«Северсталь» реализовала проект по оптимизации загрузки персонала в производстве трубного проката. Модель компьютерного зрения анализирует данные с камер видеонаблюдения и распознает процесс выполнения работ. Затем она собирает статистику по загруженности участка и предоставляет данные для оперативного выявления простоев, перераспределения загрузки и эффективного планирования сменных заданий. О реализации проекта рассказывает Валерий Шкуренко, старший руководитель проектов «Северсталь Диджитал» и номинант на премию Data Award.

- Почему «Северстали» потребовалась реализация этого проекта?

«Северсталь» ставит перед собой задачу повышения производительности труда. Для этого, в частности, необходимо контролировать простои, обеспечивать оптимальную загрузку персонала и перераспределять сотрудников комбината или подрядных организаций на недоукомплектованные участки цеха, где нужна помощь. Визуальный ручной контроль загрузки в реальном времени затруднителен и неэффективен. В ответ на это мы внедрили в производстве трубного проката решение на основе компьютерного зрения.

- Насколько велик был масштаб проблемы, о каких потерях шла речь?

Дисбаланс в распределении нагрузки между участками приводил к значительным потерям. В некоторых зонах цеха наблюдалась перегрузка, в то время как другие участки работали не в полную мощность. Это создавало «бутылочные горлышки», снижая общую производительность линии до 5%. При этом оперативно выявить и устранить причины перекосов было практически невозможно без автоматизированного анализа.

- Были ли иные варианты решения задачи, кроме видеоаналитики?

Мы рассматривали несколько подходов, но у каждого были ограничения. Например, ручной мониторинг требовал выделения дополнительного персонала для круглосуточного наблюдения за десятками камер. Это не только увеличивало затраты, но и не гарантировало устойчивого результата: проблемы могли возникать снова, и процесс аудита приходилось бы повторять. Внедрение систем слежения за металлом предполагало масштабную модернизацию линий – установку датчиков и разработку специализированного ПО. Это потребовало бы значительных инвестиций и времени. В итоге, видеоаналитика на базе компьютерного зрения оказалась наиболее гибким и экономически эффективным решением, позволяющим фиксировать проблемы.

- Что представляет собой созданное решение?

Наше решение – это интеллектуальная система на основе компьютерного зрения, которая в реальном времени анализирует видео с 19 камер и автоматически распознает производственные процессы. В отличие от простого детектирования людей, модель учитывает комбинацию признаков: присутствие работника, движение металлопроката, работу кранового оборудования и даже такие детали, как каски сотрудников. Это позволяет точнее определять не только загрузку персонала, но и косвенные признаки активности на участке.

Система агрегирует данные в удобные аналитические отчеты – по сменам, неделям или месяцам – и помогает выявлять простои, дисбалансы в распределении задач и узкие места производства. На основе этих данных руководство может оперативно перераспределять ресурсы, оптимизировать сменные задания и повышать общую эффективность цеха.

Сейчас решение уже масштабировано на три цеха, и его ключевое преимущество – гибкость. Оно адаптируется под разные технологические процессы и не требует дорогостоящего переоборудования, в отличие от сенсорных альтернатив. Развертывание на новых участках требует минимальных доработок. Важно, что система учитывает не только присутствие людей, но и контекст (работающее оборудование, движение материалов), а решения принимаются на основе объективных данных, а не субъективных оценок.

- На каких платформах построено решение? Какие данные используются?

Для детектирования объектов в реальном времени используется модель на основе YOLO (You Only Look Once). Для разметки данных применяли инструмент для коллективной работы с изображениями CVAT (Computer Vision Annotation Tool). Оркестрация построена через Kubernetes – это гарантирует стабильность и масштабируемость системы. Дашборды на Power BI использовались для визуализации аналитики по загрузке персонала и простоям.

Мы использовали собственный датасет «Северстали» с разметкой ключевых классов: персонал, средства индивидуальной защиты, оборудование, материалы (листы металла), технологические процессы.

- Что получилось удачнее всего, чем можно гордиться?

Во-первых, за счет погружения в производство и конструктивного диалога с технологами нам удалось быстро выявить ключевые признаки работы на участках и определить зоны интереса для каждой камеры, что сэкономило нам несколько недель на пробных запусках. Во-вторых, я хотел бы отметить оперативные сроки реализации: от первого посещения цеха до опытно-промышленной эксплуатации прошло всего 3,5 месяца. Наконец, это решение стало примером того, как правильный подход – сначала понять процесс, потом строить алгоритмы – дает быстрый и измеримый результат. Мы не просто сделали «еще одну модель», а помогаем решать конкретную проблему производства.

- Каких результатов удалось достичь?

В 2024 году фактический экономический эффект составил 21 млн руб. В нынешнем году ожидается увеличение эффекта до 58 млн руб. за счет масштабирования решения на новые участки. Оптимизация простоев и перераспределение ресурсов позволяет увеличить объем производства в цехе переработки металла на 800 тонн горячекатаного листа в год.

За счет более равномерной загрузки производства персонал распределяется более рационально, а также улучшилась технологическая дисциплина как работников комбината, так и подрядчиков.

- Эффект оправдал ожидания?

Абсолютно! Мы получили хороший экономический эффект за достаточно короткий для подобных проектов срок без установки дополнительного оборудования или найма дополнительных сотрудников.

- В чем роль проекта для бизнеса компании?

Это наш первый цифровой проект в области производительности труда. Ранее мы сосредотачивались на повышении производительности промышленного оборудования. Реализация проекта позволяет заметно увеличить производительность труда за счет более эффективного распределения персонала на участках.

- Каковы направления дальнейшего развития проекта?

Сейчас мы плотно работаем с коллегами из разных подразделений компании, которые заинтересовались нашим решением. Вместе анализируем их производственные участки, обсуждаем конкретные потребности и технические возможности. Наша цель – четко определить, где система действительно принесет пользу без серьезных доработок. Такой подход позволяет сразу находить оптимальные варианты для внедрения, когда и технология работает эффективно, и у коллег есть все необходимое для ее использования.