Видеоаналитика на стройке: путь от пилота до масштабирования на все объекты девелопера

Осенью 2025 года мы запустили пилот на одной стройке крупнейшего девелопера в Москве. Задач было две: видеть, кто работает без каски, и фиксировать, когда простаивает техника. Система сработала на высшем уровне, и её масштабировали на все объекты. Как? Сейчас поделюсь своим опытом.
Работаю в разных высокотехнологичных сферах и могу сразу сказать, что стройка - одна из самых сложных отраслей.
В первую очередь строительство - это риск. На объекте работает большое количество людей, и главное здесь то, что это живые люди - со своими привычками, особенностями, темпом работы и внимательностью. Ну а за всех зачастую отвечает один - заказчик. Опасные зоны, возгорания, обман со стороны строителей - всё это в том или ином масштабе присутствует на стройке.
Далее - финансы. Бюджет, закладываемый в строительство, может сильно разниться с суммой, которую заказчик видит в финале. Причины следующие:
1. Простой техники - то, что поначалу не видно, но потом обходится очень дорого.
2. Отставание по срокам и графику.
3. И много других проблем, которые даже нет смысла перечислять - вы их и так знаете. Кстати, сколько строителей меня тут читает?
Вернёмся к теме. Что же такое видеоаналитика на базе ИИ?
Если очень просто - всё, что происходит на объекте, анализируется по заданным параметрам. Например, критическая проблема девелопера - невозможность оперативно контролировать наличие СИЗ и соблюдение ТБ. Камеры есть, но нет времени сидеть и ежеминутно отсматривать каждого сотрудника. Видеоаналитика на базе ИИ сегодня как раз справляется с этой задачей на все 100 процентов.
Сразу отвечу на возражение, будто я выступаю ЗА замену людей роботами с ИИ. Вовсе нет. Продукт анализирует, оптимизирует, формирует ответ - и у вас появляется полное понимание того, что происходит на стройке: какая техника простаивает без дела и почему, а ещё когда произошёл инцидент и по какой причине. Но стратегические решения дальше принимаете исключительно вы.
На моём опыте есть много примеров, когда сначала запускался пилот, а затем система масштабировалась на все объекты. Но как происходит сам процесс?
Этап 1. Обследование площадки и камер
Всё начинается с аудита того, что уже есть на объекте: сколько камер и где они висят, какое у них разрешение, какие ракурсы и мёртвые зоны, через какую систему видеонаблюдения идёт запись, какой канал связи. От этого зависит, какие сценарии вообще можно реализовать на площадке.
Этап 2. Сценарии и критерии успеха пилота
Типичная ошибка - пытаться закрыть в пилоте всё сразу. Мы договариваемся с заказчиком о 1–3 сценариях с понятным эффектом в деньгах или для безопасности. До старта фиксируем показатели, по которым будем судить об успехе: сколько нарушений найдено, какова доля ложных срабатываний, за какое время служба реагирует на уведомление, сколько часов простоя выявлено.
Этап 3. Подключение к видеопотокам и выбор, где обрабатывать видео
Подключаемся к существующим камерам через RTSP/ONVIF или забираем поток из системы видеонаблюдения заказчика. Практика показывает, что больше всего времени уходит на «зоопарк» кодеков и прошивок, поэтому на эту часть мы закладываем запас.
Дальше решаем, где обрабатывать видео.
Этап 4. Дообучение моделей под реальную стройку
Модели обучены на нашем собственном датасете со строительных площадок, одном из крупнейших в отрасли, поэтому уже учитывают пыль, перекрытия лесами и техникой, смену освещения и сезонов. Точность превышает 97%. Особые случаи конкретного объекта, например предметы, похожие на каски, мы оперативно размечаем на пилоте и дообучаем модель под заказчика.
Этап 5. Встраивание в процессы заказчика
Это этап, который чаще всего недооценивают и вокруг которого больше всего мифов. Сам процесс занимает 5–7 дней, а не 5–7 месяцев, как многие думают.
Этап 7. Итоги пилота
По окончании пилота сравниваем результаты с метриками из этапа 2.
Этап 8. Масштабирование
Масштабирование отличается от пилота - здесь появляются задачи другого уровня:
* единые стандарты;
* мониторинг качества моделей;
* эксплуатация;
* новые сценарии.

Но что может пойти не так? Ключевая проблема - неверное размещение камеры на объекте. Классический пример: камера смотрит прямо в стену, в забор или в небо. Никакая нейросеть не извлечёт информацию из кадра, где её нет. При остальных сложностях - слабом соединении, погодных условиях, разном климате - видеоаналитика продолжает работать благодаря разным вариантам развёртывания:
Облако. Видеопотоки отправляются на серверы, обработка идёт централизованно.
Сервер в инфраструктуре заказчика (on-premise). Система разворачивается в контуре заказчика, видео не покидает его периметр.
Обработка прямо на объекте (edge). На площадке ставится вычислительный узел, который анализирует видео на месте.
Гибрид. Видео обрабатывается на объекте, а данные со всех площадок сводятся в общий центр отчётности.
Как итог - видеоаналитика на стройке давно перестала быть экспериментом. Это рабочий инструмент, который окупается за месяцы, а не за годы. Начинайте с 1–3 сценариев, определите для себя ключевые метрики, назначьте ответственного - и поднимайте уровень стройки вместе с технологиями.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.