Jak dokładna jest funkcja sztucznej inteligencji (AI) w kamerze odpornej na eksplozje?

Nov 19, 2026Zostaw wiadomość

Jeśli kiedykolwiek przechodziłeś przez rafinerię ropy naftowej, zakład przetwórstwa chemicznego lub platformę wiertniczą na morzu, wiesz, jak ważne jest bezpieczeństwo. Środowiska te charakteryzują się wybuchowymi gazami, pyłami i parami, które zamieniają nawet małą iskrę w katastrofalne ryzyko. Właśnie tam pojawiają się kamery przeciwwybuchowe – urządzenia zbudowane tak, aby zatrzymywały wewnętrzne iskry lub ciepło, dzięki czemu nie powodowały zapalenia otaczających zagrożeń. Jednak przez lata kamery te ograniczały się do podstawowego nagrywania: przechwytywały materiał filmowy, ale nie mogły go analizować w celu sygnalizowania niebezpiecznych zdarzeń w czasie rzeczywistym. Teraz kamery AI w wykonaniu przeciwwybuchowym to zmieniły, oferując wykrywanie obiektów, powiadamianie o naruszeniu obwodu i monitorowanie usterek sprzętu. Ale jak naprawdę dokładna jest ich funkcja AI? Jako dostawca tych specjalistycznych kamer spędziłem lata na testowaniu, udoskonalaniu i instalowaniu tych systemów w środowiskach wysokiego ryzyka, a odpowiedź nie jest tak prosta, jak jeden punkt procentowy. Zależy to od czynników, których większość ludzi nie bierze pod uwagę: sprzętu aparatu, danych treningowych, warunków środowiskowych i tego, jak dobrze jest skalibrowany pod kątem dokładnych zagrożeń związanych z jego lokalizacją.

Najpierw ustalmy, czym kamera przeciwwybuchowa różni się od standardowej kamery bezpieczeństwa. Standardowe kamery nie są przystosowane do pracy w niebezpiecznych lokalizacjach – ich wewnętrzne elementy mogą się przegrzać lub wytworzyć łuk, powodując zapalenie materiałów łatwopalnych. Kamery przeciwwybuchowe są obudowane materiałami takimi jak stal nierdzewna lub aluminium, zaprojektowanymi tak, aby wytrzymać wewnętrzną eksplozję, nie pozwalając na ucieczkę iskier. Ta wytrzymała obudowa ma kluczowe znaczenie dla bezpieczeństwa, ale stwarza również wyjątkowe ograniczenia, które wpływają na dokładność sztucznej inteligencji. Na przykład obiektyw aparatu przeciwwybuchowego musi być gruby i odporny na zarysowania, aby chronić go przed kurzem, uderzeniami i żrącymi chemikaliami. Może to nieznacznie zniekształcić światło, prowadząc do problemów z rozpoznawaniem obiektów. Porównaj to z aparatem konsumenckim, w którym zastosowano cienki, przezroczysty obiektyw zoptymalizowany pod kątem ostrych, niezmienionych obrazów. Nasz zespół przetestował trzy generacje przeciwwybuchowych kamer Ir w rafineriach w Teksasie i odkrył, że początkowa dokładność sztucznej inteligencji spadła o 7% w modelach ze standardowymi obiektywami ze szkła hartowanego w porównaniu z naszymi specjalistycznymi antyrefleksyjnymi i odpornymi na chemikalia obiektywami, które utrzymywały zniekształcenia na poziomie mniejszym niż 2%. Dlatego inwestujemy w niestandardowe powłoki soczewek do naszych aparatów — drobne poprawki, które bezpośrednio zwiększają wydajność sztucznej inteligencji.

Kolejnym kluczowym elementem sprzętowym jest czujnik. Większość dostępnych na rynku kamer AI wykorzystuje czujniki CMOS o wysokiej rozdzielczości, które wyraźnie rejestrują szybko poruszające się obiekty, jednak czujniki te mogą mieć problemy w warunkach słabego oświetlenia, typowych dla wielu niebezpiecznych środowisk. Zakłady chemiczne często działają w nocy przy minimalnym oświetleniu, a platformy przybrzeżne korzystają z przyćmionych świateł nawigacyjnych. I tu właśnie pojawia się technologia podczerwieni (IR). Kiedy tworzyliśmy naszą linię iskrobezpiecznych kamer na podczerwień, współpracowaliśmy z producentami czujników, aby zaprojektować matryce podczerwieni, które nie przegrzewają się – jest to krytyczny szczegół, ponieważ ciepło stwarza ryzyko pożaru w strefach wybuchowych. Następnie przeszkoliliśmy nasze modele sztucznej inteligencji na materiałach w podczerwieni z rzeczywistych rafinerii i silosów zbożowych, a nie tylko na standardowych danych z laboratoriów w ciągu dnia. W testach równoległych nasze kamery przeciwwybuchowe wyposażone w podczerwień wykazały o 12% większą dokładność w wykrywaniu pracowników bez odpowiednich środków ochrony indywidualnej przy słabym oświetleniu w porównaniu z modelami AI trenowanymi wyłącznie na kolorowym materiale filmowym w ciągu dnia. Należy jednak zauważyć, że materiał filmowy w podczerwieni jest monochromatyczny, dlatego modele sztucznej inteligencji muszą nauczyć się identyfikować obiekty na podstawie kształtu i sygnatury cieplnej, a nie tylko koloru, co często jest pomijane, gdy dostawcy oszczędzają na danych szkoleniowych.

A skoro już mowa o danych treningowych, to właśnie tutaj zawodzi większość kamer AI, zwłaszcza w modelach przeciwwybuchowych. Wiele ogólnych kamer AI korzysta z publicznych zbiorów danych, takich jak COCO lub ImageNet, które są pełne codziennych scen: psów, samochodów, ludzi w parkach. Jednak w niebezpiecznych środowiskach występują wyjątkowe obiekty: zawory przemysłowe, wózki widłowe, smugi wycieku gazu, środki ochrony indywidualnej, takie jak ognioodporne kombinezony i kaski. Kilka lat temu rafineria w Luizjanie przetestowała niedrogią, przeciwwybuchową kamerę AI pochodzącą od konkurencji i nie udało jej się wykryć pracownika stojącego tuż obok wycieku, ponieważ modelka została przeszkolona na podstawie materiału filmowego z podmiejskich chodników, a nie wnętrz rafinerii. Wielokrotnie widzieliśmy ten błąd: dostawcy traktują sztuczną inteligencję przeciwwybuchową po namyśle, używając modeli ogólnych zamiast modeli specjalnie przeszkolonych dla niebezpiecznych lokalizacji. Nasza przeciwwybuchowa kamera AI została przeszkolona na podstawie ponad 50 000 godzin materiału filmowego z rzeczywistych miejsc naftowo-gazowych, chemicznych i górniczych, zebranych przez nasz zespół w ciągu 10 lat instalacji. Dane te obejmują rzadkie zdarzenia: zbyt szybki wózek widłowy poruszający się w wąskim korytarzu, wyciek pary z zaworu, pracownik wspinający się do zbiornika o ograniczonym dostępie. Kiedy testowaliśmy ten model w porównaniu z modelem ogólnym w kopalni w Australii, nasz model miał 96,8% dokładności w wykrywaniu niedozwolonego ruchu sprzętu, podczas gdy model ogólny osiągnął zaledwie 82,3%. Różnica? Kontekstowe dane szkoleniowe, które odzwierciedlają rzeczywiste zagrożenia, na jakie narażona będzie kamera.

Ale dokładność nie polega tylko na trenowaniu danych, ale także na przetwarzaniu brzegowym. Wiele osób zakłada, że ​​sztuczna inteligencja działa na serwerze w chmurze, ale w przypadku kamer przeciwwybuchowych wysyłanie materiału do chmury w celu analizy jest złym pomysłem. W odległych lokalizacjach z ograniczonym dostępem do Internetu opóźnienia w chmurze mogą opóźniać alerty, a przesyłanie materiału filmowego z niebezpiecznych miejsc zwiększa ryzyko prywatności i bezpieczeństwa danych. Co ważniejsze, w prawdziwej sytuacji awaryjnej potrzebujesz powiadomienia natychmiast, a nie po 10 sekundach opóźnienia. Dlatego całe przetwarzanie AI odbywa się na pokładzie samej kamery, na sprzęcie brzegowym zaprojektowanym do pracy w obudowie przeciwwybuchowej. Przetwarzanie brzegowe ma swoje własne ograniczenia: sprzęt nie może być tak wydajny jak procesor graficzny do komputerów stacjonarnych, ponieważ nie może generować zbyt dużo ciepła ani zużywać zbyt dużo energii (oba czynniki stwarzają ryzyko pożaru). Nawiązaliśmy współpracę z producentami półprzewodników, aby zaprojektować niestandardowy układ brzegowy, który równoważy moc obliczeniową z bezpieczeństwem: nasz model AI zasilany jest mocą 5 W, czyli znacznie poniżej progu 10 W, który wymagałby dodatkowych certyfikatów bezpieczeństwa. W teście przeprowadzonym w 2022 r. nasza brzegowa sztuczna inteligencja była w 99,1% tak dokładna jak oparta na chmurze wersja tego samego modelu, a alerty uruchamiały się o 8 sekund szybciej. W rafinerii, w której wyciek gazu może zapalić się w ciągu 15 sekund, ta 8-sekundowa różnica ratuje życie.

Oczywiście żaden system sztucznej inteligencji nie jest w 100% dokładny i istnieją czynniki, których nie da się pokonać nawet najlepszym sprzętem i szkoleniem. Warunki środowiskowe w miejscach niebezpiecznych są ekstremalne: korozyjne, słone powietrze na platformach wiertniczych, gęsty pył w obiektach zbożowych, ulewne deszcze w lasach deszczowych, gdzie prowadzone jest wydobycie. Mogą one zabrudzić obiektyw aparatu, powodując rozmycie materiału lub zakłócać działanie czujników podczerwieni. Mieliśmy kamery w zapylonej kopalni miedzi w Arizonie, gdzie na obiektywie zebrał się kurz, co spowodowało zmniejszenie dokładności z 96% do 88% w ciągu zaledwie dwóch tygodni. Rozwiązaniem nie jest lepsza sztuczna inteligencja – to regularna konserwacja: nasz zespół zaleca comiesięczne czyszczenie osłon soczewek i kwartalną kalibrację modelu AI w celu dostosowania pod kątem zużycia. Należy również pamiętać, że dokładność spada podczas rzadkich, nieprzewidzianych zdarzeń: małego pożaru trawy w pobliżu rafinerii lub mgły, która zamazuje pole widzenia kamery. Ale nawet wtedy nasza sztuczna inteligencja ma za zadanie sygnalizować „nietypową aktywność”, gdy nie może zidentyfikować konkretnego obiektu, dzięki czemu operatorzy są powiadamiani o konieczności zbadania problemu, a nie przeoczenia potencjalnego ryzyka.

Innym powszechnym błędnym przekonaniem jest to, że wszystkie kamery AI w wykonaniu przeciwwybuchowym są takie same. Kilka lat temu mały zakład chemiczny w Ohio kupił od sprzedawcy internetowego tanią, przeciwwybuchową kompaktową kamerę kolorową, myśląc, że będzie ona działać dla bezpieczeństwa ich terenu. W ciągu miesiąca sztuczna inteligencja aparatu nie wykrywała intruzów, bo kompaktowa obudowa pozostawiała zbyt mało miejsca na wysokiej jakości obiektyw i matrycę. Zaleciliśmy im przejście na naszą cyfrową kamerę przeciwwybuchową, która ma większą obudowę wewnętrzną i lepszy czujnik, a dokładność wykrywania intruzów wzrosła do 95% z 78%. Rozmiar ma tutaj znaczenie, ale ważna jest także certyfikacja: kamera „odporna na eksplozje”, ale nie spełniająca norm takich jak ATEX, IECEx czy NEC, jest nie tylko niebezpieczna, ale prawdopodobnie wyposażona w sprzęt, który nie obsługuje zaawansowanej sztucznej inteligencji. Przetestowaliśmy niecertyfikowane modele, które twierdzą, że obsługują sztuczną inteligencję, ale ich wewnętrzne obwody przegrzewają się podczas pracy ze sztuczną inteligencją, narażając całą fabrykę na ryzyko.

Digital Explosion Proof CameraAI Enabled Explosion Proof Cameras

Nie chcę też przeceniać dokładności. Nawet nasza najlepsza kamera AI w wykonaniu przeciwwybuchowym charakteryzuje się współczynnikiem błędów wynoszącym 3–5%, głównie w przypadku obiektów o niskim kontraście, takich jak mały zawór obok ciemnej rury lub pracownik ubrany w garnitur zlewający się z tłem. Dlatego nie polegamy wyłącznie na sztucznej inteligencji: nasze systemy są połączone z nadzorem człowieka i wysyłają powiadomienia do operatorów na miejscu, którzy mogą weryfikować zdarzenia. Na przykład, jeśli sztuczna inteligencja zgłosi naruszenie obwodu, operator pobiera obraz na żywo, aby potwierdzić, że jest to pracownik lub zwierzę, a następnie podejmuje działania. Ten model oparty na zasadzie „człowiek w pętli” ogranicza liczbę fałszywych alarmów, co stanowi poważny zarzut w przypadku systemów bezpieczeństwa opartych na sztucznej inteligencji. Kilka lat temu rafineria w Teksasie zgłosiła, że ​​sztuczna inteligencja konkurencji generowała 20 fałszywych alarmów tygodniowo, głównie spowodowanych cieniami lub ptakami, co skłoniło operatorów do ignorowania ostrzeżeń. Nasz system generuje mniej niż 2 fałszywe alarmy tygodniowo, ponieważ przeszkoliliśmy go w zakresie odróżniania rzeczywistych zagrożeń od nieszkodliwego ruchu w tle.

Jak więc dokładna jest funkcja AI w przeciwwybuchowej kamerze AI? Krótka odpowiedź brzmi: może być dokładny na poziomie 95–97%, jeśli jest odpowiednio zaprojektowany, przeszkolony i zainstalowany w konkretnym środowisku. Jednak ta dokładność opiera się na wyborach, których nie dokonuje większość dostawców: niestandardowych soczewkach do pracy w niebezpiecznych warunkach, danych szkoleniowych dostosowanych do konkretnego kontekstu z miejsc naprawdę wysokiego ryzyka, przetwarzaniu na krawędzi zapewniającym szybkość i bezpieczeństwo oraz regularnej konserwacji zapewniającej funkcjonowanie sprzętu. Nie jest to rozwiązanie uniwersalne. Kamera, która dobrze sprawdza się w rafinerii ropy naftowej, może mieć problemy w silosie zbożowym, ponieważ kurz, oświetlenie i obiekty są inne. Dlatego też spędzamy czas z każdym klientem, aby ocenić jego otoczenie, zanim polecimy kamerę — niezależnie od tego, czy jest to nasza przeciwwybuchowa kamera Ir do miejsc wierceń przy słabym oświetleniu, nasza iskrobezpieczna kamera na podczerwień do zakładów chemicznych, czy nasze kompaktowe modele do wąskich korytarzy.

Jeśli oceniasz przeciwwybuchowe kamery AI do zastosowań w niebezpiecznych miejscach, nie patrz tylko na procent dokładności AI w arkuszu specyfikacji. Poproś o dowód: przetestuj materiał filmowy z podobnych środowisk, wskaźniki błędów z rzeczywistych instalacji oraz to, czy sztuczna inteligencja jest szkolona w oparciu o dane specyficzne dla branży. I pamiętajcie, że głównym zadaniem kamery jest bezpieczeństwo, a nie doskonała sztuczna inteligencja, więc system, który jest nieco mniej dokładny, ale spełnia wszystkie certyfikaty przeciwwybuchowe, jest znacznie lepszy niż model o wysokiej dokładności, który może wywołać eksplozję.

Jeśli chcesz poznać przeciwwybuchowe kamery AI dostosowane do Twojego obiektu lub chcesz omówić dokładność w konkretnym środowisku, nasz zespół jest tutaj, aby Ci pomóc. Skontaktuj się z naszym zespołem sprzedaży, aby poprosić o ocenę lokalizacji, przetestować nasze systemy w rzeczywistych warunkach i uzyskać dostosowane do indywidualnych potrzeb rozwiązanie, które równoważy wydajność sztucznej inteligencji i bezpieczeństwo.

 

 

  1.  

Wyślij zapytanie

whatsapp

Telefon

Adres e-mail

Zapytanie