Рассмотрен практический опыт модернизации системы контроля доступа на промышленном предприятии «Тюменские моторостроители» путем интеграции подсистемы распознавания лиц на базе искусственного интеллекта с существующей автоматизированной системой управления технологическими процессами и системой контроля управления доступа. Проанализированы недостатки традиционной радиочастотной идентификации по прокси-картам, проведен сравнительный анализ биометрических методов (распознавание по лицу, отпечаткам пальцев, радужной оболочке глаза, голосу) по ключевым критериям: стоимость внедрения, точность алгоритма, скорость обработки данных, соответствие 152-ФЗ, удобство для пользователя. Обоснован выбор метода распознавания лиц как оптимального для промышленных условий с точки зрения «прозрачной» аутентификации – анализа видеопотока с камеры цехового терминала без активного участия сотрудника. Приведены количественные оценки ошибок первого и второго рода, детально описаны поэтапный процесс интеграции подсистемы на предприятии, архитектура решения, сценарии использования в нотации UML. Результаты пилотного внедрения подсистемы подтверждают снижение числа инцидентов, связанных с компрометацией идентификаторов, передачи прокси-карт и повышением скорости процесса идентификации. Статья предлагает метод модернизации информационной инфраструктуры реального промышленного объекта для его интеграции с интеллектуальной системой.
The article discusses the practical experience of modernizing the access control system at the «Tyumen motor builders» industrial enterprise by integrating an artificial intelligence-based facial recognition subsystem with the existing automated process control system and access control system. The article examines the disadvantages of traditional radio frequency identification using proxy cards and conducts a comparative analysis of biometric methods (facial recognition, fingerprint recognition, iris recognition, and voice recognition) based on key criteria: The cost of implementation, the accuracy of the algorithm, the speed of data processing, compliance with Federal Law №152, and user-friendliness have all been considered. The choice of face recognition as the optimal method for industrial conditions has been justified in terms of “transparent” authentication, which involves analyzing the video stream from the workshop terminal camera without the active participation of an employee. The article proposes a method for upgrading the information infrastructure of a real industrial facility to integrate it with an intelligent system.
1. Царегородцев К. Д. Анализ режимов шифрования для реализации в устройствах RFID // ПДМ. Приложение. 2020. № 13. URL: https://cyberleninka.ru/article/n/analiz-rezhimov-shifrovaniya-dlya-realizatsii-v-ustroystvah-rfid (дата обращения: 05.02.2026). DOI: 10.17223/2226308X/13/20.
2. Смушкин А. Б. Кибербезопасность: понятие, структура, механизм правового обеспечения // Правоприменение. 2025. № 3. URL: https://cyberleninka.ru/article/n/kiberbezopasnost-ponyatie-struktura-mehanizm-pravovogo-obespecheniya (дата обращения: 07.02.2026). DOI: 10.52468/2542-1514.2025.9(3).114-123.
3. Кутейников Д. Л., Ижаев О. А., Лебедев В. А., Зенин С. С. Неприкосновенность частной жизни в условиях использования систем искусственного интеллекта для удаленной биометрической идентификации личности // Lex russica. 2022. Т. 75. № 2. С. 121–131. URL: https://cyberleninka.ru/article/n/neprikosnovennost-chastnoy-zhizni-v-usloviyah-ispolzovaniya-sistem-iskusstvennogo-intellekta-dlya-udalennoy-biometricheskoy (дата обращения: 09.02.2026). DOI: 10.17803/1729-5920.2022.183.2.121-131.
4. Лютикова Л. А., Ибрагим А. С. Применение нейросетевого подхода для решения задачи аутентификации пользователя // Известия КБНЦ РАН. 2020. № 4 (96). URL: https://cyberleninka.ru/article/n/primenenie-neyrosetevogo-podhoda-dlya-resheniya-zadachi-autentifikatsii-polzovatelya (дата обращения: 24.02.2026). DOI: 10.35330/1991-6639-2020-4-96-5-10.
5. Гареева Г. А., Хамидуллин М. Р., Джибладзе З. Г., Ахметов Л. М. Развертывание искусственного интеллекта по распознаванию лиц // Научно-технический вестник Поволжья. 2022. № 8. С. 50–53. URL: https://lib.dm-centre.ru/lib/document/gpntb/ESVODT/060ca749785cc2869409ec9362a7cc3f/ (дата обращения: 24.02.2026).
6. Нуржанов Ф. Р. Применение методов искусственного интеллекта в идентификации личности по изображению лица // Universum: технические науки. 2024. № 5 (122). С. 55–58. URL: https://cyberleninka.ru/article/n/primenenie-metodov-iskusstvennogo-intellekta-v-identifikatsii-lichnosti-po-izobrazheniyu-litsa (дата обращения: 25.02.2026). DOI: 10.32743/UniTech.2024.122.5.17624.
7. Саяпин В. О. Интеллектуальные нейросети – будущий потенциал цивилизационного развития цифрового мира // Вестник Челябинского государственного университета. 2023. Т. 7 (477). № 2. С. 21–26. URL: https://cyberleninka.ru/article/n/intellektualnye-neyroseti-buduschiy-potentsial-tsivilizatsionnogo-razvitiya-tsifrovogo-mira/viewer (дата обращения: 26.02.2026). DOI: 10.47475/1994-2796-2023-477-7-21-26.
8. Руднев И. С., Королев Л. Ю., Соболев Н. С. Разработка системы контроля доступа на основе биометрических данных для сервисного центра // Вестник науки. 2026. Т. 4. № 1 (94). С. 1125–1131. URL: https://cyberleninka.ru/article/n/razrabotka-sistemy-kontrolya-dostupa-na-osnove-biometricheskih-dannyh-dlya-servisnogo-tsentra (дата обращения: 26.02.2026).
9. Глаженков А. И. Алгоритм безопасного управления доступом на объектах электроэнергетики // Инновационная наука. 2026. Т. 1. № 2–2. С. 77–80. URL: https://aeterna-ufa.ru/sbornik/IN-2026-02-2-1.pdf (дата обращения: 26.02.2026).
10. Гаязова С. Р., Ерохина К. С., Мельникова Д. А., Ермолина Л. В. Биометрические технологии в системах контроля доступа как фактор инновационного развития и повышения экономической безопасности предприятий топливно-энергетического комплекса // Экономика и предпринимательство. 2026. № 1 (186). С. 1295–1299. URL: https://parlib.duma.gov.ru/common/web_services/secure_download/Resource-210824/2026-06413.pdf (дата обращения: 27.02.2026).
11. Полковникова Н. А. Исследование методов и алгоритмов компьютерного зрения на основе сверточных и рекуррентных нейронных сетей // Эксплуатация морского транспорта. 2020. № 3. С. 154–168. URL: https://elibrary.ru/item.asp?id=44403281 (дата обращения: 27.02.2026). DOI: 10.34046/aumsuomt96/21.
12. Липин Ю. Н. Разработка алгоритма распознавания лиц с учетом особенностей работы человеческого мозга // Вестник Пермского университета. Серия: Математика. Механика. Информатика. 2023. № 2 (61). URL: https://cyberleninka.ru/article/n/razrabotka-algoritma-raspoznavaniya-lits-s-uchetom-osobennostey-raboty-chelovecheskogo-mozga (дата обращения: 27.02.2026). DOI: 10.17072/1993-0550-2023-2-59-64.
13. ГОСТ 34.602-2020. Информационные технологии. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы: межгосударственный стандарт. [Электронный ресурс]. URL: https://docs.cntd.ru/document/1200181804 (дата обращения: 27.02.2026).
14. ГОСТ 57193-2025. Системная и программная инженерия. Процессы жизненного цикла систем: национальный стандарт Российской Федерации [Электронный ресурс]. URL: https://docs.cntd.ru/document/1312112086 (дата обращения: 27.02.2026).
15. Стефанова Н. А., Силкина А. В. Система распознавания лиц как инструмент повышения уровня качества жизни населения и экономического развития // Региональная и отраслевая экономика. 2024. № 1. URL: https://cyberleninka.ru/article/n/sistema-raspoznavaniya-lits-kak-instrument-povysheniya-urovnya-kachestva-zhizni-naseleniya-i-ekonomicheskogo-razvitiya (дата обращения: 28.02.2026). DOI: 10.47576/2949-1916.2024.1.1.018.
16. Череватова Д. А., Куваева Е. Н. Обзор возможностей 1С: предприятие для автоматизации бизнес-процессов // Вестник науки. 2024. № 12 (81). URL: https://cyberleninka.ru/article/n/obzor-vozmozhnostey-1s-predpriyatie-dlya-avtomatizatsii-biznes-protsessov (дата обращения: 28.02.2026).
17. Документации АРМ «Орион Про» – «версия 1.20 сервисный пакет 3 обновление 8. М.: ЗАО НВП Болид, 2024. 1571 с. [Электронный ресурс]. URL: https://bolid.ru/files/373/566/rep_orion_pro_1.20.3.8_mar_25.pdf (дата обращения: 28.02.2026).
18. Qi S., Zuo X., Feng W., Naveen I. G. Face Recognition Model Based On MTCNN And Facenet // 2022 IEEE 2nd International Conference on Mobile Networks and Wireless Communications (ICMNWC). 2022. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/10031806 (дата обращения: 11.02.2026). DOI: 10.1109/ICMNWC56175.2022.10031806.
19. Zuama L. R., Setiadi D. R. I. M., Susanto A., Santosa S., Gan H.-S., Ojugo A. A. High-Performance Face Spoofing Detection using Feature Fusion of FaceNet and Tuned DenseNet201 // Journal of Future Artificial Intelligence and Technologies. 2025. Vol. 1. № 4. P. 385–400. URL: https://faith.futuretechsci.org/index.php/FAITH/article/view/62 (дата обращения: 14.02.2026).
20. Путилин А. Б., Юрагов Е. А. Компонентное моделирование и программирование на языке UML. Практическое руководство по проектированию информационных систем М.: НТ Пресс, 2021. 664 c. [Электронный ресурс]. URL: https://rusneb.ru/catalog/010003_000061_e79cd252485c86e96e6d31e71ab12e2f/ (дата обращения: 24.02.2026). ISBN 5-477-00046-5.