1. Цель проекта:

Разработать и внедрить интеллектуальную систему видеоаналитики на базе ИИ для автоматического выявления, классификации и учета нештатных ситуаций и нарушений промышленной безопасности, обеспечивающую снижение аварийности, травматизма и производственных потерь.

2.Задачи проекта:

- Разработка модуля компьютерного зрения для детекции людей, трекинга и классификации действий

-Создание базы данных для хранения информации о каждом зафиксированном человеке и типе его активности

- Разработка дашборда для визуализации статистики и просмотра нарушений

- Интеграция системы с существующей инфраструктурой видеонаблюдения заказчика

- Тестирование и внедрение на промышленной площадке

3. Ожидаемый результат:

- Функционирующий прототип системы детекции нештатных ситуаций

- База данных с фиксацией не менее 10 типов активностей персонала

- Дашборд с выводом статистики по нарушениям в реальном времени

- Снижение количества инцидентов на промышленной площадке не менее чем на 30%

4. Области применения результатов:

- Мониторинг соблюдения правил промышленной безопасности на заводах и производственных предприятиях

- Контроль нахождения персонала в опасных и запрещенных зонах

- Автоматическая фиксация нарушений для служебных расследований и страховых случаев

- Формирование статистической отчетности для руководства и надзорных органов

Бизнес модель :

1. Проблемы

1. Высокая зависимость контроля безопасности от человеческого фактора: операторы видеонаблюдения устают, теряют концентрацию и пропускают нарушения.

2. Инциденты выявляются постфактум после просмотра архивов, а не в реальном времени, что приводит к травмам, авариям и простоям оборудования.

3. Существующие системы видеонаблюдения не умеют автоматически распознавать опасные действия (отсутствие СИЗ, вход в опасную зону, падение, задымление) и не отправляют мгновенных уведомлений.

4. Ручной анализ видеозаписей занимает слишком много времени и не гарантирует, что нужный эпизод будет найден.

5. Предприятия несут убытки от штрафов надзорных органов, роста страховых выплат и простоев из-за инцидентов.

2. Потребительские сегменты

1. Крупные промышленные предприятия и заводы (металлургия, нефтехимия, машиностроение, автомобилестроение), где важно вовремя выявлять подозрительные происшествия, снижать риск аварий и повышать уровень безопасности.

2. Службы безопасности и отделы охраны труда внутри этих предприятий, отвечающие за контроль соблюдения регламентов и расследование инцидентов.

3. Производственные компании с высоким уровнем риска, где уже используются камеры видеонаблюдения и есть потребность в автоматическом контроле опасных ситуаций. Примерами таких предприятий могут быть КАМАЗ, Северсталь, НЛМК, СИБУР.

3. Ценностное предложение

1. Автоматическое обнаружение нарушений в реальном времени: система самостоятельно распознает отсутствие каски или жилета, нахождение в опасной зоне, падение, курение, задымление и другие типы активности.

2. Мгновенные уведомления с видеоподтверждением: оператор получает push-уведомление с видеоклипом события, время реакции сокращается с 10–15 минут до 30 секунд.

3. Полная независимость от человеческого фактора: система работает 24/7 без перерывов, не устает и не пропускает события.

4. Локальная обработка данных без облаков: решение развертывается на серверах заказчика, все данные остаются внутри периметра предприятия.

5. Объективная база инцидентов для расследований: каждое нарушение сохраняется с видеоклипом, метками времени и зоной контроля.

4. Решение

Программное решение на базе искусственного интеллекта (ИИ-детектор), которое подключается к существующим камерам видеонаблюдения предприятия, в реальном времени анализирует видеопоток, автоматически детектирует людей, классифицирует их действия (10+ типов нарушений), фиксирует события в базе данных и мгновенно отправляет уведомления оператору на дашборд с видеоподтверждением. Система работает 24/7 без участия человека, формирует объективную статистику для руководства и может быть настроена под сценарии конкретного предприятия.

5. Каналы распространения

- прямые продажи промышленным предприятиям через презентации для руководства заводов и служб безопасности;

- участие в отраслевых выставках и форумах по промышленной безопасности и цифровизации;

- сотрудничество с интеграторами систем видеонаблюдения и автоматизации;

- профессиональные сайты и деловые социальные сети;

- пилотные проекты на предприятиях, которые помогают показать эффективность решения на практике.

6. Доходы

- продажа лицензии на использование ИИ-системы (perpetual или SaaS);

- оплата за внедрение, настройку и адаптацию решения под производственные условия конкретного завода;

- ежемесячная подписка на техническую поддержку, обновления и сопровождение системы;

- доработка системы под специфические задачи предприятия (расширение типов нарушений, интеграция с СКУД и АСУ ТП).

7. Расходы

Затраты на разработку:

1. разработка и обучение ИИ-модели для распознавания нарушений

2. разработка пайплайна обработки видео и базы данных

3. разработка дашборда

4. оплата серверов и вычислительных мощностей

Постоянные затраты:

1. ежемесячная оплата команды разработчиков и специалистов по ИИ

2. техническая поддержка и обновление системы

3. аренда облачной инфраструктуры (при необходимости)

4. представительские расходы и участие в выставках

Переменные затраты:

1. налоги

2. расходы на пилотные внедрения и командировки

3. маркетинг и привлечение клиентов

8. Ключевые метрики

- количество внедренных пилотных проектов

- число активных лицензий (предприятий)

- количество обработанных камер и зафиксированных инцидентов

- снижение числа нарушений и травматизма у заказчиков

- время реакции на инциденты (до и после внедрения)

- выручка и средний чек на одно предприятие

- удовлетворенность заказчика (NPS)

9. Скрытое преимущество

1. Локальная обработка всех видеоданных на серверах заказчика без передачи в облако — критическое преимущество для предприятий с требованиями информационной безопасности.

2. Возможность работы с любыми IP-камерами без замены оборудования (поддержка RTSP, ONVIF).

3. Настройка системы под специфику конкретного производства (дообучение модели под уникальные типы нарушений).

4. Интеграция с существующими системами СКУД и пропускными системами заказчика.

10. Себестоимость разработки (MVP)

Ориентировочно 1 500 000 – 2 500 000 рублей (разработка пайплайна обработки видео, обучение моделей на открытых и собранных данных, создание базы данных и дашборда, тестирование на реальных видеопотоках).

11. Срок окупаемости

Ожидаемый срок окупаемости — от 6 до 12 месяцев при условии 2–3 внедрений в первый год с средним чеком от 500 000 до 1 500 000 рублей за внедрение и лицензию.

12. Потенциальная прибыль за 12 месяцев

Ориентировочно 3 000 000 – 6 000 000 рублей при 3–5 внедрениях в первый год, с учетом роста числа клиентов и дополнительных доходов от подписки на техподдержку и обновления.

На страницу проекта