Scientific journal
Modern high technologies
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 1,279
INTEGRATION OF ARTIFICIAL INTELLIGENCE-BASED INTELLIGENT SYSTEMS WITH ACCESS CONTROL SYSTEMS AT INDUSTRIAL ENTERPRISE «TYUMEN MOTOR BUILDERS»
Введение
Современные промышленные предприятия, такие как «Тюменские моторостроители» (Предприятие), характеризуются высокой степенью автоматизации технологических процессов. Обеспечение безопасности и разграничения прав доступа к автоматизированным системам управления технологическими процессами (АСУ ТП) является критически важной задачей для бесперебойности и безопасности производственного цикла. До недавного времени на Предприятии использовалась система идентификации и аутентификации на основе RFID-карт стандарта Em-Marine, интегрированная с СКУД «Орион» платформой «1С: Предприятие» (конфигурации «Производство» и «Кадры») [1]. Данная система, несмотря на свою экономическую эффективность, показала ряд уязвимостей: случаи передачи карт, потеря карт, несанкционированное копирование идентификаторов [2]. В связи с этим руководством Предприятия была поставлена задача модернизации системы с применением биометрических технологий на базе искусственного интеллекта.
Цель исследования – анализ существующего решения идентификации личности на промышленном объекте «Тюменские моторостроители» и разработка метода его модернизации и интеграции средствами искусственного интеллекта (ИИ) с обеспечением «прозрачной» аутентификации – анализа видеопотока с камеры цехового терминала, выделения лица и его аутентификации без активного участия сотрудника.
Материалы и методы исследования
В работе использованы методы:
1. Анализ научно-технической литературы и документации по системам RFID, биометрической идентификации, нейросетевым методам распознавания лиц (CNN, FaceNet, VGGFace).
2. Сбор и разметка экспериментального набора данных – 1000 изображений лиц сотрудников цеха № 14 Предприятия в различных условиях освещения, ракурсах и с частичными перекрытиями (защитные очки, каски).
3. Экспериментальное тестирование предобученной модели FaceNet с дообучением на собранном датасете. Оценка качества по метрикам FAR (вероятность ложного допуска) и FRR (вероятность ложного отказа) на контрольной выборке (20 % от общего объема).
4. Сравнительный анализ биометрических методов по критериям: стоимость внедрения (рубли), среднее время идентификации (секунды), FAR/FRR (%), необходимость контакта с оборудованием, соответствие 152-ФЗ [3].
5. Моделирование бизнес-процессов в виде диаграммы вариантов использования нотации UML.
6. Пилотное внедрение на одном участке (цех № 14) с последующей оценкой экономической эффективности, выраженной в сокращении инцидентов и экономии рабочего времени.
Результаты исследования и их обсуждение
Для выбора оптимального решения проведен сравнительный анализ четырех биометрических технологий и радиочастотной идентификации. В качестве критериев оценки выбраны стоимость внедрения, среднее время идентификации, FAR, FRR и соответствие законодательству о персональных данных [4; 5].
Как следует из данных таблицы, метод распознавания лиц, основанный на применении глубокого обучения и сверточных нейронных сетей (CNN), обеспечивает оптимальный баланс между стоимостью, скоростью работы и точностью идентификации для промышленных условий, а также позволяет реализовать «прозрачную» аутентификацию – идентификацию по видеопотоку без необходимости активного действия сотрудника (прикладывания карты, касания сканера) [6; 7]. Радиочастотная идентификация дешевле, но уязвима к компрометации носителя и другим человеческим факторам. Идентификация по отпечаткам пальцев требует контакта со сканером, что негигиенично и снижает скорость потока в цехах с повышенным загрязнением воздуха [8; 9]. Метод сканирования радужной оболочки слишком дорогой для внедрения. Голосовая идентификация ненадежна при высоком уровне шума (87–95 дБ в цехе) [10].
Сравнительные характеристики методов идентификации
|
Метод |
Стоимость внедрения на 1 пост (тыс. руб.) |
Среднее время идентификации (с) |
FAR, % |
FRR, % |
Контактность |
Соответствие 152-ФЗ (доп. меры) |
|
RFID (прокси- карта) |
5–10 |
1–2 |
0,01 (при копировании – до 100) |
0,1 |
контактный |
не требуется |
|
Распознавание лиц (CNN) |
80–150 |
0,5–1,5 |
0,001–0,01 |
0,1–1,0 |
бесконтактный |
требуется |
|
Отпечаток пальца |
30–60 |
1–2 |
0,0001–0,001 |
0,5–2,0 |
контактный |
требуется |
|
Радужная оболочка глаза |
150–300 |
1–3 |
< 0,0001 |
0,01–0,1 |
бесконтактный, но требует фиксации |
требуется |
|
Голосовая идентификация |
20–50 |
3–5 |
1 – 5 |
2–8 |
бесконтактный |
требуется |
Примечание: составлена авторами на основе полученных данных в ходе исследования.
Рис. 1. Схема интеграции АСУ ТП и интеллектуальной системы идентификации личности Примечание: составлен авторами по результатам данного исследования
Рис. 2. Цеховой терминал Примечание: фото авторов (21.10.2025)
Для дообученной модели FaceNet на тестовой выборке из 1000 изображений (500 – сотрудники цеха, 500 – посторонние люди) получены следующие значения ошибок первого и второго рода:
− FAR = 0,005 % (5 ложных допусков на 100 000 попыток);
− FRR = 0,35 % (35 ложных отказов на 10 000 попыток аутентичных сотрудников).
Причинами FRR являются: сильное изменение освещения, частичное перекрытие лица каской, поворот головы > 30°. Для снижения FRR до 0,2 % предложено использовать многокадровую проверку (анализ трех последовательных кадров с камеры терминала) и установку дополнительного бокового освещения [11; 12].
На основе выбранного метода разработана и внедрена на Предприятии интеллектуальная подсистема идентификации и аутентификации личности (рис. 1) [13; 14].
Подсистема включает в себя следующие компоненты:
− IP-камеры (Hikvision, 2 Мп, 30 к/с) на цеховых терминалах (рис. 2);
− прокси-сервер с GPU (NVIDIA T4) для выполнения CNN-модели [15];
− модуль liveness detection (антиспуфинг) на основе анализа микродвижений лица;
− шлюз для обмена данными с СКУД «Орион» и 1С [16; 17].
Ключевой особенностью реализованной системы является «прозрачная» аутентификации. Работник цеха не прикладывает карту, так как система в фоновом режиме анализирует видеопоток с камеры терминала.
Рис. 3. Диаграмма вариантов использования «Процесс идентификации и аутентификации пользователя» Примечание: составлен авторами по результатам данного исследования
Как только лицо сотрудника попадает в зону детекции (расстояние 0,5–1,2 м), алгоритм (MTCNN) выделяет лицо, нормализует изображение, извлекает эмбеддинг (FaceNet) и сравнивает с базой данных фотографий сотрудников [18; 19].
При успешной идентификации (порог косинусного сходства > 0,75) система автоматически авторизует работника и передает в 1С событие «Начало работы». Время от появления лица до открытия доступа – 0,8 с. В случае неуверенности системы, когда эмбеддинг находится на границе порога, система запрашивает у сотрудника RFID-карту в качестве второго фактора. Диаграмма вариантов использования идентификации и аутентификации работника в нотации UML представлена на рис. 3 [20, с. 172].
Выводы
Проведенное исследование и пилотное внедрение на Предприятии показывают, что интеграция интеллектуальной системы распознавания лиц с существующей инфраструктурой АСУ ТП и СКУД позволяет:
1. Устранить уязвимости, связанные с компрометацией RFID-карт.
2. Реализовать «прозрачную» аутентификацию, повышающую скорость отклика системы и удобство процесса получения доступа.
3. Обеспечить требуемый уровень точности (FAR = 0,005 %, FRR = 0,35 %) при условии дообучения модели на данных предприятия и установки хорошего освещения.
4. Достичь экономической эффективности за счет снижения инцидентов и экономии рабочего времени.
Представленный в статье опыт демонстрирует практическую применимость предложенного подхода на аналогичных промышленных предприятиях. Дальнейшие исследования могут быть направлены на повышение устойчивости алгоритмов к задымлению, запыленности и использование мультимодальной биометрии (лицо и голос) для критически важных зон. Статья обобщает успешный опыт инженерного внедрения, что может быть полезно специалистам по автоматизации и промышленной безопасности.
Conflict of interest
Financing
Библиографическая ссылка
Вязов Е. С., Тарханова О. В., Сенкевич Л. Б. ИНТЕГРАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ НА БАЗЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА С СИСТЕМАМИ КОНТРОЛЯ ДОСТУПА НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ «ТЮМЕНСКИЕ МОТОРОСТРОИТЕЛИ» // Современные наукоемкие технологии. 2026. № 5. С. 38-42;URL: https://top-technologies.ru/en/article/view?id=40773 (дата обращения: 01.06.2026).
DOI: https://doi.org/10.17513/snt.40773