Разработка системы мониторинга нарушений

Цена договорная
05 ноября 2024, 11:46 • 15 откликов • 106 просмотров
Проект: Разработка системы мониторинга и фиксации нарушений правил охраны труда с использованием технологий компьютерного зрения.

Задача специалиста: Создать и обучить модель компьютерного зрения, способную обнаруживать и классифицировать нарушения на рабочем месте, такие как отсутствие средств индивидуальной защиты (СИЗ), курение в неположенном месте и пересечение ограничительных зон.


Цели
  1. Разработать модель компьютерного зрения, которая будет:
    • Определять наличие или отсутствие касок, защитных очков и перчаток на работниках.
    • Обнаруживать действия, такие как курение.
    • Определять пересечение заданных границ (например, заход за ограждение).
  2. Модель должна обеспечивать точность детекции и классификации не менее 90%.
  3. Модель должна работать в режиме реального времени при подключении к видеопотоку.

Функциональные требования
  1. Детекция и классификация объектов

    • Определение объектов на изображениях и видеопотоке с использованием фреймворка Detectron2 или YOLO.
    • Детекция объектов и действий с учетом следующих категорий:
      • СИЗ: каски, очки, перчатки.
      • Опасные действия: курение.
      • Ограждения и границы зон: фиксация нарушения при пересечении ограничительных зон.
  2. Обработка видеопотока

    • Модель должна обрабатывать потоковое видео с разрешением Full HD или 4K.
    • Время отклика системы должно быть минимальным, не более 2 секунд на одну детекцию.
  3. Фиксация нарушений

    • Модель должна фиксировать факт нарушения и передавать информацию в систему, включая:
      • Тип нарушения.
      • Время нарушения.
      • Идентификатор камеры.
    • Сохранение изображений или коротких видео отрезков (5 секунд до и после) для дальнейшего анализа.
Технические требования
  1. Фреймворк и библиотека:

    • Использовать Detectron2 или YOLO для детекции объектов и классификации.
    • PyTorch как основную библиотеку для работы с моделью.
  2. Предобученные модели и дообучение:

    • Применение предобученных моделей на датасете COCO (если это повышает точность) с последующим дообучением на специфичных данных проекта.
    • Использование техник дообучения и аугментации для повышения точности на специфичных изображениях (например, сложные углы обзора, плохое освещение).
  3. Обработка данных и аугментация:

    • Подготовка и разметка датасета, если потребуется. Это может включать создание и разметку изображений для категорий «курение», «отсутствие СИЗ», «пересечение ограждений».
    • Аугментация данных, таких как изменение яркости, поворот, масштабирование для улучшения обобщающей способности модели.
  4. Оптимизация для реального времени:

    • Настройка модели для работы в реальном времени, включая возможную оптимизацию под GPU.
    • Использование CUDA для ускорения инференса на графических процессорах, например, NVIDIA RTX 3060 и выше.
Ожидаемый результат
  1. Модель, готовая к интеграции: обученная и настроенная модель, готовая для интеграции с серверной частью системы и обработки видеопотока в реальном времени.
  2. Отчет по точности и производительности: отчет о точности модели (Precision, Recall, F1-score) и скорости обработки на тестовых данных.
  3. Рекомендации по улучшению: возможные рекомендации по дообучению модели или изменению настроек в будущем для повышения точности и производительности.

Требования к отчетности и документации
  1. Описание процесса обучения и настройки модели.
  2. Подробные результаты тестирования, включая графики с метриками (Precision, Recall, IoU).
  3. Руководство по внедрению модели и рекомендациями по оптимизации для улучшения производительности на видеопотоке.

Примечание: Пожалуйста, укажите примеры предыдущих работ по использованию компьютерного зрения и машинного обучения, а также ориентировочные сроки и стоимость работы.