Умный поиск по видео архиву (AI-модуль видеоаналитики)

• Экономия времени сотрудников СБ и менеджмента

• Сокращение затрат на обработку инцидентов, усиление контроля за соблюдением производственной культуры

• Автоматизация процессов анализа кадров видеоматериалов с потенциальными нарушениями, разметка видео

• Освобождение сотрудников подразделений СБ от рутинных операций, возможность выполнения автоматических работ в нерабочее время без участия работников

• Повышение производительности и качества работы СБ

2025

Раньше: Расследование одного инцидента до 40 часов работы.

Теперь: Расследование одного инцидента = 1 час работы.

Эффект: Высвобождение ресурсов для проактивной работы.

 Снижение прямых финансовых потерь:

Раннее выявление схемы хищения или случая саботажа, могло остаться незамеченным.

Различные АРМ, в т.ч. ноутбуки. Для анализа видео используются потребительские видеокарты среднего+ уровня

Pyton + YOLOv11

В проекте не используются решения из каталога Global CIO

Необходимо было подобрать оптимальное по скорости и требовательности к "железу" решение.

Решение способсобно работать на обычных ноутбуках с "народными" видеокартами.

На площадках предприятия используется большое количество камер (до 500), что позволяет снижать риски:

• Внутренних хищений

• Производственного брака

• Нормативные риски

• Риски охраны труда

• Репутационные риски

• Сговора и саботажа

Это достаточно большой объем информации, порядка 360 тыс. часов.

При возникновении инцидента, обычно известно место (конкретная область кадра), камеры, в поле которых случился инцидент и примерный отрезок времени.

Ранее поиск и анализ осуществлялся офицером безопасности, что отнимало много ресурсов.

Кроме того человек устает, теряет концентрацию, может пропускать ключевые события.

Требовалось решение, позволяющее в произвольном архиве любой длительности осуществить настройку на конкретную часть кадра и быстро проанализировать во всем видео наличие движения или человека в кадре.

После этого необходимо было получить нарезку видео или разметку событий, что бы в дальнейшем офицер СБ мог быстро перемещаться между событиями в видео архиве.

Анализ рынка показал, что готовых решений с необходимым функционалом нет, а стоимость разработки сторонними компаниями превышает 7 млн.

Было принято решение разработки собственного продукта.

В качестве модели для детекции объектов была выбрана  Ultralytics YOLO.

Анализ различных версий показал, что для нашей задачи, оптимальным решением по производительности на АРМ компании и качеству является Ultralytics YOLOv11.

В качестве экспертов привлекались работники СБ, которые оказывали методологическую поддержку.

Система отлаживалась на архиве за 4 месяца, совместно с сотрудниками СБ.

В результате был создан и внедрен в эксплуатацию продукт, который позволил анализировать видео архив на скоростях до 25Х от обычной скорости проигрывания. т.е. 24 часа видео размечается быстрее чем за час, позволяя:

• Детектировать людей: Отличать человека от оборудования, теней, животных.

• Детектировать движение: В произвольной, заданной пользователем зоне (например, только у конкретного станка, а не во всем цеху).

• Индексировать весь архив: Создать базу метаданных («на 5-й камере в 14:35:10 появился человек»).

• Выдавать результат в виде кликабельного текстового списка: С указанием камеры и временной метки. Офицер СБ щелкает на время — и система сразу перематывает видео на нужный момент.

По итогу смогли решить все поставленные задачи.

Анализ и разметка архива осуществляется без участия человека, экономя время и освобождая от рутины.

По результатам анализа готовится отчет о событиях.

Решение стационарное и тиражируемое, может быть использовано во всех регионах присутствия кондитерской фабрики Победа.