Система видит технику и ход работ на уже установленных камерах, копит наблюдения по зонам и сообщает руководителю проекта об отклонениях — с кадрами-доказательствами.
Сегодня соответствие стройки графику проверяют вручную: смотрят камеры, звонят подрядчикам, оценивают на глаз. Объектив отвечает на один вопрос — «происходит ли сейчас на площадке то, что должно быть по плану?» — автоматически и с доказательствами. Постановка — в техническом задании кейса.
| Снимает | Распознаёт | Сверяет | Сообщает |
|---|---|---|---|
| Раз в интервал зоны берёт ролик из записи камеры за этот интервал; раз в рабочий день — дневные кадры зоны | VLM находит технику, понимает, работает она или стоит; по дневным кадрам — какая видимая стадия этапа | Правила «этап → техника» копят наблюдения в окне и решают, есть ли отклонение | Email и Telegram с кадром, объяснением и прогнозом срыва срока; департаменту — сводка по всем объектам |
- 27 классов техники в словаре — покрывает все классы из ТЗ
- 81 % совпадение с ручной разметкой на основных классах ТЗ; на всех 20 классах эталона — 76 %
- ~20 с на наблюдение зоны — от команды на съёмку до готового отчёта
- 47 таблиц в модели данных
- 23 архитектурных решения (ADR)
| Репозиторий | Что делает | Стек |
|---|---|---|
| backend | REST API, расписания снимков, сверка наблюдений с правилами этапа, эпизоды отклонений, watchdog камер | Python 3.12, FastAPI, SQLAlchemy, FastStream |
| frontend | Рабочее место руководителя проекта: мастер объекта, график, отклонения с кадрами, живые камеры; сводка по всем объектам для департамента и отчёты для печати | React 19, TypeScript, Vite, Tailwind |
| email-service, tg-service | Доставка уведомлений с повторами и дедупликацией | Python, FastStream, Redis |
| recognition-service | Ролик из записи камеры → техника, активность, описание сцены; дневные кадры зоны → видимые стадии этапов | Python, VLM (Qwen 3.5), ffmpeg, Pillow |
| recognition-research | Эталонная разметка, прогоны моделей и лидерборд: почему выбрана именно эта схема | Python, VLM, YOLO, DINOv2 / SigLIP / CLIP |
| labeling | Веб-разметка кадров организаторов для эталона | Python, FastAPI |
| infra | HTTPS-прокси, брокер, Redis, медиасервер камер, логи и метрики; разворачивается первой | Traefik, RabbitMQ, Redis, MediaMTX, Grafana / Loki / Prometheus |
| mock-camera | Виртуальные IP-камеры из MP4 для демо и воспроизводимых прогонов | Python, FastAPI, FFmpeg, MediaMTX |
| construction-monitoring | ТЗ и ответы организаторов, продукт, архитектура, контракты OpenAPI / AsyncAPI, модель данных, ADR, research | Markdown, Mermaid, draw.io |
| Я хочу… | Куда идти |
|---|---|
| посмотреть, как это работает | стенд → проект → «Отклонения» и «Камеры» |
| понять систему целиком | обзор продукта → архитектура → решения (ADR) |
| развернуть в Kubernetes | infra: порядок запуска и Variables → эксплуатация backend |
| запустить локальное демо | запуск прототипа: deploy/up.sh поднимает продукт с тестовой камерой |
| проверить качество распознавания | лидерборд и ограничения |
| разобраться в модели данных | data_model.md и ERD в README документации |
| интегрироваться | OpenAPI для REST, AsyncAPI для очередей |
| Требование | Где смотреть |
|---|---|
| Распознавание техники по снимкам камер | recognition-service, замеры — recognition-research |
| Сопоставление с этапами календарного плана | правила «этап → техника», ADR-0005 |
| Выявление отклонений и понятный механизм | окна наблюдений и state machines, объяснения отклонений |
| Интерфейс и уведомления | frontend, email-service, tg-service |
| Модель данных | data_model.md |
| Условия и ограничения: данные, классы, этапы | ограничения прототипа |
| Сборка и запуск через Docker | deploy/up.sh для всего продукта, README каждого репозитория — раздел «Запуск» |
