Безопасность мостового крана: YOLOv8 для распознавания груза
Промышленная камера + модуль граничных вычислений Jetson для системы контроля безопасности мостового крана — в реальном времени обнаруживает состояние груза и идентифицирует проникновение персонала, заменяя традиционные ограждения.
В системах контроля безопасности мостовых кранов главная проблема — не отказ оборудования, а ситуация, когда человек заходит в рабочую зону, а механизм продолжает движение. Традиционные решения на основе ограждений и фотоэлектрических датчиков имеют множество слепых зон, дают ложные срабатывания и требуют высоких затрат на обслуживание. За последние два года визуальный ИИ для контроля безопасности прошёл путь от «просто работает» до «работает эффективно»: одна промышленная камера + модуль граничных вычислений Jetson позволяют в реальном времени обнаруживать состояние груза, идентифицировать проникновение персонала и проверять наличие защитной каски. Точность распознавания превышает 98%, а стоимость одного канала не превышает 5000 рублей.
Архитектура системы контроля безопасности: четырёхуровневая структура
Система контроля безопасности на базе визуального ИИ функционально разделена на четыре логических уровня. Уровни связаны между собой стандартными протоколами (MQTT/RESTful API/RTSP) и поддерживают каскадное развёртывание как для одного крана, так и для нескольких кранов в цехе.
1.1 Уровень сбора данных
Уровень сбора данных состоит из промышленных камер, установленных под мостом крана и на тележке. Камеры обеспечивают сбор видеопотока в реальном времени с зоны подъёма груза, проходов вдоль рельсов и рабочих зон персонала. Подключение камер к узлу граничных вычислений выполняется через PoE-кабель или промышленный Wi-Fi с передачей видеопотока 1080P@30fps в сжатии H.265.
1.2 Уровень алгоритмов
Уровень алгоритмов работает на устройстве граничных вычислений (NVIDIA Jetson Orin NX) и использует модель YOLOv8 для выполнения задач обнаружения объектов. Ранее мы публиковали статью о визуальном онлайн-контроле сварных швов крана с помощью ИИ, где также описан опыт применения YOLO в сценариях с мостовыми кранами. Результаты обнаружения включают: положение персонала и ограничивающие рамки, наличие защитной каски, тип груза и зону перемещения, состояние предупредительной линии. Задержка вывода не превышает 30 мс, что соответствует требованиям мониторинга в реальном времени.
1.3 Уровень приложений
Уровень приложений преобразует результаты обнаружения в логику обеспечения безопасности: при проникновении персонала в опасную зону движения крана активируется звуковая и световая сигнализация с замедлением движения; при отсутствии людей в зоне подъёма груза разрешена работа на полной скорости; при отсутствии защитной каски фиксируется нарушение с фотофиксацией. Уровень приложений также обеспечивает взаимодействие с PLC крана: сигналы безопасности передаются в модуль безопасности PLC по протоколам Modbus TCP или Profinet.
1.4 Уровень отображения
Уровень отображения обеспечивает мониторинговый экран в веб-интерфейсе и push-уведомления на мобильный телефон. В реальном времени отображаются кадры обнаружения по каждому крану, журнал тревог, рабочий статус и статистические данные. Данные хранятся в локальной базе данных SQLite с возможностью просмотра истории за 90 дней.
| уровень | основнойКомпонент | протокол связи | место развертывания |
|---|---|---|---|
| сенсорный уровень | промышленная камера,подсветка,Энкодер | RTSP / GigE Vision | мостовой кранкабельный лоток/Тележкаснизу |
| алгоритмический уровень | Jetson Orin NX,YOLOv8модель | TensorRTдвижок логического вывода | электрошкаф мостового кранавнутри |
| прикладной уровень | движок логики безопасности,PLCинтерфейсМодуль | Modbus TCP / Profinet | краевой узел / мостовой кранPLCшкаф |
| уровень отображения | Webвидеостена,мобильный телефонтерминал,база данных | MQTT / RESTful API | Цехцентральный пульт управления / облачный сервер |
Выбор модели YOLOv8 и сравнение производительности
YOLOv8 — это фреймворк для обнаружения объектов в реальном времени, выпущенный Ultralytics в 2023 году. Он предлагает пять предварительно обученных моделей: N, S, M, L и X — от лёгких до высокоточных, покрывающих различные сценарии развёртывания. В контексте мониторинга безопасности мостовых кранов выбор модели требует компромисса между скоростью обработки, точностью обнаружения и стоимостью аппаратного обеспечения.
| модель | Параметрколичество | mAP50 | FP16задержка(ms) | INT8задержка(ms) | рекомендуемое оборудование |
|---|---|---|---|---|---|
| YOLOv8n | 3.2M | 37.3 | 4.5 | 2.1 | Jetson Nano |
| YOLOv8s | 11.2M | 44.9 | 8.7 | 3.8 | Jetson Orin Nano |
| YOLOv8m | 25.9M | 50.2 | 16.1 | 7.2 | Jetson Orin NX |
| YOLOv8l | 43.7M | 52.9 | 26.4 | 12.3 | Jetson Orin NX |
| YOLOv8x | 68.2M | 53.9 | 44.8 | 21.5 | Jetson Orin AGX |
Рекомендуемое решение: связка YOLOv8m + Jetson Orin NX. После INT8-квантования задержка вывода составляет 7,2 мс, одно граничное устройство одновременно обрабатывает 4 видеопотока 1080P, суммарная задержка не превышает 30 мс — этого достаточно для работы мостового крана в режиме реального времени. Стоимость обработки одного канала — около 4500 руб.
Сравнение граничных вычислителей для систем мониторинга крана
Выбор граничного вычислителя напрямую определяет производительность системы и затраты на её развёртывание. Ниже сравниваются три популярных варианта в контексте мониторинга мостового крана:
| Параметр | Jetson Orin NX | Jetson Orin Nano | промышленный компьютер(i5+дискретная видеокарта) |
|---|---|---|---|
| AIвычислительная мощность(TOPS) | 100 | 40 | 20~30 |
| энергопотребление(W) | 15~25 | 7~15 | 65~150 |
| количество одновременно обрабатываемых каналов | 4канал1080P | 2канал1080P | 2~4канал1080P |
| рабочая температура(℃) | -25~80 | -25~80 | 0~50 |
| стоимость на канал(руб.) | ~4,500 | ~3,000 | ~6,000 |
| способ монтажа | электрошкаф мостового кранаDINDIN-рейка | электрошкаф мостового кранаDINDIN-рейка | требуется отдельноящик управления |
Платформа Jetson Orin NX превосходит решения на базе промышленного компьютера по совокупности параметров: вычислительная мощность, энергопотребление, термостойкость и удобство монтажа. На сегодняшний день это оптимальное решение для периферийного развертывания систем компьютерного зрения на мостовых кранах.
Идентификация груза: принципы работы и реализация
Идентификация груза — одна из ключевых функций системы компьютерного зрения для мостовых кранов. Система распознает различные типы грузов: стальной рулон, заготовку, стальной лист, пресс-форму, контейнер и другие, а также непрерывно отслеживает их положение в процессе перемещения. Во взаимодействии с платформой удаленного мониторинга для транспортного интернета вещей система обеспечивает замкнутый цикл обработки данных: от идентификации и отслеживания груза до его размещения на складе.
Сбор и разметка данных
Рекомендуемый объем обучающей выборки — от 5000 до 10000 изображений, полученных в различных условиях освещения (дневной свет, ночная съемка, контровой свет), при различных положениях груза (продольное/боковое качание, вращение) и на разных фонах (чистый, захламленный, с частичным перекрытием). Разметка выполняется в формате YOLO: для каждого изображения задается ограничивающая рамка груза и метка класса. При использовании инструментов LabelImg или CVAT производительность разметки составляет около 100 изображений в час на одного оператора.
Параметры обучения модели
# YOLOv8m Конфигурация обучения（ключевые параметры） model = YOLO('yolov8m.pt') results = model.train( data='crane_dataset.yaml', epochs=200, imgsz=640, batch=16, lr0=0.01, lrf=0.01, optimizer='AdamW', augment=True, hsv_h=0.015, # Усиление цветового тона hsv_s=0.7, # Повышение насыщенности hsv_v=0.4, # Повышение яркости degrees=5.0, # Усиление вращения（Наклон груза под малым углом в сцене мостового крана） translate=0.1, scale=0.5, fliplr=0.5, mosaic=1.0, mixup=0.3, )Обучение на NVIDIA RTX 4090 занимает от 4 до 6 часов; показатель mAP50 достигает 92–95%. После завершения обучения модель экспортируется в формат ONNX, а затем конвертируется в движок INT8 с помощью TensorRT для периферийного развертывания.
Развертывание с помощью TensorRT
# TensorRT INT8 Команда квантованного развертывания trtexec --onnx=yolov8m_crane.onnx \\\\ --saveEngine=yolov8m_crane_int8.engine \\\\ --int8 \\\\ --calib=crane_calib_data \\\\ --buildOnly \\\\ --workspace=4096После INT8-квантизации объем модели сокращается с 52 МБ до 15 МБ, скорость вывода снижается с 16 мс (FP16) до 7 мс, а контроль потери точности не превышает 1%.
Обнаружение персонала: три уровня защиты
Функция обнаружения персонала включает три подсистемы: контроль пересечения границ опасной зоны, контроль ношения защитной каски и электронное ограждение. Система одновременно запускает два независимых экземпляра модели YOLOv8: первый отвечает за обнаружение человека и его ограничивающей рамки, второй — за анализ области головы и классификацию наличия защитной каски.
| функция | Обнаружениеобъект | срабатывание тревоги | связанное действие |
|---|---|---|---|
| выход за пределы зоныОбнаружение | вход персоналамостовой кранопасная зона работы | <=1s | Звуковая и световая сигнализация+мостовой кранЗамедление30% |
| каскаОбнаружение | ношение каски рабочим персоналом | <=2s | фотофиксация+фиксация нарушения+голосовое оповещение |
| электронное ограждение | нахождение персонала в зоне под грузом | <=0.5s | Подъёмостанов+Звуковая и световая сигнализация |
Шесть ключевых аспектов внедрения
При переходе системы технического зрения для мостового крана от прототипа к серийному производству неизбежно возникает несколько типовых проблем. Знание о них заранее позволит сэкономить около трёх месяцев на доработках.
① Изменение освещённости — основной источник смещения распределения данных
Освещённость в рабочей зоне крана зависит от ориентации заводского здания, погоды, времени года, включения/выключения светильников и других факторов. Яркость одной и той же сцены может отличаться в 100 раз. Решение: на этапе обучения использовать усиленную аугментацию данных (параметры hsv_h/hsv_s/hsv_v), а при развёртывании — светодиодную подсветку (цветовая температура 5000K, мощность от 30 Вт), обеспечивающую минимальную освещённость кадра не ниже 10 люкс.
② Перекрытие и штабелирование груза — слепые зоны однокамерного обнаружения
В процессе перемещения груз может перекрываться окружающим оборудованием или другими грузами, что нарушает непрерывность детектирования. Рекомендуется устанавливать 2–3 камеры под разными углами для покрытия одной зоны, объединяя результаты многокамерного детектирования с помощью фильтра Калмана. При потере детекции допускается экстраполяция прогноза не более чем на 5 кадров (примерно 170 мс при 30 fps).
③ Вибрация и тряска — механические помехи при работе крана
При движении моста крана и тележки возникают колебания фермы и камер. Низкочастотная вибрация (2–10 Гц) приводит к размытию изображения и дрожанию детекций. Для камер следует использовать демпфирующие кронштейны (резиновая прокладка толщиной 10 мм). На стороне алгоритма настраивается межкадровая фильтрация по IoU: если смещение рамки детекции между соседними кадрами превышает порог в пикселях, она помечается как ложное срабатывание и отбрасывается.
④ Сетевая задержка — ключевое ограничение беспроводных решений
При передаче видеопотока по промышленной Wi-Fi сети в центральный пульт для централизованного логического вывода сквозная задержка может достигать 100–200 мс, что не удовлетворяет требованиям реального времени для систем безопасности. Решение: логический вывод выполняется на бортовом устройстве крана (локально на Jetson), а в центральный пульт передаются только результаты детектирования в формате JSON (примерно 200 байт/кадр) и изображения тревог (сжатие JPEG <50 КБ). Такой подход перекликается с концепцией уровня граничных вычислений в четырёхуровневой архитектуре системы управления мостовым краном. Влияние сети сводится к минимуму.
Часто задаваемые вопросы
Заключение
Связка YOLOv8 + Jetson Orin NX позволила снизить инженерный порог внедрения систем технического зрения для безопасности мостовых кранов до уровня, пригодного для серийного тиражирования. Стоимость одной линии составляет около 5000 рублей, задержка распознавания — менее 50 мс, точность распознавания — более 95%, что уже превосходит традиционные средства защиты на основе ограждений и фотоэлектрических датчиков. В следующей статье мы рассмотрим применение технического зрения для автоматического позиционирования и захвата груза краном — в этом сценарии требования к точности и задержке возрастают на порядок.
