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.