Московская верфь внедрила ML Sense для контроля СИЗ и промбезопасности

Московская верфь — судостроительное предприятие, расположенное в Нагатинском Затоне Москвы. Верфь открылась в ноябре 2025 года и выполняет полный цикл строительства судов: от обработки металла и сварки корпусов до сборки и установки оборудования. Площадь производственных помещений составляет 23 тыс. кв. м.

На судостроительном производстве сотрудники выполняют разные виды работ: режут и сваривают металл, монтируют оборудование, работают на высоте. Для каждой операции предусмотрены свои требования к средствам индивидуальной защиты. В зависимости от условий работы необходимо использовать каски, защитные очки, респираторы, спецодежду, сварочные маски, лицевые щитки и страховочные привязи.

Служба охраны труда проверяет соблюдение этих требований во время обходов. За один обход специалисты могут осмотреть только часть территории предприятия, поэтому нарушения на других участках могут остаться незамеченными до следующей проверки.

Московской верфи требовалась система автоматического контроля, которая охватывала бы все производственные участки и выявляла нарушения между плановыми обходами.

Требовалось автоматизировать три направления контроля:

• Использование СИЗ. Проверять, соответствует ли экипировка сотрудника требованиям для его работы, в том числе при сварке и обработке металла с помощью УШМ.
• Работа на высоте. Контролировать использование страховочных привязей в местах выполнения высотных работ.
• Соблюдение запрета на курение. Выявлять курение на участках, где оно не разрешено.

Система должна была дополнить плановые проверки службы охраны труда, повысить производственную дисциплину и сократить время между нарушением и реакцией на него. В перспективе это должно способствовать профилактике производственного травматизма.

Для проекта мы использовали собственную платформу ML Sense — решение для автоматизации контроля за соблюдением требований охраны труда на производстве. Мы настроили её под задачи Московской верфи: система анализирует видео с камер, определяет присутствие людей, распознаёт средства защиты и выявляет ситуации, в которых сотрудники не соблюдают требования к экипировке.

Результаты анализа поступают ответственным сотрудникам. Если ML Sense обнаруживает нарушение, она сохраняет снимок с камеры и отправляет уведомление по электронной почте. В сообщении указаны обстоятельства события, чтобы специалист службы охраны труда мог оценить ситуацию, не дожидаясь очередного обхода.

Для видеоаналитики мы использовали уже установленное на верфи оборудование — 40 камер в производственных цехах, внутренних помещениях и на открытой территории. Покупать дополнительные камеры или создавать отдельную инфраструктуру видеонаблюдения не пришлось.

Для контроля экипировки сначала нужно проверить, можно ли вообще оценить наличие защиты по конкретному кадру. Поэтому сначала алгоритм ML Sense обнаруживает человека, затем определяет положение его частей тела и соотносит их с элементами экипировки. После этого система оценивает, какие средства защиты присутствуют на изображении.

Если нужная часть тела не видна, отсутствие соответствующего СИЗ не считается нарушением. Например, когда лицо закрыто другим объектом или находится вне кадра, система не делает вывод, что сотрудник работает без защитных очков. Для регистрации нарушения у неё должны быть основания оценить наличие или отсутствие экипировки.

Ещё одно требование заказчика касалось внешнего вида спецодежды. На верфи используют утверждённые образцы, поэтому мы настроили распознавание именно этой экипировки, а не произвольной рабочей одежды.

Обычные камеры наблюдения не всегда дают изображение, удобное для машинного зрения. На Московской верфи они охватывают большие пространства, поэтому человек может находиться далеко от объектива, а его экипировка занимает лишь небольшую часть кадра. Дополнительные сложности возникают, когда сотрудники или предметы частично закрывают друг друга.

Для адаптации алгоритмов к этим условиям мы подготовили обучающую выборку из 4250 изображений. Работа с такими данными — часть нашей практики разработки и внедрения ИИ-решений для производственных предприятий.

Мы разметили на изображениях людей и средства индивидуальной защиты. На некоторых снимках одновременно присутствовало до пяти видов экипировки. Для каждого объекта нужно было определить точные границы, в том числе в случаях, когда несколько элементов находились близко друг к другу.

Для сварочных и шлифовальных работ предусмотрены отдельные требования к экипировке. Сварщик должен использовать маску, а сотрудник, работающий с угловой шлифовальной машиной (УШМ), — защитный лицевой щиток.

Здесь система должна учитывать не только внешний вид сотрудника, но и характер выполняемой им работы. Мы настроили алгоритм, который последовательно решает две задачи:

1. Определяет, выполняет ли человек сварку или работает с УШМ.
2. Проверяет, надето ли предусмотренное для этой операции средство защиты.

В итоге ML Sense сопоставляет экипировку с конкретной работой. Отсутствие сварочной маски или лицевого щитка фиксируется с учётом того, какую операцию выполняет сотрудник.

При строительстве судов организация рабочих мест меняется: строительные леса переставляют, участки работ перемещают, появляются временные площадки. Заранее заданные границы контроля в таких условиях пришлось бы регулярно корректировать.

Мы реализовали настройку зон детекции в интерфейсе ML Sense. Специалисты службы охраны труда сами задают участки, на которых система должна проверять использование страховочных привязей, и меняют их границы при изменении производственной обстановки. Одновременно можно настроить несколько зон на разных участках предприятия.

Для обнаружения курения мы разработали отдельный алгоритм. Он анализирует положение руки сотрудника относительно лица, ищет сигарету или электронное устройство и проверяет наличие дыма. Нарушение регистрируется по совокупности этих признаков.

Такой анализ нужен в том числе потому, что сигарета занимает очень мало места в кадре и не всегда хорошо различима. Дополнительная сложность — сам дым: его очертания постоянно меняются, поэтому для обучения алгоритма специалисты отдельно размечали его на видеозаписях.

При настройке мы учли и условия съёмки в холодное время года. Пар от дыхания может быть похож на дым и приводить к ложным срабатываниям. Если распознавание курения в таких условиях работает некорректно, администратор может отключить эту функцию на всех камерах.

Для операторов мы подготовили интерфейс, в котором собраны изображения со всех 40 камер. Видеопотоки распределены между двумя экранами — по 20 на каждом. Пользователь может переключиться на нужную камеру и развернуть её изображение на весь экран.

Отдельный раздел интерфейса предназначен для работы с нарушениями. Каждое событие содержит снимок, дату и время обнаружения, номер камеры и сведения об отсутствующих СИЗ. Ответственные сотрудники получают эти данные также по электронной почте. При необходимости они могут увеличить снимок, рассмотреть детали и обратиться к архиву событий за выбранный период.

Мы предусмотрели и защиту от повторных уведомлений об одной и той же ситуации. При обнаружении человека ML Sense присваивает ему технический идентификатор (ID). Если нарушение уже зарегистрировано, система в течение заданного времени не создаёт для этого человека новые события того же типа. Например, продолжительное нахождение перед камерой без каски не приводит к появлению отдельного уведомления на каждом следующем кадре.

Права пользователей зависят от их роли:

• Оператор просматривает видеопотоки и работает с зарегистрированными событиями.
• Администратор управляет настройками контроля: выбирает проверяемые виды СИЗ для каждой камеры и корректирует зоны детекции.

Администратор может менять параметры самостоятельно, без обращения к разработчикам. Например, настроить проверку касок и защитных курток в одном цехе, а на другом участке дополнительно контролировать очки и респираторы.

На Московской верфи появился дополнительный инструмент контроля за соблюдением требований охраны труда, который работает параллельно с плановыми проверками. Теперь служба охраны труда получает информацию о выявленных нарушениях не только во время обходов, но и по результатам автоматического анализа видеопотоков с производственных участков.

Внедрение ML Sense позволило:

• Укрепление трудовой дисциплины. Сотрудники знают, что соблюдение требований к использованию СИЗ контролируется не только во время плановых обходов.
• Профилактика производственного травматизма. Выявление отсутствующих средств защиты и нарушений при выполнении работ помогает своевременно обратить внимание на потенциально опасные ситуации.
• Расширение охвата контроля. Видеонаблюдение охватывает цеха, внутренние помещения и открытые участки предприятия, поэтому проверка не ограничивается маршрутами обходов.
• Снижение нагрузки на специалистов службы охраны труда. Автоматический анализ видеопотоков дополняет ручные проверки и помогает быстрее находить случаи, требующие внимания.