Наша компания занимается внедрением современных технологий в области машинного зрения для устройств IoT и серверных решений. В рамках реализации интеллектуальных систем автоматизации мы задействуем стек передовых технологий фреймворков глубокого обучения, таких как TensorFlow, TensorFlow Lite, а также библиотек компьютерного зрения OpenCV.
Используемый технологический стек и принципы работы:
- TensorFlow & Keras: Используются на серверной стороне для глубокого обучения, проектирования и точной настройки нейросетевых моделей сложных архитектур (CNN). Это мозг системы, где происходит обучение распознаванию паттернов лиц, геометрии объектов и сигнатур звуков на терабайтах данных.
- TensorFlow Lite (TFLite): Специализированный фреймворк для развертывания моделей ИИ на «границе» сети (Edge AI). Он берет тяжелую обученную нейросеть, оптимизирует и квантует ее (сжимает без критической потери точности), позволяя запускать интеллектуальный анализ прямо на микроконтроллерах, одноплатных компьютерах (Raspberry Pi, Jetson Nano) и IoT-устройствах с минимальным энергопотреблением.
- OpenCV (Open Source Computer Vision Library): Применяется для предварительной обработки видеопотоков в реальном времени. С ее помощью осуществляется захват кадров с IP-камер, нормализация изображения, изменение размера, фильтрация шумов и выделение зон интереса (ROI) перед передачей данных в нейросеть.
Философия Edge AI (ИИ для периферийных устройств):
Согласно современной концепции развития ИИ для периферийных устройств (Edge AI), перенос вычислений непосредственно на IoT-устройства («на границу») решает ключевые проблемы классических серверных систем. Во-первых, это конфиденциальность и безопасность: критические биометрические данные (например, лица) обрабатываются локально на устройстве, а на сервер передается лишь обезличенный текстовый ID или триггер события. Во-вторых, это автономность и экономия трафика: устройству не нужно транслировать непрерывный Full HD видеопоток по 4G/микроволновым каналам, перегружая сеть. Система реагирует мгновенно, снижая задержки (latency) до миллисекунд, что критично для систем безопасности и промышленной автоматизации.
Направления интеллектуального анализа
Системы биометрической идентификации в реальном времени. Локальное выделение лиц на IoT-камерах с последующим сравнением с базой данных на сервере. Применяется для СКУД, учета рабочего времени и контроля доступа.
- Точность: ≥ 99,7% при штатном освещении
- Скорость: до 30 распознаваний/сек на Jetson Nano
- Камеры: любые IP-камеры с разрешением от 720p
- Детекция живого человека (Liveness) — защита от фото/масок
- Работа при низкой освещённости (0.1 люкс)
- Интеграция с контроллерами АСУ ТП (Modbus, OPC UA)
- Локальное хранение эмбеддингов — данные не покидают периметр
Классификация и отслеживание материальных объектов, нарушений зон безопасности. Нейросеть в реальном времени находит СИЗ (каски, жилеты) или ведет подсчет готовой продукции.
- Контроль ношения СИЗ на производстве
- Детекция объекта на местности
- Мониторинг опасных зон предприятия
Акустический мониторинг технологического оборудования с применением микрофонных IoT-датчиков. Преобразование аудиосигнала в спектрограммы и их анализ нейросетью для раннего обнаружения аномалий.
- Предиктивная аналитика оборудования (тепловые сети)
- Распознавание аварийных хлопков
- Круглосуточный шумовой аудиомониторинг
⚡ Ключевое преимущество: все модели работают на периферийных устройствах (Raspberry Pi, Jetson, ESP32) — не требуют постоянного интернета, не перегружают сеть, обеспечивают конфиденциальность данных.
Пример: СКУД на основе распознавания лиц
На входе устанавливается IoT-камера с встроенным нейропроцессором (например, на базе Raspberry Pi + Google Coral). Камера захватывает лицо, строит эмбеддинг (цифровой «слепок») и сравнивает с локальной базой до 10 000 человек. Совпадение происходит менее чем за 0,3 секунды — после этого контроллер открывает турникет или шлагбаум. На сервер передаётся только ID сотрудника и время прохода, без фото — это полностью соответствует 152-ФЗ (о персональных данных).
✅ Возможна работа в офлайн-режиме — при обрыве связи система продолжает функционировать автономно.