هوش مصنوعی و AcuSense در سیستم های نظارت تصویری؛ از تشخیص حرکت تا تحلیل هوشمند رویدادها

هوش مصنوعی و AcuSense در سیستم های نظارت تصویری؛ از تشخیص حرکت تا تحلیل هوشمند رویدادها

در سال های اخیر، هوش مصنوعی به یکی از مهم ترین تغییرات در صنعت سیستم های نظارت تصویری تبدیل شده است.

تا چند سال قبل، بیشتر دوربین های مداربسته وظیفه اصلی خود را در ثبت و ذخیره تصویر خلاصه می کردند. اگر اتفاقی رخ می داد، اپراتور یا کاربر باید ساعت ها تصاویر ضبط شده را بررسی می کرد تا به لحظه موردنظر برسد.

امروز شرایط متفاوت شده است.

دوربین ها و دستگاه های ضبط جدید می توانند بخشی از تحلیل تصویر را به صورت هوشمند انجام دهند و رویدادهای مهم را از اتفاقات کم اهمیت تر تفکیک کنند.

در اکوسیستم هایک ویژن، فناوری هایی مانند AcuSense در همین مسیر توسعه پیدا کرده اند.

اما از دیدگاه طراحی سیستم های امنیتی، مهم ترین سوال این نیست که یک دوربین «هوش مصنوعی دارد یا نه».

سوال اصلی این است:

این هوش مصنوعی دقیقا چه مشکلی از پروژه را حل می کند؟

مشکل اصلی سیستم های سنتی چیست؟

فرض کنید یک دوربین در حیاط یک ساختمان نصب شده و قابلیت تشخیص حرکت دارد.

در طول شب ممکن است برگ درختان حرکت کنند، حشرات مقابل لنز قرار بگیرند، نور خودرو وارد تصویر شود یا سایه ای روی زمین ایجاد شود.

سیستم سنتی ممکن است بسیاری از این موارد را به عنوان Motion Detection ثبت کند.

نتیجه چیست؟

صدها یا حتی هزاران هشدار که بخش زیادی از آن ها هیچ ارزش امنیتی ندارند.

کاربر بعد از مدتی با حجم زیادی از هشدارهای غیرضروری مواجه می شود و ممکن است هشدارهای مهم را هم نادیده بگیرد.

اینجاست که تحلیل هوشمند تصویر اهمیت پیدا می کند.

AcuSense چه کاری انجام می دهد؟

AcuSense در محصولات مختلف هایک ویژن برای قابلیت هایی مانند تشخیص انسان و خودرو و کاهش هشدارهای ناشی از اهداف غیرمرتبط به کار گرفته شده است.

به زبان ساده، سیستم تلاش می کند بین یک رویداد حرکتی معمولی و یک هدف مهم امنیتی تفاوت ایجاد کند.

برای مثال، اگر برگ درخت حرکت کند، سیستم نباید آن را با ورود یک فرد به محدوده یکسان در نظر بگیرد.

هدف این است که تمرکز سیستم بیشتر روی رویدادهایی باشد که برای امنیت پروژه اهمیت دارند.

البته عملکرد دقیق این قابلیت ها به مدل دوربین، دستگاه ضبط، نسخه نرم افزار و شرایط محیطی بستگی دارد.

بنابراین نباید تمام محصولات دارای نام AcuSense را از نظر امکانات و عملکرد یکسان فرض کرد.

هوش مصنوعی جای اپراتور را نمی گیرد

یکی از برداشت های اشتباه درباره AI در سیستم های امنیتی این است که تصور کنیم بعد از نصب دوربین هوشمند، دیگر نیازی به انسان وجود ندارد.

این نگاه واقع بینانه نیست.

هوش مصنوعی ابزار کمکی است.

هدف آن کاهش حجم اطلاعات و کمک به اپراتور برای پیدا کردن رویدادهای مهم است.

در یک پروژه بزرگ، اگر ۱۰۰ دوربین به صورت شبانه روزی تصویر ضبط کنند، بررسی دستی تمام تصاویر عملا بسیار زمان بر است.

اگر سیستم بتواند بخشی از این تصاویر را براساس نوع هدف یا رویداد دسته بندی کند، کار اپراتور بسیار ساده تر می شود.

بنابراین ارزش AI در بسیاری از پروژه ها بیشتر از اینکه «جایگزین انسان» باشد، در کاهش بار کاری انسان است.

Motion Detection با تشخیص انسان یکی نیست

این تفاوت باید برای کاربر کاملا روشن باشد.

Motion Detection معمولا به تغییرات قابل توجه در تصویر حساس است.

اما تشخیص انسان یا خودرو تلاش می کند نوع هدف را نیز تحلیل کند.

فرض کنید در محوطه ای باد شدید وجود دارد و شاخه های درخت دائما حرکت می کنند.

اگر فقط Motion Detection فعال باشد، احتمال ایجاد هشدارهای متعدد وجود دارد.

اما اگر سیستم بتواند انسان و خودرو را از سایر تغییرات تصویر تفکیک کند، تعداد هشدارهای غیرضروری می تواند کاهش پیدا کند.

این موضوع در محیط های باز اهمیت زیادی دارد.

کاهش False Alarm چرا مهم است؟

یکی از مهم ترین مزایای تحلیل هوشمند تصویر، کاهش هشدارهای کاذب یا False Alarm است.

هشدار کاذب فقط یک مزاحمت ساده نیست.

اگر یک سیستم امنیتی روزانه ده ها هشدار غیرضروری ایجاد کند، کاربر به مرور اعتماد خود را نسبت به هشدارها از دست می دهد.

در نتیجه ممکن است زمانی که یک اتفاق واقعی رخ می دهد، هشدار جدی گرفته نشود.

پس کاهش هشدارهای کاذب می تواند مستقیما روی قابلیت استفاده از سیستم امنیتی تاثیر بگذارد.

آیا AI همیشه دقیق است؟

خیر.

این نکته را باید صادقانه گفت.

هیچ سیستم تحلیل تصویری را نباید بدون خطا تصور کرد.

شرایط نور، زاویه دوربین، فاصله سوژه، اندازه هدف، کیفیت تصویر، پوشش گیاهی، باران، مه، گردوغبار و حتی نحوه نصب دوربین می توانند روی عملکرد تحلیل هوشمند تاثیر بگذارند.

اگر دوربین در نقطه نامناسب نصب شده باشد، انتظار عملکرد عالی از الگوریتم هوش مصنوعی منطقی نیست.

به همین دلیل، کیفیت طراحی ورودی سیستم برای عملکرد AI بسیار مهم است.

دوربین هوشمند، تصویر مناسب می خواهد

این اصل را باید جدی گرفت.

اگر چهره فرد در تصویر بسیار کوچک باشد، اگر سوژه دائما در تاریکی قرار داشته باشد یا اگر زاویه دوربین نامناسب باشد، الگوریتم نیز با اطلاعات محدودی مواجه خواهد شد.

هوش مصنوعی نمی تواند اطلاعاتی را که دوربین ثبت نکرده است، از هیچ تولید کند.

به همین دلیل، انتخاب لنز، رزولوشن، ارتفاع نصب، زاویه دید و شرایط نور که در یادداشت های قبلی درباره آن ها صحبت کردیم، مستقیما روی عملکرد تحلیل هوشمند اثر دارند.

این موضوع نشان می دهد که بخش های مختلف طراحی سیستم از یکدیگر جدا نیستند.

AcuSense و کاربرد در پروژه های واقعی

فرض کنیم یک انبار بزرگ داریم که چندین دوربین در محوطه آن نصب شده است.

هدف کارفرما این است که اگر فردی خارج از ساعات کاری وارد محدوده شد، هشدار دریافت کند.

در چنین شرایطی می توان از قابلیت های تشخیص انسان برای کاهش هشدارهای ناشی از حرکت های غیرمرتبط استفاده کرد.

در یک پروژه دیگر ممکن است هدف، تشخیص ورود خودرو به یک محدوده مشخص باشد.

در اینجا نیز تشخیص خودرو می تواند نسبت به Motion Detection ساده اطلاعات کاربردی تری ایجاد کند.

اما طراحی باید بر اساس سناریوی واقعی انجام شود.

Intrusion Detection و Line Crossing

در سیستم های تحلیل تصویر، قابلیت هایی مانند تشخیص ورود به محدوده یا عبور از یک خط نیز اهمیت زیادی دارند.

برای مثال، در یک محوطه ممنوعه می توان محدوده ای تعریف کرد که ورود افراد به آن باعث ایجاد رویداد شود.

یا در یک ورودی می توان خط مجازی تعریف کرد و عبور از آن را بررسی کرد.

این قابلیت ها زمانی ارزش واقعی دارند که محدوده و جهت حرکت به درستی طراحی شده باشد.

اگر خط مجازی در نقطه نامناسبی قرار گیرد، ممکن است هشدارهای غیرضروری ایجاد کند.

بنابراین تنظیم نرم افزار نیز بخشی از فرآیند طراحی است.

هوش مصنوعی روی دوربین یا NVR؟

در معماری سیستم های نظارت تصویری، تحلیل هوشمند می تواند بسته به محصول و طراحی، روی خود دوربین، دستگاه ضبط یا در برخی ساختارها روی تجهیزات پردازشی دیگر انجام شود.

این موضوع از نظر ظرفیت سیستم اهمیت دارد.

اگر تعداد زیادی دوربین هوشمند داشته باشیم، باید بررسی کنیم دستگاه ضبط یا زیرساخت موردنظر ظرفیت لازم برای پردازش قابلیت های موردنیاز را دارد یا خیر.

صرف اینکه روی دوربین عبارت AI نوشته شده باشد، به معنی آن نیست که تمام قابلیت های هوشمند موردنظر در هر ساختاری قابل استفاده هستند.

مدل دقیق تجهیزات باید بررسی شود.

آیا همه پروژه ها به هوش مصنوعی نیاز دارند؟

قطعا نه.

این یکی از مواردی است که باید در طراحی حرفه ای صادقانه برخورد کرد.

اگر در یک پروژه کوچک، کاربر فقط می خواهد تصویر را ببیند و ضبط کند، ممکن است هزینه کردن برای مجموعه ای از قابلیت های هوشمند ضرورت نداشته باشد.

اما در پروژه های بزرگ، محیط های حساس، کارخانه ها، انبارها، فروشگاه ها و فضاهایی که حجم تصاویر زیاد است، تحلیل هوشمند می تواند ارزش بسیار بیشتری ایجاد کند.

متخصص نباید هر قابلیت جدیدی را صرفا به دلیل جدید بودن پیشنهاد دهد.

اول باید نیاز پروژه مشخص شود.

AI در هایک ویژن؛ مزیت زمانی معنا دارد که درست طراحی شود

هایک ویژن در سال های اخیر بخش قابل توجهی از توسعه محصولات خود را روی تحلیل هوشمند تصویر و قابلیت هایی مانند AcuSense متمرکز کرده است.

این امکانات در صورت انتخاب درست محصول و طراحی صحیح می توانند ارزش قابل توجهی برای پروژه ایجاد کنند.

اما نباید از یاد برد که برند، جایگزین طراحی نیست.

حتی بهترین الگوریتم نیز به تصویر مناسب نیاز دارد.

اگر دوربین در زاویه نامناسب نصب شده باشد، نور کافی وجود نداشته باشد یا سوژه در فاصله نامناسب قرار گرفته باشد، عملکرد سیستم می تواند تحت تاثیر قرار گیرد.

مهم تر از AI، سناریوی امنیتی است

به نظر من یکی از مهم ترین مراحل طراحی سیستم هوشمند، تعریف سناریو است.

قبل از انتخاب دوربین باید بدانیم:

چه اتفاقی باید تشخیص داده شود؟

چه کسی باید هشدار را دریافت کند؟

در چه ساعتی سیستم فعال باشد؟

کدام محدوده ها حساس هستند؟

چه نوع هدفی اهمیت دارد؟

و بعد از ایجاد هشدار، چه اقدامی باید انجام شود؟

اگر این سوال ها پاسخ داده نشوند، ممکن است یک سیستم بسیار پیشرفته داشته باشیم که در عمل استفاده مناسبی از آن نمی شود.

تجربه اجرا؛ جایی که AI واقعا آزمایش می شود

در پروژه های واقعی، ممکن است الگوریتم روی کاغذ عملکرد بسیار خوبی داشته باشد، اما شرایط محیط با چیزی که در آزمایشگاه وجود دارد متفاوت باشد.

نور متغیر، باران، گردوغبار، حرکت خودروها، پوشش گیاهی، زاویه نصب و فاصله سوژه می توانند شرایط را تغییر دهند.

به همین دلیل، تنظیم و آزمایش سیستم بعد از نصب اهمیت زیادی دارد.

گاهی باید محدوده تشخیص تغییر کند، حساسیت تنظیم شود یا زاویه دوربین اصلاح شود.

این مرحله بخش مهمی از اجرای حرفه ای سیستم است.

جمع بندی

هوش مصنوعی قرار نیست سیستم نظارت تصویری را جادویی کند.

ارزش واقعی AI زمانی ایجاد می شود که روی یک زیرساخت درست، تصویر مناسب و یک سناریوی امنیتی مشخص قرار بگیرد.

AcuSense و فناوری های مشابه می توانند در تشخیص انسان و خودرو، کاهش هشدارهای غیرضروری و مدیریت بهتر رویدادها بسیار مفید باشند، اما نباید انتظار داشت الگوریتم تمام مشکلات یک طراحی ضعیف را برطرف کند.

از نگاه یک طراح سیستم امنیتی، ترتیب درست تصمیم گیری این است:

نیاز امنیتی → سناریو → محل نصب → دوربین و لنز → زیرساخت شبکه → قابلیت هوشمند → تنظیم و آزمایش

نه اینکه ابتدا یک دوربین AI خریداری کنیم و بعد به دنبال کاربرد آن بگردیم.

در نهایت، هدف از هوشمندسازی سیستم نظارت تصویری این نیست که تجهیزات بیشتری در اختیار داشته باشیم؛ هدف این است که از میان حجم زیادی از اطلاعات تصویری، رویدادهای مهم را سریع تر، دقیق تر و با دخالت انسانی کمتر پیدا کنیم.

اگر این هدف محقق شود، هوش مصنوعی واقعا به امنیت پروژه کمک کرده است؛ در غیر این صورت، AI فقط یک قابلیت جذاب روی کاغذ خواهد بود.