تجزیه و تحلیل ویدئویی هوش مصنوعی چقدر هوشمند است؟

پیشرفت فناوری یا فقط حباب دیگر؟

اغلب گفته می شود که بازار نرم افزار مدیریت ویدیو (VMS) به طور فزاینده ای کالایی شده و به طور گسترده در دسترس است. بسیاری از محصولات با ویژگی های مشابه (یا حداقل وعده های مشابه از طرف سازنده) انتخاب را سخت می کنند. در نتیجه، نام و شهرت فروشنده به یکی از نقاط اصلی فروش آنها تبدیل می شود. تولیدکنندگان دو انتخاب در اختیار دارند: غرق شدن در جنگ قیمت و تکیه بر کاهش هزینه ها، یا ارائه محصولی که واقعاً نوآورانه و انقلابی است. توسعه دهندگان VMS که مسیر دوم را انتخاب می کنند، به سمت ایجاد محصولاتی که از هوش مصنوعی مبتنی بر شبکه های عصبی و یادگیری عمیق استفاده می کنند، جذب می شوند. بازار تجزیه و تحلیل ویدئویی هوش مصنوعی که دو یا سه سال پیش ظهور کرد، رونق رشد را تجربه می کند. این موج فناوری جدید، عقب‌نشینی راکد و راکد دنیای VMS را برانگیخت و به توسعه‌دهندگان کوچک و جاه‌طلب چیزی برای خوش‌بین بودن داد. به نظر می رسد آنها اکنون فرصتی برای ظهور به عنوان رهبران بازار در چند سال آینده دارند. با این حال، تبلیغات پیرامون این روند محبوب، نگرانی های منطقی را در میان متخصصان با تجربه صنعت امنیت ایجاد کرده است. این نگرانی ها از مشتریانی که به دنبال راه حلی برای مشکلات خود هستند و از سوی تامین کنندگانی که یک استراتژی توسعه بلندمدت ایجاد می کنند، ناشی می شود. این تا حد زیادی شبیه حباب فناوری دیگری است، مانند حبابی که در مورد تجزیه و تحلیل ویدیوی قبل از هوش مصنوعی ایجاد شد و زمانی که مشخص شد که وعده‌های هیجان‌انگیز پیرامون آن تبلیغات تبلیغاتی خالص (و نسبتاً بی‌وجدانانه) بود، ترکید. با این حال، عوامل زیادی وجود دارد که نشان می دهد سیستم های نظارت تصویری مبتنی بر هوش مصنوعی حباب دیگری نیستند. اولین – و اصلی – از سیستم هایی می آید که قبلاً در سایت های مشتریان وجود دارد. آن‌ها همان وعده‌هایی را که در حباب قبلی توسط هوت‌هدها داده شده بود، انجام می‌دهند تا به رایانه آموزش دهند تا رویدادها را در زمان واقعی با استفاده از یک رویکرد الگوریتمی کلاسیک تجزیه و تحلیل کند. دوم این واقعیت است که این فناوری جدید نه تنها از سوی نرم‌افزارها و استارت‌آپ‌های ابری، بلکه از سوی توسعه‌دهندگان VMS نیز سرمایه‌گذاری شده است. حتی غول‌هایی مانند اینتل که خط کاملی از سخت‌افزار شتاب‌دهنده شبکه‌های عصبی و مجموعه‌ای از ابزارهای نرم‌افزاری را ارائه کرده است که کار با آن‌ها را به‌ویژه در زمینه بینایی کامپیوتر ساده‌تر می‌کند. عامل سوم در توانایی های هوش مصنوعی نهفته است. هوش مصنوعی شطرنج بازی می کند، ماشین می راند و در بسیاری از زمینه های دیگر معجزه می کند. چرا نباید برای نظارت و تحلیل ویدیویی اعمال شود؟

آنچه هوش مصنوعی می تواند انجام دهد

در این مرحله از توسعه، هوش مصنوعی در سیستم های نظارت تصویری چه کاری می تواند انجام دهد؟ نمی تواند توالی از رویدادها را کاملاً تحلیل کند و «منطق» آنچه در میدان دید دوربین ها اتفاق می افتد را درک کند. حداقل الان نه. اما این احتمال وجود دارد که هوش مصنوعی در چند سال آینده این کار را یاد بگیرد. اما تجزیه و تحلیل شبکه های عصبی می تواند اشیاء را به خوبی شناسایی، طبقه بندی و ردیابی کند و دقت بالایی را حتی در صحنه های شلوغ ارائه دهد.

از هوش مصنوعی می توان در دنیای واقعی برای موارد زیر استفاده کرد:

• تشخیص دود و شعله برای هشدار اولیه آتش سوزی در مناطق باز (جنگل، انبار باز، پارکینگ و غیره).
• افراد/وسایل نقلیه را از حیوانات و سایر اجسام متحرک متمایز کنید، به عنوان مثال برای محافظت از محیط پارک طبیعی در برابر شکارچیان متخلف.
• تشخیص فردی که کلاه ایمنی و لباس محافظ دارد از فرد بدون کلاه ایمنی برای جلوگیری از حوادث در یک مرکز تولید خطرناک یا محل ساخت و ساز.
• اشیاء یک نوع خاص را بشمارید ، به عنوان مثال، اتومبیل‌ها در یک پارکینگ، افراد در طبقه فروش، اجناس در حال حرکت روی تسمه نقاله و غیره در راه‌حل‌های غیرمرتبط با ایمنی

اینها فقط چند نمونه هستند. پس از آموزش یک شبکه عصبی ، می تواند کارهای مشابه دیگر را نیز انجام دهد. به طور کلی، یک شبکه عصبی آموزش دیده در شرایط خاص قابل تکرار نیست. به عبارت دیگر، در شرایط مختلف به خوبی کار نخواهد کرد. از سوی دیگر، توسعه دهندگان یاد گرفته اند که چگونه به سرعت هوش مصنوعی را برای نیازهای یک پروژه خاص آموزش دهند. مهمترین نیاز، داشتن فیلم ویدئویی کافی است.

تا حدودی جدا از آن، استفاده از شبکه های عصبی در تشخیص چهره و خودکار پلاک است . این نمونه ای از شبکه های عصبی قابل تکرار است (یک بار آموزش دهید، در همه جا مستقر شوید)، که آنها را از نظر تجاری جذاب تر می کند. اگر شبکه‌های عصبی غیرقابل تکرار به تازگی به دلیل تکامل سریع سخت‌افزار تخصصی (مثلاً محصول فوق‌الذکر اینتل) از نظر اقتصادی امکان‌پذیر شده‌اند، پس استفاده از هوش مصنوعی در تشخیص چهره و ANPR برای مدت طولانی به خوبی تثبیت شده است.

نوع دیگری از تجزیه و تحلیل هوش مصنوعی که ما بررسی خواهیم کرد، تجزیه و تحلیل رفتار است. این عملکرد، احتمالاً بیش از هر عملکرد دیگری، سیستم های نظارت تصویری را به درک آنچه در دوربین روی می دهد نزدیک می کند. پتانسیل آن بسیار زیاد است.

تجزیه و تحلیل رفتار چگونه کار می کند

از نقطه نظر فنی، تجزیه و تحلیل رفتار، هوش مصنوعی را با رویکرد الگوریتمی کلاسیک ترکیب می کند. یک شبکه عصبی آموزش دیده بر روی سناریوهای متعدد می تواند موقعیت بدن، سر و اندام انسان را در میدان دید دوربین تعیین کند. این الگوریتم آرایه ای از داده ها را که حاوی توضیحاتی از موقعیت های آنهاست، خروجی می دهد.

می‌توان شرایطی را برای داده‌ها تنظیم کرد تا یک وضعیت خاص را تشخیص دهد، مانند دست‌های بالا، سجده‌کرده یا افراد خمیده. توسعه دهندگان می توانند از این برای ایجاد سریع ابزارهای تشخیص جدید برای شناسایی رفتار بالقوه خطرناک مشخص شده توسط یک مشتری دولتی یا تجاری استفاده کنند. نیازی به آموزش اضافی شبکه عصبی نیست.

چگونه تجزیه و تحلیل رفتار می تواند مستقر شود

کسی که در کنار دستگاه خودپرداز خمیده است می تواند یک تکنسین، نگهبان CIT یا سارق باشد. در هر یک از موارد باید به امنیت بانک اطلاع داده شود.

فردی که در موقعیت تیراندازی قرار دارد ، همراه با یک کارمند بانک یا صندوقدار با دست های بالا می تواند نشان دهنده سرقت باشد. این سیستم می تواند به گونه ای پیکربندی شود که به طور خودکار هشدارها را همراه با یک عکس نظارتی به پلیس ارسال کند تا آنها بتوانند تهدید را ارزیابی کرده و در صورت نیاز اقدام کنند. دریافت هشدار توسط پلیس حیاتی است، حتی اگر کارمند نتواند زنگ هشدار را فعال کند.

در بسیاری از موارد باید به سجده‌ای توجه کرد . این ممکن است شخصی باشد که به کمک فوری نیاز دارد، یا ممکن است کسی باشد که در یک مکان عمومی نامناسب، به عنوان مثال، یک فضای خودپرداز 24/7 خوابیده است.

همچنین می توان از تجزیه و تحلیل رفتاری برای اطمینان از ایمنی محل کار استفاده کرد. به عنوان مثال، ردیابی اینکه آیا کارکنان هنگام استفاده از پله ها در یک مرکز تولیدی یا یک سایت ساخت و ساز، نرده ها را در دست گرفته اند یا خیر.