AcuSense و هوش مصنوعی در سیستم های نظارت تصویری؛ از تشخیص حرکت تا تصمیم گیری هوشمن

AcuSense و هوش مصنوعی در سیستم های نظارت تصویری؛ از تشخیص حرکت تا تصمیم گیری هوشمند

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

تقریبا در مشخصات بسیاری از دوربین ها و دستگاه های ضبط امروزی می توان عباراتی مانند AI، Human Detection، Vehicle Detection، Line Crossing یا Intrusion Detection را دید.

اما یک سوال مهم وجود دارد:

آیا اضافه شدن هوش مصنوعی واقعا یک سیستم نظارت تصویری را هوشمند می کند؟

پاسخ من این است: همیشه نه.

هوش مصنوعی زمانی ارزش واقعی دارد که برای یک مسئله مشخص امنیتی طراحی و درست تنظیم شود. اگر فقط چند قابلیت هوشمند را فعال کنیم، بدون اینکه بدانیم دقیقا چه چیزی را باید تشخیص دهیم و چه هشداری برای کاربر ارزش دارد، ممکن است نتیجه چیزی جز افزایش تعداد هشدارهای غیرضروری نباشد.

در محصولات هایک ویژن، فناوری هایی مانند AcuSense با هدف دقیق تر کردن تشخیص و کاهش برخی هشدارهای کاذب توسعه پیدا کرده اند. اما استفاده حرفه ای از این قابلیت ها نیازمند شناخت محدودیت ها و طراحی درست است.

مشکل تشخیص حرکت سنتی چیست؟

در یک سیستم ساده تشخیص حرکت، دوربین یا دستگاه ضبط معمولا براساس تغییرات تصویر تصمیم می گیرد.

اگر چیزی در تصویر حرکت کند، سیستم می تواند آن را به عنوان Motion تشخیص دهد.

اما مشکل اینجاست که هر حرکتی الزاما تهدید امنیتی نیست.

حرکت برگ درختان، تغییر نور، باران، سایه، حشرات، عبور حیوانات یا حتی تغییرات محیطی می توانند باعث ایجاد هشدار شوند.

در یک پروژه کوچک شاید این مسئله چندان مهم نباشد.

اما وقتی تعداد دوربین ها زیاد شود، تعداد هشدارهای غیرضروری می تواند به شدت افزایش پیدا کند.

AcuSense چه مسئله ای را هدف قرار می دهد؟

یکی از کاربردهای مهم AcuSense، تشخیص و تفکیک بهتر انسان و وسیله نقلیه از برخی حرکات غیرمرتبط است.

یعنی سیستم تلاش می کند به جای اینکه صرفا بگوید:

«چیزی حرکت کرد»

اطلاعات دقیق تری ارائه کند:

«احتمالا یک انسان وارد محدوده شده است.»

یا:

«یک وسیله نقلیه وارد منطقه موردنظر شده است.»

این تفاوت در پروژه های امنیتی بسیار مهم است.

چرا کاهش هشدار کاذب اهمیت دارد؟

تصور کنید یک مجموعه دارای ۳۰ دوربین است.

اگر هر دوربین در طول شب چندین هشدار غیرضروری ایجاد کند، اپراتور با حجم بسیار زیادی از Alert مواجه خواهد شد.

در چنین شرایطی حتی اگر سیستم از نظر فنی هشدار تولید کند، ارزش عملی آن کاهش پیدا می کند.

زیرا اپراتور نمی تواند همه هشدارها را با دقت بررسی کند.

یک سیستم هوشمند خوب باید کمک کند تعداد هشدارهای مهم از میان حجم زیاد اتفاقات معمولی مشخص شوند.

هوش مصنوعی جایگزین اپراتور نیست

این نکته بسیار مهم است.

هوش مصنوعی قرار نیست مسئولیت تصمیم گیری امنیتی را به طور کامل از انسان بگیرد.

AI می تواند به شناسایی، دسته بندی و اولویت بندی رویدادها کمک کند.

اما شرایط پروژه، اهمیت رویداد و تصمیم نهایی همچنان به طراحی سیستم و نحوه استفاده کاربر وابسته است.

بنابراین بهتر است هوش مصنوعی را به عنوان یک ابزار کمکی برای افزایش بهره وری و دقت ببینیم.

Intrusion Detection

یکی از قابلیت های مهم سیستم های هوشمند، تشخیص ورود به یک منطقه تعریف شده است.

در یک سناریوی ساده، می توان محدوده ای را روی تصویر مشخص کرد و سیستم را طوری تنظیم کرد که ورود یک انسان یا خودرو به آن محدوده را بررسی کند.

این قابلیت در محیط هایی مانند:

انبارها،

محوطه های صنعتی،

مناطق ممنوعه،

پشت بام ها،

ورودی های کنترل شده

و محوطه های پیرامونی می تواند کاربرد زیادی داشته باشد.

اما کیفیت نتیجه به محل نصب دوربین و نحوه تعریف منطقه وابسته است.

Line Crossing

در بعضی پروژه ها به جای یک منطقه، عبور از یک خط اهمیت دارد.

برای مثال می توان خطی فرضی روی ورودی یک مجموعه تعریف کرد و سیستم را برای تشخیص عبور از آن تنظیم کرد.

اما باز هم یک نکته مهم وجود دارد:

اگر دوربین زاویه مناسبی نداشته باشد، تشخیص ممکن است دقت مطلوبی نداشته باشد.

بنابراین قابلیت هوشمند هرگز نباید از طراحی تصویربرداری جدا شود.

Face Detection با Face Recognition متفاوت است

این موضوع یکی از اشتباهات رایج در بازار است.

تشخیص چهره به این معنی نیست که سیستم هویت فرد را تشخیص داده است.

Face Detection یعنی سیستم متوجه شود یک چهره در تصویر وجود دارد.

اما Face Recognition به فرآیند تشخیص یا تطبیق هویت مربوط می شود.

این دو مفهوم از نظر فنی متفاوت هستند و نباید هنگام طراحی پروژه با یکدیگر اشتباه گرفته شوند.

شرایط نصب روی عملکرد AI تاثیر دارد

هوش مصنوعی هرچقدر هم پیشرفته باشد، اگر تصویر ورودی مناسب نباشد، نتیجه مطلوب نخواهد بود.

اگر دوربین بیش از حد بالا نصب شود، زاویه دید نامناسب باشد، نور کافی وجود نداشته باشد یا سوژه بیش از حد دور باشد، عملکرد الگوریتم نیز محدود می شود.

به همین دلیل، کیفیت AI تا حد زیادی به کیفیت داده ورودی وابسته است.

دوربین خوب + نصب بد = سیستم هوشمند ضعیف

این یک اصل مهم در طراحی است.

نور و AI

نور یکی از عوامل بسیار مهم در عملکرد تشخیص هوشمند است.

در شب، اگر تصویر بیش از حد تاریک باشد یا سوژه به درستی دیده نشود، الگوریتم نیز اطلاعات کمتری برای تحلیل خواهد داشت.

بنابراین قابلیت های هوشمند باید همراه با بررسی شرایط نور روز و شب طراحی شوند.

گاهی اصلاح نور محیط یا زاویه دوربین می تواند بیشتر از تغییر نرم افزار روی نتیجه تاثیر داشته باشد.

دوربین هوشمند یا NVR هوشمند؟

در معماری سیستم های نظارت تصویری، پردازش قابلیت های هوشمند می تواند در نقاط مختلف انجام شود.

بسته به مدل و معماری محصول، بخشی از پردازش می تواند در خود دوربین و بخشی در دستگاه ضبط انجام شود.

بنابراین هنگام انتخاب تجهیزات باید مشخص شود قابلیت موردنظر دقیقا در کدام تجهیز پردازش می شود و ظرفیت آن برای تعداد دوربین های پروژه چقدر است.

این موضوع مخصوصا در پروژه های بزرگ اهمیت دارد.

AI و پهنای باند

قابلیت های هوشمند معمولا نباید به صورت جدا از شبکه طراحی شوند.

در یک پروژه IP، همچنان ترافیک تصویر، Streamها، ضبط و دسترسی کاربران وجود دارد.

اگر تعداد دوربین ها زیاد باشد، طراحی شبکه باید متناسب با حجم اطلاعات انجام شود.

یادداشت قبلی این مجموعه درباره پهنای باند دقیقا به همین دلیل اهمیت داشت.

هوش مصنوعی یک لایه جدید روی سیستم اضافه می کند، اما زیرساخت شبکه همچنان باید درست طراحی شده باشد.

AI و Storage

قابلیت های هوشمند همچنین می توانند روی نحوه جست وجو و مدیریت تصاویر اثر بگذارند.

برای مثال، اگر سیستم بتواند رویدادهای مربوط به انسان یا خودرو را دسته بندی کند، کاربر می تواند سریع تر به بخش های مرتبط آرشیو دسترسی پیدا کند.

این موضوع ارزش بسیار زیادی دارد.

چون در سیستم های بزرگ، پیدا کردن یک رویداد در میان ساعت ها یا روزها تصویر می تواند بسیار زمان بر باشد.

هوش مصنوعی می تواند این فرآیند را هدفمندتر کند.

هوش مصنوعی زمانی ارزش دارد که کاربر بتواند از نتیجه استفاده کند

فرض کنیم یک سیستم روزانه هزار هشدار تولید می کند.

اگر اپراتور نتواند این هشدارها را مدیریت کند، داشتن قابلیت AI به تنهایی مزیت بزرگی ایجاد نمی کند.

بنابراین در طراحی باید مشخص کنیم:

چه رویدادی مهم است؟

چه کسی هشدار را دریافت می کند؟

چه زمانی باید هشدار ارسال شود؟

چه تعداد هشدار قابل مدیریت است؟

و واکنش بعد از هشدار چیست؟

این ها بخش مهمی از طراحی سیستم هوشمند هستند.

تعریف منطقه تشخیص بسیار مهم است

اگر محدوده تشخیص بیش از حد بزرگ تعریف شود، ممکن است رویدادهای غیرضروری افزایش پیدا کنند.

اگر محدوده بیش از حد کوچک باشد، ممکن است بخشی از رویداد واقعی از دست برود.

بنابراین تعریف Region یا Zone باید با توجه به سناریوی واقعی انجام شود.

مثلا در یک انبار، شاید فقط محدوده درب اضطراری اهمیت داشته باشد، نه کل تصویر.

این موضوع می تواند تعداد هشدارهای غیرضروری را کاهش دهد.

زمان بندی هشدارها

همه هشدارها در تمام ساعات شبانه روز ارزش یکسان ندارند.

در یک فروشگاه، ورود انسان در ساعات کاری کاملا طبیعی است، اما همان رویداد بعد از بسته شدن فروشگاه می تواند مهم باشد.

بنابراین زمان بندی نیز بخشی از طراحی هوشمند سیستم است.

به جای اینکه سیستم همیشه هشدار بدهد، باید مشخص کنیم چه رویدادی، در چه محدوده ای و در چه زمانی اهمیت امنیتی دارد.

AcuSense و واقع بینی در پروژه

یکی از نکاتی که به عنوان متخصص سیستم های امنیتی باید صادقانه به کارفرما توضیح داد این است که هیچ الگوریتمی در همه شرایط صددرصد بدون خطا نیست.

شرایط محیط، زاویه دوربین، نور، فاصله، کیفیت تصویر و نوع صحنه می توانند روی عملکرد تشخیص تاثیر بگذارند.

بنابراین نباید صرفا بر اساس تبلیغات، انتظار غیرواقعی از سیستم ایجاد کرد.

طراحی حرفه ای یعنی قابلیت های AI را در شرایط واقعی پروژه آزمایش کنیم.

AI نباید جایگزین طراحی فیزیکی شود

اگر یک محوطه دارای نقاط کور باشد، نمی توان با فعال کردن هوش مصنوعی این مشکل را برطرف کرد.

اگر چهره افراد به دلیل فاصله زیاد قابل مشاهده نباشد، AI نمی تواند اطلاعاتی را که در تصویر وجود ندارد ایجاد کند.

اگر نور بسیار ضعیف باشد، الگوریتم نیز با داده ورودی ضعیف مواجه خواهد شد.

بنابراین:

هوش مصنوعی مکمل طراحی درست است، نه جایگزین آن.

انتخاب تعداد دوربین بر اساس AI

گاهی ممکن است با یک دوربین دارای قابلیت هوشمند، بخشی از نیاز پروژه تامین شود.

اما گاهی برای پوشش صحیح یک منطقه باید چند دوربین نصب شود.

در چنین شرایطی نباید به خاطر داشتن AI تعداد دوربین ها را بیش از حد کاهش داد.

پوشش مناسب، زاویه مناسب و کیفیت تصویر همچنان اولویت دارند.

AI در پروژه های تجاری

در پروژه های تجاری، قابلیت هایی مانند تشخیص انسان و خودرو، عبور از خط و ورود به محدوده می توانند کاربردهای زیادی داشته باشند.

مثلا در پارکینگ می توان رویدادهای ورود و خروج را بهتر مدیریت کرد.

در انبار می توان مناطق ممنوعه را کنترل کرد.

در ورودی یک مجموعه می توان رویدادهای خاص را سریع تر بررسی کرد.

ارزش واقعی این قابلیت ها زمانی مشخص می شود که با فرآیند امنیتی مجموعه هماهنگ باشند.

هوش مصنوعی و آینده سیستم های نظارتی

مسیر صنعت نظارت تصویری به سمت سیستم هایی پیش می رود که فقط تصویر ضبط نمی کنند، بلکه اطلاعات موجود در تصویر را تحلیل می کنند.

در چنین شرایطی، نقش متخصص نیز تغییر می کند.

دیگر کافی نیست بدانیم یک دوربین چند مگاپیکسل است.

باید بدانیم:

چه چیزی را می بیند؟

چه چیزی را می تواند تشخیص دهد؟

در چه شرایطی دقت آن کاهش پیدا می کند؟

چه مقدار پردازش نیاز دارد؟

و این اطلاعات چگونه باید وارد فرآیند امنیتی سازمان شود؟

این نگاه، طراحی سیستم را از نصب تجهیزات به سمت مهندسی اطلاعات تصویری نزدیک می کند.

جمع بندی

AcuSense و قابلیت های هوش مصنوعی می توانند ارزش قابل توجهی به سیستم های نظارت تصویری اضافه کنند، اما تنها زمانی که درست انتخاب و تنظیم شوند.

هدف اصلی AI نباید این باشد که سیستم را با تعداد زیادی قابلیت تبلیغاتی پر کنیم.

هدف باید این باشد که:

هشدارهای غیرضروری کاهش پیدا کنند، رویدادهای مهم سریع تر شناسایی شوند و جست وجوی اطلاعات تصویری برای کاربر ساده تر شود.

برای رسیدن به این هدف، باید چند عامل همزمان بررسی شوند:

کیفیت دوربین،

محل نصب،

زاویه دید،

نور محیط،

رزولوشن،

لنز،

شبکه،

NVR،

نوع قابلیت هوشمند،

و نحوه استفاده کاربر از هشدارها.

از دید من، یک سیستم واقعا هوشمند سیستمی نیست که فقط قابلیت AI داشته باشد.

سیستم هوشمند سیستمی است که بتواند از میان حجم زیادی از اطلاعات تصویری، اطلاعات مهم را برای انسان قابل استفاده تر کند.

و اینجاست که تفاوت بین «فروش یک دوربین هوشمند» و طراحی یک سیستم نظارت تصویری هوشمند مشخص می شود.