هوش مصنوعي هايك ويژن
سيستم آلارم در بسياري از دوربين ها و تجهيزات مداربسته وجود دارد و مي تواند يك فاكتور كمك كننده براي برقراري امنيت يك محيط محسوب گردد. اما بسياري از مواقع چنين مزيتي تبديل به يك عيب بزرگ مي شود. زيرا بحث آلارم هاي كاذب و تفكيك آنها از موارد واقعي به ميان مي آيد. آلارم هاي كاذب معمولا مي توانند بر اثر عدم موفقيت دوربين در تشخيص صحيح سوژه ها رخ دهند و بسيار آزاردهنده باشند. وقوع آلارم هاي كاذب و دفعات آنها تا حد زيادي به نوع سيستم مداربسته اي كه استفاده مي كنيد بستگي دارد. شركت هايك ويژن توانسته با ادغام تكنولوژي هوش مصنوعي خود با الگوريتم تشخيصي در سيستم هاي مداربسته تا حد زيادي از وقوع آلارم هاي كاذب بكاهد.
فناوري Deep Learning هايك ويژن با قدرت محاسباتي بالاي خود در حال فراگير شدن در سطح جهاني است. شركت هايك ويژن در خط مقدم استفاده از اين تكنولوژي در صنعت نظارت و حفاظتي قرار داشته و در حال حاضر اولين مجموعه از محصولات خود را كه مجهز به قدرت هوش مصنوعي (AI) هستند را روانه بازار نموده است. مفهوم Deep Learning در دوربين هايك ويژن الهام گرفته از نحوه عملكرد مغز انسان است. مغز ما مي تواند به عنوان مثالي فراگير از مدل Deep Learning در نظر گرفته شود. شبكه عصبي مغز شامل ميلياردها نورون متصل به هم است. Deep Learning اين ساختار را شبيه سازي مي كند. اين شبكه هاي چند لايه مي توانند اطلاعات را جمع آوري كرده و اقدامات مربوطه را بر اساس تحليل آن اطلاعات انجام دهند.
جايگاه هوش مصنوعي در سيستم هاي مداربسته
در دو سال گذشته، اين تكنولوژي در تشخيص گفتار، ديد رايانه اي، ترجمه صوتي و … بسيار پيشرفت كرده است. و حتي از توانايي هاي انساني در زمينههوش مصنوعي Deep Learning هايك ويژن تشخيص چهره هايك ويژن(Face Detection) و طبقه بندي تصاوير نيز فراتر رفته است. از اين رو، در زمينه صنعت نظارت تصويري بسيار مورد توجه قرار دارد. توانايي براي تشخيص و تمايز افراد از ساير موجودات (حيوانات) باعث مي شود كه اين فناوري در پروژه هاي متفاوت امنيتي مورد استفاده قرار گيرد. يكي از مشكلات رايج در اين پروژه ها هشدار هاي كاذب و نادرستي است كه 94%-99% كليه آلارم ها را تشكيل مي دهند. اين يك ضعف بزرگ در يك سيستم نظارتي است و باعث بر هم خوردن نظم سيستم و افزايش هزينه ها مي گردد.
سيستم هاي نظارتي قديمي اغلب قادر به تشخيص سوژه هاي در حال حركت بدون تحليل هاي پيشرفته هستند. حتي دوربين هاي هوشمند تحت شبكه هايك ويژن نيز تنها مي توانند اجزا مختلف را به شكل يك به يك و كلي نمايش دهند، و اين باعث مي شود كه برخي از ويژگي ها و جزئيات ديگر از قلم بيفتند (براي مثال مي تواند تصوير كلي از صورت انسان نمايش دهد و جزئيات ديگر مانند فرم چانه، پيشاني و … را نمايش نمي دهد)، بنابراين در كل دقت كار كاهش مي يابد
راهكارهاي قديمي
براي ارتقا عملكرد سيستم مدار بسته در محيط هاي خارجي و بزرگ نياز به فناوري هاي پيشرفته ديگري نيز مي باشد اما آنها نيز داراي نقص ها و كاستي هايي هستند. براي مثال يكي از چالش هاي موجود در يك سيستم مداربسته تصويربرداري در شب است. دتكتورهاي نور IR هايك ويژن شايد كليد حل مشكلاتي باشند اما آنها نيز نسبت به آلارم هاي كاذب ناشي از ورود حيوانات در شرايطي كه هدف سوژه هاي انساني هستند، حساس اند. از طرفي براي حفظ امنيت مكان مورد نظر راه حل ديگر استفاده از حصارهاي الكترونيكي است كه به نوبه خود خطر داشته و يا مناسب مناطقي خاص هستند. اكثر اين راهكارها اغلب پر هزينه بوده و يا استفاده از آن ها پيچيدگي هاي خاص خودش را دارد.
نحوه عملكرد Deep Learning در تفكيك آلارم هاي كاذب
سوژه هايي از قبيل حيوانات مختلف، برگ درختان يا حتي نور (براي مثال چراغ ماشين) مي توانند آلارم هاي كاذب ايجاد كنند، بنابراين توانايي شناسايي و تمايز انسان از اين سوژه ها توسط زيرمجموعه هاي فناوري تجزيه و تحليل VCA هايك ويژن به شدت مي تواند دقت عملكردي سيستم را بهبود بخشد. آلارم هاي كاذب كه دائما و پشت سر هم اتفاق مي افتند اغلب مشكل آزار دهنده اي براي كاربران محسوب مي شوند زيرا مي بايست وقت زيادي را صرف بررسي هر كدام كرده كه به طور بالقوه اي باعث به تاخير افتادن پاسخ هاي ضروري به آنها مي گردد.
به عنوان مثال، تصور كنيد كه محل نصب دوربين ها مكاني نسبتا آرام بوده و در شب هنگام تنها چند اتومبيل و افراد كمي در حال تردد در آن هستند. حتي در اين فضا نيز، تعداد آلارم هاي كاذب مي تواند به 50 مورد برسد. خب حداقل 2 الي 3 دقيقه زمان براي بررسي هر آلارم كاذب نياز است و اگر تنها 3 مورد از اين 50 مورد علت واقعي داشته باشند و زمان بررسي هركدام را 15 دقيقه در نظر بگيريم مي شود 45 دقيقه . حال فردي كه براي نگهباني در محل حضور دارد نيز بايد به بررسي و كنترل سيستم مداربسته و همچنين مكان مورد نظر پرداخته و مشاهده كند كه آيا فردي بدون اجازه وارد محل شده است يا خير. در بيشتر سازمان ها تمامي جزئيات اين پروسه بايد مكتوب و گزارش شود كه خود كاري زمان بر خواهد بود. بنابراين تمامي آن 50 آلارم كاذب مي تواند در هر شب منجر به هدر رفتن 2 ساعت زمان گردد و هزينه ي زيادي را چه از نظر زماني و چه مالي بر سيستم تحميل نمايد.
مزايا
با وجود فناوري Deep Learning اوضاع خيلي فرق خواهد داشت. اساس عملكرد سيستمي كه بر پايه هوش مصنوعي Deep Learning هايك ويژن كار مي كند در اختيار داشتن حجم بالايي از اطلاعات و نحوه طبقه بندي آنهاست. با وجود حجم زيادي از داده هاي با كيفيت كه توسط دوربين ها و منابع ديگر ثبت مي گردند، و همچنين بيش از صدها نفر از كاركنان شركت كه اين اطلاعات را دسته بندي و برچسب گذاري مي كنند داده هاي سمپل با ميليون ها دسته بندي در اين بخش انباشته شده اند. با استفاده از اين مقدار داده (شامل داده هاي انساني، حيوانات، وسايل نقليه و …)، مدل هاي تشخيصي، عملكرد بهتر و دقيق تري خواهند داشت.بر اساس آزمايشات انجام شده، دقت تشخيص در اين راه كار ها با استفاده از الگوريتم فراگير Deep Learning، دقت سيستم را تا 38? افزايش مي دهد. با توجه به اين موضوع در مثال قبلي، مي توان تقريبا يك ساعت در هر شب از زمان هدر رفته كاست.
كاربردهاي ديگر Deep Learning
همچنين Deep Learning در هايك ويژن كاربردهاي عملي و پيچيده ديگري نيز دارد. براي مثال موقعيتي را در نظر بگيريد كه سقوط كردن (فرد يا جسم) خطري تهديد كننده محسوب مي گردد، براي مثال خانه سالمندان يا كودكستان. در اين كاربري ها مي توان آستانه ارتفاع را در حد 0.5 متر و زمان طي شده را 10 ثانيه قرار داد در اين صورت اگر فردي در حال سقوط و زمين خوردن باشد و ارتفاع آن از سطح زمين به زير نيم متر برسد و بيش از ده ثانيه روي زمين بماند سيستم با ارزيابي پارامتر هاي موجود آلارم را فعال مي كند.
https://tiamcctv.com/product/thc-d340-vf/
https://tiamcctv.com/product/ds-2cd2743g0-izs/