Знаете ли вы, что в ассортименте вендоров ПО для видеосистем есть много решений для прикладных задач торговли — модулей для подсчета посетителей, определения длины очереди, контроля операций на кассе и т.п. А предложений для решения производственных и промышленных задач практически нет. Все потому что мы, разработчики ПО для видеонаблюдения, для производства, в отличие от ритейла, разрабатываем редко, и стоит это дорого.

Почему? Давайте разбираться.

Изначально системы видеонаблюдения были изобретены для безопасности. Они решали традиционные задачи: хранение архива, отображение на экраны операторов, детектирование движения и поиск в архиве. Вне зависимости от того, к какой отрасли относится объект, на котором установлена видеосистема, подход к решению этих задач одинаков. И технологии их решения, разработанные однажды, успешно применяются на миллионах разных объектов.

Со временем системы видеонаблюдения пошли дальше и научились решать несколько более сложные задачи – анализировать видео: распознавать лица, распознавать автомобильные номера, искать по разнообразным параметрам. И вновь на каком бы объекте это не делалось, процесс происходит примерно одинаково, ведь, например, для модуля распознавания номеров нет разницы, находится автомобиль у ворот торгового центра или завода.

Следующий шаг – решение более узких специализированных задач, выходящих за рамки обеспечения безопасности. В первую очередь такие системы появились для ритейла. Они могут анализировать перемещение покупателей, определять длину очереди, считать посетителей, выявлять наиболее активные зоны торгового зала. И все это работает достаточно эффективно.


Тепловая карта интенсивности движения Macroscop в холле торгового центра

Теперь логично сделать следующий шаг: если мы научили системы анализировать видео и решать прикладные задачи на одних объектах, почему бы не вводить это повсеместно? Не только в торговлю, но и, например, на производство, и тогда системы смогут заменить рабочих, которые занимаются низкоквалифицированным трудом.

Не тут-то было…

На практике все не так просто. Если базовые задачи по обеспечению безопасности однотипны, задачи по видеоанализу для ритейла тоже однотипны (потому что не так важно, что продавать, магазины в целом продают одинаково, независимо от того, что стоит на полках), то у производства задачи самые разнообразные. Все производство разное и для каждого существует свой производственный процесс.

Судите сами. В Macroscop мы получаем много запросов на видеоаналитику от разных производственных компаний. Например, с помощью видеосистем наши заказчики хотят:

• распознавать отломившийся зубец экскаватора;
• определять фракции щебня в кузове самосвалов на карьере;
• считать пластиковые бутылки в паллете;
• детектировать драгоценные камни на конвейерной ленте.

Даже эти задачи настолько разные и специфичные, что для каждой из них, необходимо заниматься индивидуальной разработкой. Стандартными инструментами, разработанными однажды, их не решить. А такая индивидуальная разработка стоит дорого.

Логично, что широко тиражируемый продукт стоит дешевле, чем продукт, который производится меньшими объемами. Для того, чтобы разработать технологию и наладить производство, необходимо сделать определенные инвестиции, которые должны окупиться за счет продаж. И чем большее количество экземпляров разработанного продукта продается, тем меньшая сумма затрат на производство вкладывается в стоимость каждой единицы. Когда ваша задача совсем индивидуальна, продукт для ее решения производится в единственном экземпляре (и вероятность того, что еще кто-то когда-то это купит, мала), все инвестиции разработчиков точно также включаются в его стоимость. Пропорция проста: меньший спрос — бОльшая цена.

Можно сэкономить

Есть в практике Macroscop и примеры самостоятельного решения нестандартных производственных задач с минимальными затратами, когда заказчики просто проявили смекалку и воспользовались стандартными инструментами видеоанализа.

Лайфхак

Например, одна из компаний, которая занимается производством кровельных материалов решает силами видеосистемы задачу обнаружения дефектов (дырок) в производимом материале с помощью детектора движения. Вот что представляет из себя их система:



Материал движется по конвейерной ленте через темный короб. В нижней части короба установлен источник света, направленный вертикально вверх (сквозь ленту), видеокамера расположена сверху, напротив источника, и направлена вертикально вниз. В случае, если на отрезке материала отсутствуют отверстия, картинка на камере абсолютно черная, но, если на участке материала в темном коробе есть дефект, камера фиксирует просветы (пятна света). В Macroscop настроена реакция на появление этих световых пятен (используется детектор движения), и по событию запускается внешнее приложение, которое информирует оператора о наличии дефекта.

Стоимость программной составляющей этого решения 1800 рублей (за 1 камеру).

Альтернативная точка зрения

Не все разделяют нашу точку зрения. У одних наших коллег по цеху есть мнение, что в общем и целом все задачи, какими бы разными они не были, можно классифицировать и подвести под какие-то универсальные разработки.

Но эффективно классифицировать можно только тогда, когда в одинаковых классах окажутся действительно очень близкие задачи, для решения которых можно применять одни и те же подходы. Если в одном классе оказалось 5 вроде бы схожих задач, но для их решения все-равно нет универсального алгоритма, эта классификация становится бессмысленной. К какому классу, например, отнести задачу обнаружения отломившегося зубца экскаватора?

С другой стороны, совершенно очевидно, что будущее именно за этим. Ведь можно классифицировать задачи, например, на распознавание каких-то объектов или какого-то события. И, вероятно, очень скоро в видеосистемах появятся алгоритмы, которые смогут распознать все, что угодно. В определенной степени такие разработки применимы уже сейчас.

Не так давно мы познакомились с компанией blippar, которая, как она сама говорит, сделала первый в мире визуальный браузер. Они сделали приложение для мобильных устройств, которое распознает любые предметы, которые попали в объектив камеры мобильного телефона, и выдает контент о них. Уже сегодня это вполне рабочее приложение, которое показывает достаточно неплохие результаты.

В итоге

Все это говорит о том, что уже сейчас создаются перспективные технологии видеоанализа, которые, являются универсальными, работают в разных условиях и не требуют доработки под конкретные задачи.

Вполне очевидно, что в будущем задача распознавания станет фундаментальной, базовой функцией, которую можно будет применять повсеместно, в том числе на производственных объектах для решения специальных задач.

Но нужно разделять настоящее и будущее. И сегодня, пока технологии не находятся на таком уровне, у заказчиков с узкой специфичной производственной задачей есть три варианта:

1. Платить достаточно большие деньги за индивидуальную разработку.
2. Проявлять смекалку и находчивость, применяя стандартные инструменты нестандартными способами.
3. Или не использовать видеоанализ, а подключать человеческие ресурсы.