Научный журнал

Современные наукоемкие технологии

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 1,279

• Авторы
• Вклад авторов
• Резюме
• Файлы
• Ключевые слова
• Литература

Вязов Е. С. 1 Тарханова О. В. 1 Сенкевич Л. Б. 1

---

1 Федеральное государственное бюджетное образовательное учреждение высшего образования «Тюменский индустриальный университет»

Вязов Е.С. - разработка концепции, привлечение финансирования, проведение исследования, предоставление ресурсов, визуализация результатов

Сенкевич Л.Б. - работа с данными, привлечение финансирования, методология исследования, административное руководство исследовательским проектом, научное руководство

Тарханова О.В. - привлечение финансирования, научное руководство, написание черновика рукописи

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.

Статья в формате PDF

1035 KB

идентификация

аутентификация

искусственный интеллект

биометрия

сверточные нейронные сети

контроль доступа

промышленная безопасность

интеграция систем

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.

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

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.

Конфликт интересов

Финансирование

Библиографическая ссылка