kde je umístěno třeba deset různých součástek z automobilu, které se každou směnu mění.

Obecně lze říct, že jde o hodiny, v případě složitějších úloh i stovky hodin. Proto postupujeme tak, že nejprve s klientem probereme jeho představu a požadavky a následně se seznámíme s danou situací na místě, kde bude kamerový systém instalován. Potom navrhneme řešení a začneme konzultovat technické a finanční aspekty. Poté může nastat fáze implementace a programování nebo také fáze vývoje, na které se podílí obě strany. Jde většinou o individuální záležitost.

 

V kterých odvětvích se nejvíce uplatní kamerové systémy s analýzou obrazu pomocí umělé inteligence?

Uplatnění se najde ve všech odvětvích a oborech. V současné době zkrátka neexistuje obor, kde by analýza obrazu neměla své místo. Ve všech oborech se například řeší bezpečnost práce, která je upravována zákonem. A právě dnes už existuje řada aplikací, které umí vyhodnotit nestandardní chování nebo i porušování předpisů. Ale abych to pouze nezjednodušoval – setkávám se i s klienty, u kterých bych nečekal, že zrovna oni budou mít zájem využívat analytické nástroje. Ti se na věc dívají tak, že vzhledem k vývoji na trhu a vlivu, který má na výkon lidský faktor, budou rádi, když některé činnosti vyřeší kamera, počítač nebo kombinace obojího. A to i přes to, že občas jde o investici, která se nemusí vrátit hned, ale třeba až po pár měsících. Zkrátka jim záleží na kvalitě u rutinních a monotónních operací a vědí, že tak ušetří cenný čas svých zaměstnanců, který pak mohou využít jinde.

(Konica Minolta)

Obr. 1. Kamery typu Mobotix s funkcemi umělé inteligence mohou pracovat jako samostatný kamerový i analytický systém

Obr. 2. Inteligentní kamerové systémy zajistí bezpečný a spolehlivých provoz