Computer Vision на производстве: как видеоаналитика контролирует СИЗ и режет операционные расходы

В цех заходит сварщик без защитных очков. Через долю секунды камера над воротами уже отметила нарушение, и мастер смены получил уведомление в Telegram — до того, как человек дошёл до рабочего места. Никакого обходчика, никакого «не заметили». Это computer vision на производстве в простом, неприглядном применении: контроль средств индивидуальной защиты.

Большинство статей про компьютерное зрение обещают распознавание лиц и умные города. На практике деньги бизнесу приносит другое — нудные операционные задачи, которые человек выполняет плохо просто потому, что устаёт.

Что такое computer vision на производстве — и почему это не «распознавание лиц»

Computer vision (компьютерное зрение) — это нейросети, которые «смотрят» в видеопоток и находят на нём заданные объекты и события: каску на голове, человека в опасной зоне, дефект на детали, пустую полку. Камеры у вас, скорее всего, уже стоят. Меняется не железо, а то, что система с этим видео делает.

Разница с обычным видеонаблюдением простая. Старая камера пишет архив, который смотрят постфактум — когда уже что-то случилось. CV-система реагирует в реальном времени: распознала нарушение — отправила алерт ответственному за 0,5 секунды.

Российский рынок компьютерного зрения вырос с 22,6 млрд ₽ в 2024 году до 25,76 млрд ₽ в 2025-м и, по прогнозу VisionLabs, удвоится к 2030 году до 49,61 млрд ₽. Самый быстрый сегмент — промышленная видеоаналитика: с 2,8 млрд ₽ в 2025 году до 5,6 млрд ₽ к 2030-му. Спрос идёт не от моды на ИИ, а от штрафов и травматизма.

Контроль СИЗ: почему «скучные» задачи окупаются первыми

Самые недооценённые применения CV — не распознавание лиц и не аналитика трафика, а скучные операционные задачи: контроль СИЗ, инвентаризация на складе, проверка дефектов на конвейере. По нашему опыту из 14 проектов Computer Vision, 11 — именно такие операционные задачи, и все окупились в течение года. Три «громких» проекта (видеоаналитика для ритейла, распознавание для ивентов) окупались заметно дольше.

Контроль СИЗ — показательный пример. Промышленное предприятие в Беларуси проверяло наличие касок, очков и перчаток у рабочих в цеху силами обходчика — два раза в смену, плюс штрафы по фактам нарушений. После внедрения CV-системы (камеры плюс модель, обученная под таксономию СИЗ) мастер смены получает алерт в момент нарушения.

Результаты за первые три месяца:

• Операционные расходы на контроль — −80% (обходчик больше не тратит смену на ручные проверки)
• Нарушения техники безопасности — −67% (с 18 до 6 в месяц)
• Окупаемость проекта — 5 месяцев

Это не уникальный эффект одной компании. По открытым данным, видеоаналитика на 84 промышленных площадках снизила травматизм на 41%, штрафы Государственной инспекции труда — на 56%, а предписания Госстройнадзора по охране труда — с 28 до 7 на объект в год. Когда один несчастный случай стоит компании от сотен тысяч рублей штрафа до остановки участка, экономика контроля СИЗ считается быстро.

Как это работает: камеры, модель, уведомление

Под капотом — связка из трёх частей. Ни одна из них не магия, и именно поэтому проект предсказуем по срокам.

Железо и съёмка

Чаще всего хватает существующих IP-камер. Важны не мегапиксели, а ракурс и освещённость в точке контроля: вход в цех, зона у станка, проходная. Если камера висит так, что каску видно только со спины, — сначала меняем угол, потом обучаем модель.

Модель и обучение под вашу таксономию СИЗ

Базовые детекторы объектов (например, семейство моделей YOLO поверх OpenCV) распознают человека и крупные объекты «из коробки». Но «каска именно вашего образца», спецовка нужного цвета, защитный экран сварщика — это дообучение на ваших кадрах. Здесь кроется разница между демо и рабочей системой: коробочное решение даёт распознавание общих классов, кастомная модель учитывает специфику вашего производства и даёт меньше ложных срабатываний.

Интеграция: алерт там, где его прочитают

Распознать нарушение — половина дела. Вторая половина — доставить сигнал туда, где на него отреагируют: Telegram мастеру, дашборд службы охраны труда, запись события в журнал. Мы собираем pipeline так, чтобы алерт уходил за доли секунды, а не копился в отчёте, который откроют в конце месяца. Тот же подход к интеграции мы используем, когда внедряем ИИ-ассистентов в обработку обращений — толк от модели появляется только там, где её вывод попадает в рабочий процесс.

Сколько стоит и когда окупается

Единого прайса на CV-проект нет — стоимость считается под задачу, число точек контроля и состояние камер. Но ориентир по срокам устойчивый: операционные задачи (СИЗ, инвентаризация, дефекты) окупаются за 3–9 месяцев. «Громкие» применения вроде аналитики покупательского трафика — за 18–36 месяцев.

Поэтому первый проект почти всегда стоит начинать с операционной, измеримой задачи. У неё есть понятная базовая метрика «до» (число нарушений, часы обходчика, штрафы), которую легко сравнить с «после». Считайте ROI не в точности модели, а в высвобожденных часах сотрудников и снятых штрафах — это язык, на котором проект защищается перед собственником.

Подробнее про то, как мы выстраиваем внедрение по шагам, мы разбирали в материале как внедрить ИИ в бизнес-процессы.

С чего начать: аудит цеха за неделю

Первый шаг — не закупка софта, а аудит. Нужно понять, что и где вы хотите контролировать, какие камеры уже есть и какая метрика станет точкой отсчёта.

Минимальный план запуска:

• Выберите одну измеримую задачу (например, контроль касок на входе в цех)
• Зафиксируйте базовую цифру: сколько нарушений или часов контроля сейчас
• Проверьте ракурс и освещённость существующих камер в этой точке
• Запустите пилот на одном участке на 4–8 недель
• Сравните метрику «до/после» и масштабируйте на остальные зоны

Tantal — резидент Сколково; разбор кейсов Computer Vision по операционным задачам собран на странице направления компьютерного зрения. Если хотите оценить свою задачу — опишите её через форму на сайте, и мы посчитаем, окупается ли пилот в вашем случае.

Частые вопросы

Нужно ли менять камеры ради computer vision?

В большинстве случаев нет. CV-система работает с потоком от существующих IP-камер. Замена нужна, только если ракурс или разрешение в точке контроля не позволяют различить объект — тогда дешевле перевесить или добавить одну камеру, чем менять весь парк.

Что с приватностью сотрудников?

Система контроля СИЗ распознаёт факт наличия защитного снаряжения, а не личность работника. Биометрия и распознавание лиц — отдельная задача с отдельными требованиями по 152-ФЗ; в проектах по охране труда она обычно не нужна.

Сколько нарушений реально ловит система?

Зависит от ракурса и качества дообучения модели на ваших кадрах. В кейсе с контролем СИЗ нарушения за три месяца снизились на 67% — не потому что система «видит всё», а потому что неотвратимость алерта меняет поведение людей.

Работает ли видеоаналитика в плохом освещении и на улице?

Да, но это вопрос подбора камер и обучающей выборки. Уличные зоны, ночные смены и запылённые цеха требуют кадров именно в этих условиях на этапе обучения модели. Это закладывается в аудит до старта пилота.

За какой срок внедряется пилот?

Пилот на одном участке — обычно 4–8 недель: аудит, дообучение модели, настройка уведомлений, тестовый период. Полное масштабирование на предприятие считается уже по результатам пилота.

Что делать дальше

Если на вашем производстве кто-то вручную обходит цех с проверкой касок или вы платите штрафы по фактам нарушений — это первая задача, которую стоит отдать computer vision. Она измерима, окупается быстро и не требует переоборудования.

Начните с одной зоны и одной метрики. Опишите задачу — и мы оценим, окупается ли пилот именно в вашем случае.