Видеоаналитика для кальянной
Время сборки и выноса каждого кальяна
Выполненная работа
АналитикаДообучение моделиРазметка зонКабинетПилот
Стек
НейросетиRTSPTelegramВеб-кабинет
Ссылки
Дообучили модель под колбы и чаши кальяна и научили систему считать время сборки и выноса каждого кальяна. На демо: приготовление 14,3 секунды, вынос 11,4 секунды.
О сценарии
Пример сценария на демонстрационных данных. Реальные цифры определяются на пилоте на вашем объекте.
Кальянная — заведение, где скорость и порядок работы мастера напрямую влияют на выручку и на то, как гости оценивают сервис. Кейс показывает, как система видеоаналитики решает сразу две сложные задачи: распознаёт предметы заведения (колбы и чаши кальяна) и считает длительность процесса от сборки до выноса.
Кальянная — заведение, где скорость и порядок работы мастера напрямую влияют на выручку и на то, как гости оценивают сервис. Кейс показывает, как система видеоаналитики решает сразу две сложные задачи: распознаёт предметы заведения (колбы и чаши кальяна) и считает длительность процесса от сборки до выноса.
Задача
Управляющий хочет знать, сколько времени мастер собирает каждый кальян, сколько уходит на вынос и сколько мастер отдыхает. Записи камер смотрят только после жалоб гостей, а регламент проверяется выборочно и вручную. Нужны цифры по каждому случаю, а не по ощущениям.
Это контроль персонала через видеонаблюдение без просмотра записей: система сама пишет время каждого шага. Нам нужно было:
Это контроль персонала через видеонаблюдение без просмотра записей: система сама пишет время каждого шага. Нам нужно было:
- находить колбы и чаши кальяна, которых нет в готовых моделях;
- отличать мастера от гостей и от других сотрудников;
- считать время сборки и выноса по каждому кальяну;
- сообщать в Telegram, когда процесс длится дольше нормы;
- вести журнал событий со стоп-кадром и отчёты за период.
Как система видит кальян: модель компьютерного зрения под предметы
Готовая модель находит людей, но не знает колб и чаш. Поэтому мы сгенерировали обучающие кадры, разметили их и дообучили модель компьютерного зрения под предметы кальянной. Людей ищет базовая модель, предметы — дообученная, и качество по людям не должно снижаться, это проверяем на пилоте.
Колбу в руках почти не видно, поэтому вынос засчитывается по связке: колба исчезла со стола, и мастер вошёл в зону выхода. Это пример применения компьютерного зрения, где правило по событиям работает надёжнее, чем одна картинка.
Тот же подход работает для любых предметов заведения: подносов, бутылок, коробок доставки. Дообучение модели входит в сложный сценарий.
Колбу в руках почти не видно, поэтому вынос засчитывается по связке: колба исчезла со стола, и мастер вошёл в зону выхода. Это пример применения компьютерного зрения, где правило по событиям работает надёжнее, чем одна картинка.
Тот же подход работает для любых предметов заведения: подносов, бутылок, коробок доставки. Дообучение модели входит в сложный сценарий.
Как мы это разрабатываем
- 1
Ставим камеры над залом
Подключаем камеры над зоной сборки и залом, потоки идут на наш сервер.
- 2
Проектируем зоны
Моделируем зал: станция сборки и маршрут выноса до столов.
- 3
Дообучаем на колбах и чашах
Генерируем обучающие кадры и дообучаем модель под предметы кальянной.
- 4
Считаем время сборки и выноса
Сборка, вынос и отдых мастера считаются по зонам и по связке предметов.
- 5
Собираем отчёт по каждому кальяну
Таблица времени по каждому случаю, средние значения и уведомления в Telegram.
Функции видеоаналитики, которые получает управляющий
Видеоаналитика с ИИ превращает видео в цифры по каждому кальяну и по работе мастера:
Результат на демо: приготовление 14,3 секунды, вынос 11,4 секунды. На реальном потоке цифры будут другими.
- время приготовления и выноса по каждому случаю и среднее по периодам;
- порог уведомления (на демо 10 секунд) и сообщения в Telegram при превышении;
- время, которое мастер находится в зоне забивки, у выхода и в зоне отдыха;
- журнал событий со стоп-кадром и временем, выгрузка за день, неделю и месяц.
Результат на демо: приготовление 14,3 секунды, вынос 11,4 секунды. На реальном потоке цифры будут другими.
Внедрение видеоаналитики: что нужно для запуска
Нужны камеры с потоком RTSP (подходят Dahua, Hikvision и HiWatch, Tiandy, Uniview, Reolink, TP-Link и другие), интернет на объекте от 5 Мбит/с на отдачу и доступ к роутеру для настройки защищённого туннеля. Оптимальный ракурс: сверху под углом 30–45°, чтобы руки и предметы не закрывались. Запуск одного заведения от 4 дней.
Шаги внедрения:
Шаги внедрения:
- Обследование: проверяем камеры, сеть, ракурсы и свет, фиксируем список сценариев.
- Подключение: защищённый туннель до сервера без открытых портов на объекте.
- Разметка: рисуем зоны, настраиваем роли и нормы времени под ваши регламенты.
- Настройка модели: дообучаем под предметы заведения, если нужно.
- Пилот: сверяем цифры системы с реальностью, калибруем пороги, обучаем сотрудников работе с кабинетом.
- Сопровождение: следим за связью, перенастраиваем зоны, обновляем модели, готовим отчёты.
Как проверить на вашем объекте
Подключим одну-две камеры вашего заведения, разметим зоны и покажем первые цифры на реальных данных. Это пилот: вы видите, как система работает именно у вас, до того как принимать решение.
Для старта достаточно доступа к потоку камеры и интернета на объекте. Запуск от 4 дней.
Для старта достаточно доступа к потоку камеры и интернета на объекте. Запуск от 4 дней.
Частые вопросы
Это реальная запись?
Нет, демо сгенерировано нейросетью. Реальные цифры вы получите на пилоте на ваших камерах.
Можно ли научить систему видеть наши предметы?
Да, дообучаем модель под ваши предметы: колбы, подносы, бутылки, коробки доставки.
Чем система видеоаналитики отличается от обычных камер?
Камера пишет видео, а система считает: время процессов, зоны, роли и нарушения нормы.
Нет, демо сгенерировано нейросетью. Реальные цифры вы получите на пилоте на ваших камерах.
Можно ли научить систему видеть наши предметы?
Да, дообучаем модель под ваши предметы: колбы, подносы, бутылки, коробки доставки.
Чем система видеоаналитики отличается от обычных камер?
Камера пишет видео, а система считает: время процессов, зоны, роли и нарушения нормы.
Над проектом работали
ДмитрийМенеджмент
СергейТимлид
МарияFrontend-разработка
МаксимДизайн
Следующий кейс
Нужные Люди
5
Пора обсудить
ваш проект!
ваш проект!
Оставьте заявку или напишите
