محصول مورد نظر با موفقیت به سبد خرید افزوده شد.

هوش مصنوعی هایک ویژن چگونه از هشدار های کاذب جلوگیری می کند؟

  • دوشنبه 17 دی 1397
  • مقالات

دوربین مدار بسته

سیستم هشدار در بیشتر دوربین ها و تجهیزات مداربسته دیده می­شود و یک فاکتور کمک کننده برای برقراری امنیت یک محیط محسوب می­شود. اما بیشتر اوقات چنین مزیتی به یک ایراد بزرگ تبدیل می­گردد، چون بحث هشدارهای نادرست و تفکیک آنها از موارد واقعی مطرح می­شود. هشدارهای کاذب اغلب بخاطر عدم موفقیت دوربین مداربسته در تشخیص سوژه ها اتفاق می­افتند و بسیار آزاردهنده باشند. ایجاد هشدار های نادرست و دفعات آنها به اندازه زیادی به نوع سیستم مداربسته ای که استفاده می کنید وابسته است. شرکت هایک ویژن توانسته با ادغام تکنولوژی هوش مصنوعی خود با الگوریتم تشخیصی در سیستم های مداربسته به اندازه زیادی وقوع هشدار های کاذب را کاهش دهد.

فناوری Deep Learning هایک ویژن با توانایی محاسباتی بالای خود در حال فراگیر شدن در سطح جهانی می­باشد. شرکت هایک ویژن در خط مقدم استفاده از این تکنولوژی در صنعت نظارت و حفاظتی قرار داشته و در حال حاضر اولین مجموعه از محصولات خود را که مجهز به قدرت هوش مصنوعی (AI) هستند را روانه بازار کرده است. مفهوم Deep Learning در هایک ویژن الهام گرفته از نحوه عملکرد مغز انسان می­باشد. مغز انسان را می­توان به عنوان مثالی فراگیر از مدل Deep Learning در نظر گرفت. شبکه عصبی مغز شامل میلیاردها نورون متصل به هم می­باشد که Deep Learning شبیه سازی از این ساختار می­باشد. این شبکه های چند لایه قادرند اطلاعات را جمع آوری کرده و اقدامات مربوطه را بر اساس تحلیل آن اطلاعات انجام دهند.

جایگاه هوش مصنوعی در سیستم های مداربسته

در دو سال گذشته، این تکنولوژی در تشخیص گفتار، دید رایانه ای، ترجمه صوتی و … پیشرفت های زیادی داشته است. و حتی از توانایی های انسانی در زمینه تشخیص چهره (Face Detection) و طبقه بندی تصاویر نیز فراتر رفته است. به همین دلیل، در زمینه صنعت نظارت تصویری به آن توجه بسیاری می­شود. توانایی هوش مصنوعی Deep Learning هایک ویژن برای تشخیص و تمایز افراد از سایر موجودات (حیوانات) سبب استفاده این فناوری در پروژه های متفاوت امنیتی شده است. یکی از مشکلاتی که بسیار در این پروژه ها دیده می­شود، هشدارهای کاذبی است که 94%-99% از کلیه هشدارها را تشکیل می­دهند. این یک ضعف بزرگ در یک سیستم نظارتی محسوب می­گردد و باعث بر هم خوردن نظم سیستم و افزایش هزینه ها می­شود.

سیستم های نظارتی قدیمی معمولا می­توانند سوژه های در حال حرکت را بدون تحلیل های پیشرفته تشخیص دهند. حتی دوربین های هوشمند تحت شبکه هایک ویژن نیز تنها می توانند اجزا مختلف را به شکل یک به یک و کلی نمایش دهند، و این باعث از قلم افتادن برخی از ویژگی ها و جزئیات دیگر می­شود. (برای مثال می تواند تصویر کلی از صورت انسان نمایش دهد و جزئیات دیگر مانند فرم چانه، پیشانی و … را نمایش نمی دهد)، پس کلا دقت کار کمتر می­شود.

راهکارهای قدیمی

برای ارتقا عملکرد سیستم دوربین مدار بسته در محیط های خارجی و بزرگ به فناوری های پیشرفته دیگری نیز نیاز داریم اما آنها نیز دارای نقص ها و کاستی هایی می­باشند. به عنوان مثال یکی از چالش هایی که در یک سیستم مداربسته وجود دارد تصویربرداری در شب می­باشد. دتکتورهای نور IR هایک ویژن شاید بتوانند مشکلاتی را حل کنند اما آنها نیز نسبت به هشدارهای نادرست ناشی از ورود حیوانات در شرایطی که هدف سوژه های انسانی می­باشند، حساس اند. از طرفی برای حفظ امنیت مکان مورد نظر راه حل دیگر استفاده از حصارهای الکترونیکی است که به نوبه خود خطرناک بوده و یا مناسب مناطقی خاص می­باشند. اکثر این راهکارها اغلب پر هزینه بوده و یا استفاده از آن ها دارای پیچیدگی های خاصی می­باشد.

نحوه عملکرد Deep Learning در تفکیک هشدار های کاذب

سوژه هایی از قبیل حیوانات مختلف، برگ درختان یا حتی نور (برای مثال چراغ ماشین) می توانند باعث ایجاد هشدار های کاذب شوند، بنابراین توانایی شناسایی و تمایز انسان از این سوژه ها توسط زیرمجموعه های فناوری تجزیه و تحلیل VCA هایک ویژن به شدت می تواند دقت عملکردی سیستم را بهتر کند. هشدار های کاذب که دائما و پشت سر هم اتفاق می افتند معمولا مشکل آزار دهنده ای برای کاربران به حساب میایند زیرا باید وقت زیادی صرف بررسی هر کدام گردد که به شدت باعث به تاخیر افتادن پاسخ های ضروری به آنها می­شود.  

برای مثال، فرض کنید که محل نصب دوربین ها مکانی نسبتا آرام بوده و در شب هنگام تنها چند اتومبیل و افراد کمی در حال تردد در آن هستند. حتی در این فضا نیز، تعداد هشدار های کاذب می تواند به 50 مورد برسد. خب حداقل 2 الی 3 دقيقه زمان لازم است تا هر هشدار کاذب بررسی شود و اگر تنها 3 مورد از این 50 مورد علت واقعی داشته باشند و زمان بررسی هرکدام را 15 دقیقه در نظر بگیریم می شود 45 دقیقه . حال فردی که برای نگهبانی در محل حضور دارد نیز باید به بررسی و کنترل سیستم مداربسته و همچنین مکان مورد نظر پرداخته و مشاهده کند که آیا فردی بدون اجازه وارد محل شده است یا خیر. در بیشتر سازمان ها تمامی جزئیات این پروسه باید مکتوب و گزارش شود که خود کاری زمان بر خواهد بود. بنابراین تمامی آن 50 هشدار کاذب می تواند در هر شب منجر به هدر رفتن 2 ساعت زمان گردد و هزینه ی زیادی را چه از نظر زمانی و چه مالی بر سیستم تحمیل نماید.

مزایا

با وجود فناوری Deep Learning وضعیت خیلی فرق خواهد کرد. اساس عملکرد سیستمی که بر پایه هوش مصنوعی Deep Learning هایک ویژن کار می کند در اختیار داشتن حجم بالایی از داده ها و نحوه طبقه بندی آنهاست. با وجود حجم زیادی از داده های با کیفیت که توسط دوربین ها و منابع دیگر ثبت می­شوند، و همچنین بیش از صدها نفر از کارکنان شرکت که این اطلاعات را دسته بندی و برچسب گذاری می کنند داده های سمپل با میلیون ها دسته بندی در این بخش انباشته شده اند. با استفاده از این مقدار داده (شامل داده های انسانی، حیوانات، وسایل نقلیه و …)، مدل های تشخیصی، عملکرد بهتر و دقیق تری خواهند داشت. بر اساس آزمایشات انجام شده، دقت تشخیص در این راه کار ها با استفاده از الگوریتم فراگیر Deep Learning، دقت سیستم را تا 38٪ افزایش می دهد. با توجه به این موضوع در مثال قبلی، می توان تقریبا یک ساعت در هر شب از زمان هدر رفته کمتر کرد.

کاربردهای دیگر Deep Learning

همچنین Deep Learning در هایک ویژن دارای کاربردهای عملی و پیچیده دیگری نیز می­باشد. برای مثال موقعیتی را در نظر بگیرید که سقوط کردن (فرد یا جسم) خطری تهدید کننده حساب می­شود، برای مثال در خانه سالمندان یا کودکستان می توان آستانه ارتفاع را در حد 0.5 متر و زمان طی شده را روی 10 ثانیه تنظیم کرد. در این صورت اگر فردی در حال سقوط و زمین خوردن باشد و ارتفاع آن از سطح زمین به زیر نیم متر برسد و بیش از ده ثانیه روی زمین بماند سیستم با ارزیابی پارامتر های موجود هشدار را فعال می­سازد.

با شناخت ویژگی ها و مزایایی مانند این، می­توانید به سادگی به انواع راهکارهایی که Deep Learning می تواند ارائه کند پی ببرید.

ما را در جوامع مجازی دنبال کنید!

محصولات ویژه