Введение

Автоматизация контроля соблюдения требований охраны труда на строительных площадках является актуальной задачей, решение которой связано с применением систем компьютерного зрения. Также системы способны в непрерывном режиме анализировать видеопоток с камер или беспилотных летательных аппаратов и выявлять нарушения, например, отсутствие каски или сигнального жилета у работника. Ключевым этапом разработки подобных систем выступает формирование качественных размеченных датасетов — наборов данных, в которых каждый объект интереса (человек, строительная техника, ограждение) вручную или автоматизированно выделен и отнесен к определенному классу. Качество такой разметки напрямую определяет, насколько точно обученная модель искусственной нейронной сети будет работать на реальном объекте. Настоящая статья обобщает подходы к созданию обучающих выборок для детекции средств индивидуальной защиты (СИЗ) с учетом требований к качеству данных и специфики строительной отрасли.

1. Нормативные и методологические основы

Согласно ГОСТ 12.4.011–89, средства индивидуальной защиты в зависимости от назначения подразделяются на классы, включая средства защиты головы (каски защитные, шлемы, подшлемники) и одежду специальную защитную (жилеты) [1, п. 2.3, 2.6]. Данная классификация определяет перечень классов объектов интереса при разметке: именно она обозначает, какие элементы экипировки должны быть выделены на изображении и отнесены к соответствующей категории.

Приказ Минтруда России № 782н устанавливает, что к работам на высоте относятся работы, при которых существуют риски, связанные с возможным падением работника с высоты 1,8 м и более [2, п. 3]. Работодатель для обеспечения безопасности работающих должен применять средства коллективной и индивидуальной защиты [2, п. 6]. Данные требования обосновывают необходимость автоматизированного контроля применения СИЗ: система компьютерного зрения позволяет объективно и непрерывно фиксировать факты использования или отсутствия защитных средств, снижая влияние человеческого фактора при визуальном осмотре.

Методологическую основу формирования датасетов составляет ГОСТ Р 71484.4–2024, который устанавливает структуру процессов обеспечения качества данных для аналитики и машинного обучения, включая этапы разметки объектов интереса, верификации и валидации [3]. Под верификацией в данном контексте понимается проверка соответствия массива размеченных изображений установленным правилам, а под валидацией — подтверждение того, что данные пригодны для использования в конкретной задаче машинного обучения. Указанный стандарт является нормативным основанием для описания системы контроля качества датасета.

2. Методика формирования датасета

2.1. Классификация объектов интереса

В рамках рассматриваемого подхода применяется согласованный перечень классов, включающий, в частности, следующие категории: «человек в СИЗ», «человек в каске», «человек в жилете», «человек без СИЗ», а также классы строительной техники и инфраструктуры (экскаватор, ковш экскаватора, сигнальное ограждение, газовые баллоны, стропы, люлька подъемного сооружения (далее ПС), рабочее и транспортное положение ПС и др.). Наличие отдельных классов для техники и инфраструктуры позволяют системе одновременно контролировать не только экипировку персонала, но и корректность организации рабочей зоны.

Правила разметки предусматривают строгое соответствие согласованному списку классов без добавления собственных формулировок названий и подклассов. Каждый объект выделяется отдельной прямоугольной рамкой (bounding box) — минимального размера прямоугольником, полностью охватывающим видимую часть объекта, при этом скрытая часть не дорисовывается. При неуверенности в классе обнаруженного объекта используются специальные временные классы (например, «ПРОВЕРИТЬ_люлька ПС»), которые сигнализируют проверяющему о необходимости дополнительного анализа спорного фрагмента.

Согласно ГОСТ Р 71484.4–2024, процесс обеспечения качества данных включает этапы, на которых осуществляется контроль полноты и корректности разметки [3]. Данное требование соотносится с правилом разметки о выделении каждого объекта отдельной рамкой и просмотре всего кадра, включая задний план: объекты, расположенные вдали или частично перекрытые, также подлежат разметке, если их класс и границы уверенно идентифицируются.

2.2. Критерии отбора видеоматериалов и предварительная обработка

Отбор кадров производится по критериям разрешения, ракурса, освещенности и наличия объектов интереса. Согласно СП 70.13330.2012, строительная площадка должна быть ограждена и обозначена знаками безопасности в соответствии с требованиями ГОСТ 12.1.046 [8, п. 3.4]. Данное положение обосновывает необходимость учета условий освещенности при отборе видеоматериалов: кадры, снятые в сумерках или при недостаточном освещении, могут содержать объекты с низкой контрастностью, что затрудняет как ручную разметку, так и последующее обучение модели.

2.3. Процесс аннотирования и типичные ошибки

Отбор кадров производится по критериям разрешения, ракурса, освещенности и наличия объектов интереса. Согласно

Процесс аннотирования включает выделение bounding box, присвоение класса из установленного списка, проверку отсутствия пропусков и двойного выделения. Под двойным выделением понимается ситуация, когда один и тот же объект размечен двумя рамками, что носит искажения в обучающую выборку и может привести к ложным срабатываниям модели.

Согласно ГОСТ Р 71484.4–2024, процессы обеспечения качества данных включают верификацию и валидацию размеченного массива информации [3]. Данное положение обосновывает необходимость единообразного применения правил разметки всеми участниками процесса и проведение проверок на каждом этапе: несогласованность в трактовании классов между разными исполнителями приводит к накоплению систематических ошибок в датасете.

3. Контроль качества и итеративное улучшение

3.1. Система контроля качества

Согласно ГОСТ Р 714.84.4–2024, структура процессов обеспечения качества данных предусматривает этапы, на которых осуществляется контроль качества разметки, включая верификацию и валидацию [3]. Данное требование соотносится с трехуровневой системой контроля качества, включающей самопроверку, кросс-валидацию и финальную валидацию. Самопроверка предполагает повторный просмотр размеченного кадра по чек-листу; кросс-валидация — выборочную проверку работы одного разметчика другим; финальная валидация — контроль со стороны ответственного специалиста перед передачей в обучение.

Согласно ГОСТ Р 714.84.4–2024, оценка качества данных может выполняться на подмножестве данных при условии демонстрации репрезентативности качества подмножества по отношению к полному набору данных [3]. Данное положение обосновывает выборочный контроль не менее 10 % объема разметки при финальной валидации: проверка репрезентативной выборки позволяет сделать вывод о качестве всего датасета без сплошного просмотра всех кадров.

3.2. Анализ ошибок модели и дообучения датасета

Согласно ГОСТ Р 714.84.4–2024, процессы обеспечения качества размеченного датасета включают этапы улучшения данных на основе анализа выявленных несоответствий [3]. На практике это означает, что после первичного обучения модели анализируются ее ошибки — пропуски объектов (False Negative) и ложные срабатывания (False Positive), — после чего выполняется дополнительный отбор и разметка сложных кейсов (hard negative mining), то есть кадров, на которых модель наиболее часто ошибается. Данное положение обосновывает необходимость повторной валидации обновленного датасета перед следующим циклом обучения. Сведем информацию об этапах процесса обеспечения качества данных в таблицу 1.

Таблица 1

Этапы процесса обеспечения качества данных согласно ГОСТ Р 71484.4–2024

Заключение

Формирование обучающих датасетов для систем компьютерного зрения, предназначенных для контроля СИЗ на строительных площадках, требует соблюдения согласованных правил разметки и применения стандартизированных процессов обеспечения качества данных. Рассмотренные положения ГОСТ 12.4.011–89, Приказа Минтруда России № 782н, ГОСТ Р 71484.4–2024 и СП 70.13330.2012 обеспечивают нормативную и методологическую основу для организации разметки, контроля качества и итеративного улучшения датасета. Соблюдение этих требований позволяет повысить точность моделей детекции СИЗ и, как следствие, эффективность автоматизированного контроля охраны труда на строительных площадках.

Литература:

1. ГОСТ 12.4.011–89. Система стандартов безопасности труда. Средства защиты работающих. Общие требования и классификация: издание официальное: утвержден и введен в действие Постановлением Государственного комитета СССР по управлению качеством продукции и стандартам от 27.10.89 № 3222: дата введения 01.07.90. — Москва: ИПК Издательство стандартов, 2004. — 8 с. — Текст: непосредственный.

2. Об утверждении Правил по охране труда при работе на высоте: приказ Министерства труда и социальной защиты Российской Федерации от 16.11.2020 № 782н: зарегистрирован в Минюсте России 15.12.2020 № 61477. — Текст: электронный // Официальный интернет-портал правовой информации. — URL: http://pravo.gov.ru (Дата обращения: 15.10.2026).

3. ГОСТ Р 71484.4–2024. Искусственный интеллект. Качество данных для аналитики и машинного обучения. Часть 4. Структура процессов обеспечения качества данных: национальный стандарт Российской Федерации: утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 28.10.2024 № 1551-ст: дата введения 01.01.2025. — Москва: Российский институт стандартизации, 2024. — 36 с. — Текст: непосредственный.

4. СП 70.13330.2012. Несущие и ограждающие конструкции. Актуализированная редакция СНиП 3.03.01–87: свод правил: утвержден приказом Федерального агентства по строительству и жилищно-коммунальному хозяйству (Госстрой) от 25.12.2012 № 109/ГС: дата введения 01.07.2013 (с Изменениями № 1, 3–6). — Москва: ФГБУ «РСТ», 2024. — 240 с. — Текст: непосредственный.