آگهی بلاگ

هوش مصنوعي هايک ويژن

سيستم آلارم در بسياري از دوربين ها و تجهيزات مداربسته وجود دارد و مي تواند يک فاکتور کمک کننده براي برقراري امنيت يک محيط محسوب گردد. اما بسياري از مواقع چنين مزيتي تبديل به يک عيب بزرگ مي شود. زيرا بحث آلارم هاي کاذب و تفکيک آنها از موارد واقعي به ميان مي آيد. آلارم هاي کاذب معمولا مي توانند بر اثر عدم موفقيت دوربين در تشخيص صحيح سوژه ها رخ دهند و بسيار آزاردهنده باشند. وقوع آلارم هاي کاذب و دفعات آنها تا حد زيادي به نوع سيستم مداربسته اي که استفاده مي کنيد بستگي دارد. شرکت هايک ويژن توانسته با ادغام تکنولوژي هوش مصنوعي خود با الگوريتم تشخيصي در سيستم هاي مداربسته تا حد زيادي از وقوع آلارم هاي کاذب بکاهد.

فناوري Deep Learning هايک ويژن با قدرت محاسباتي بالاي خود در حال فراگير شدن در سطح جهاني است. شرکت هايک ويژن در خط مقدم استفاده از اين تکنولوژي در صنعت نظارت و حفاظتي قرار داشته و در حال حاضر اولين مجموعه از محصولات خود را که مجهز به قدرت هوش مصنوعي (AI) هستند را روانه بازار نموده است. مفهوم Deep Learning در دوربين هايک ويژن الهام گرفته از نحوه عملکرد مغز انسان است. مغز ما مي تواند به عنوان مثالي فراگير از مدل Deep Learning در نظر گرفته شود. شبکه عصبي مغز شامل ميلياردها نورون متصل به هم است. Deep Learning اين ساختار را شبيه سازي مي کند. اين شبکه هاي چند لايه مي توانند اطلاعات را جمع آوري کرده و اقدامات مربوطه را بر اساس تحليل آن اطلاعات انجام دهند.

جايگاه هوش مصنوعي در سيستم هاي مداربسته

در دو سال گذشته، اين تکنولوژي در تشخيص گفتار، ديد رايانه اي، ترجمه صوتي و … بسيار پيشرفت کرده است. و حتي از توانايي هاي انساني در زمينههوش مصنوعي Deep Learning هايک ويژن تشخيص چهره هايک 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 که اين فناوري در پروژه هاي متفاوت امنيتي مورد استفاده قرار گيرد. يکي از مشکلات رايج در اين پروژه ها هشدار هاي کاذب و نادرستي است که 94%-99% کليه آلارم ها را تشکيل مي دهند. اين يک ضعف بزرگ در يک 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 حرکت بدون تحليل هاي پيشرفته هستند. حتي دوربين هاي هوشمند تحت شبکه هايک ويژن نيز تنها مي توانند اجزا مختلف را به شکل يک به يک و کلي نمايش دهند، و اين باعث مي شود که برخي از ويژگي ها و جزئيات ديگر از قلم بيفتند (براي مثال مي تواند تصوير کلي از صورت انسان نمايش دهد و جزئيات ديگر مانند فرم چانه، پيشاني و … را نمايش نمي دهد)، بنابراين در کل دقت کار کاهش مي يابد

راهکارهاي قديمي

براي ارتقا عملکرد 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 کاستي هايي هستند. براي مثال يکي از چالش هاي موجود در يک سيستم مداربسته تصويربرداري در شب است. دتکتورهاي نور IR هايک ويژن شايد کليد حل مشکلاتي باشند اما آنها نيز نسبت به آلارم هاي کاذب ناشي از ورود حيوانات در شرايطي که هدف سوژه هاي انساني هستند، حساس اند. از طرفي براي حفظ امنيت مکان مورد نظر راه حل ديگر استفاده از حصارهاي الکترونيکي است که به نوبه خود خطر داشته و يا مناسب مناطقي خاص هستند. اکثر اين راهکارها اغلب پر هزينه بوده و يا استفاده از آن ها پيچيدگي هاي خاص خودش را دارد.

نحوه عملکرد Deep Learning در تفکيک آلارم هاي کاذب

سوژه هايي از قبيل حيوانات مختلف، برگ درختان يا حتي نور (براي مثال چراغ ماشين) مي توانند آلارم هاي کاذب ايجاد کنند، بنابراين توانايي شناسايي و تمايز انسان از اين سوژه ها توسط زيرمجموعه هاي فناوري تجزيه و تحليل VCA هايک ويژن به شدت مي تواند دقت عملکردي سيستم را بهبود بخشد. آلارم هاي کاذب که دائما و پشت سر هم اتفاق مي افتند اغلب مشکل آزار دهنده اي براي کاربران محسوب مي شوند زيرا مي بايست وقت زيادي را صرف بررسي هر کدام کرده که به طور بالقوه اي باعث به تاخير افتادن پاسخ هاي ضروري به آنها مي گردد.

به عنوان مثال، تصور کنيد که محل نصب دوربين ها مکاني نسبتا آرام بوده و در شب هنگام تنها چند اتومبيل و افراد کمي در حال تردد در آن هستند. حتي در اين فضا نيز، تعداد آلارم هاي کاذب مي تواند به 50 مورد برسد. خب حداقل 2 الي 3 دقيقه زمان براي بررسي هر آلارم کاذب نياز است و اگر تنها 3 مورد از اين 50 مورد علت واقعي داشته باشند و زمان بررسي هرکدام را 15 دقيقه در نظر بگيريم مي شود 45 دقيقه . حال فردي که براي نگهباني در محل حضور دارد نيز بايد به بررسي و کنترل سيستم مداربسته و همچنين مکان مورد نظر پرداخته و مشاهده کند که آيا فردي بدون اجازه وارد محل شده است يا خير. در بيشتر سازمان ها تمامي جزئيات اين پروسه بايد مکتوب و گزارش شود که خود کاري زمان بر خواهد بود. بنابراين تمامي آن 50 آلارم کاذب 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 عملکرد سيستمي که بر پايه هوش مصنوعي Deep Learning هايک ويژن کار مي کند در اختيار داشتن حجم بالايي از اطلاعات و نحوه طبقه بندي آنهاست. با وجود حجم زيادي از داده هاي با کيفيت که توسط دوربين ها و منابع ديگر ثبت مي گردند، و همچنين بيش از صدها نفر از کارکنان شرکت که اين اطلاعات را دسته بندي و برچسب گذاري مي کنند 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، عملکرد بهتر و دقيق تري خواهند داشت.بر اساس آزمايشات انجام شده، دقت تشخيص در اين راه کار 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 يک ساعت در هر شب از زمان هدر رفته کاست.

کاربردهاي ديگر Deep Learning

همچنين Deep Learning در هايک ويژن کاربردهاي عملي و پيچيده ديگري نيز دارد. براي مثال موقعيتي را در نظر بگيريد که سقوط کردن (فرد يا جسم) خطري تهديد کننده محسوب مي گردد، براي مثال خانه سالمندان يا کودکستان. در اين کاربري 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 کند.

https://tiamcctv.com/product/thc-d340-vf/

https://tiamcctv.com/product/ds-2cd2743g0-izs/

https://tiamcctv.com/product/ds-2ce56d0t-it1/

https://tiamcctv.com/product/ds-2cd2135fwd-is/

هوش مصنوعي هايک ويژن

سيستم آلارم در بسياري از دوربين ها و تجهيزات مداربسته وجود دارد و مي تواند يک فاکتور کمک کننده براي برقراري امنيت يک محيط محسوب گردد. اما بسياري از مواقع چنين مزيتي تبديل به يک عيب بزرگ مي شود. زيرا بحث آلارم هاي کاذب و تفکيک آنها از موارد واقعي به ميان مي آيد. آلارم هاي کاذب معمولا مي توانند بر اثر عدم موفقيت دوربين در تشخيص صحيح سوژه ها رخ دهند و بسيار آزاردهنده باشند. وقوع آلارم هاي کاذب و دفعات آنها تا حد زيادي به نوع سيستم مداربسته اي که استفاده مي کنيد بستگي دارد. شرکت هايک ويژن توانسته با ادغام تکنولوژي هوش مصنوعي خود با الگوريتم تشخيصي در سيستم هاي مداربسته تا حد زيادي از وقوع آلارم هاي کاذب بکاهد.

فناوري Deep Learning هايک ويژن با قدرت محاسباتي بالاي خود در حال فراگير شدن در سطح جهاني است. شرکت هايک ويژن در خط مقدم استفاده از اين تکنولوژي در صنعت نظارت و حفاظتي قرار داشته و در حال حاضر اولين مجموعه از محصولات خود را که مجهز به قدرت هوش مصنوعي (AI) هستند را روانه بازار نموده است. مفهوم Deep Learning در دوربين هايک ويژن الهام گرفته از نحوه عملکرد مغز انسان است. مغز ما مي تواند به عنوان مثالي فراگير از مدل Deep Learning در نظر گرفته شود. شبکه عصبي مغز شامل ميلياردها نورون متصل به هم است. Deep Learning اين ساختار را شبيه سازي مي کند. اين شبکه هاي چند لايه مي توانند اطلاعات را جمع آوري کرده و اقدامات مربوطه را بر اساس تحليل آن اطلاعات انجام دهند.

جايگاه هوش مصنوعي در سيستم هاي مداربسته

در دو سال گذشته، اين تکنولوژي در تشخيص گفتار، ديد رايانه اي، ترجمه صوتي و … بسيار پيشرفت کرده است. و حتي از توانايي هاي انساني در زمينههوش مصنوعي Deep Learning هايک ويژن تشخيص چهره هايک 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 که اين فناوري در پروژه هاي متفاوت امنيتي مورد استفاده قرار گيرد. يکي از مشکلات رايج در اين پروژه ها هشدار هاي کاذب و نادرستي است که 94%-99% کليه آلارم ها را تشکيل مي دهند. اين يک ضعف بزرگ در يک 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 حرکت بدون تحليل هاي پيشرفته هستند. حتي دوربين هاي هوشمند تحت شبکه هايک ويژن نيز تنها مي توانند اجزا مختلف را به شکل يک به يک و کلي نمايش دهند، و اين باعث مي شود که برخي از ويژگي ها و جزئيات ديگر از قلم بيفتند (براي مثال مي تواند تصوير کلي از صورت انسان نمايش دهد و جزئيات ديگر مانند فرم چانه، پيشاني و … را نمايش نمي دهد)، بنابراين در کل دقت کار کاهش مي يابد

راهکارهاي قديمي

براي ارتقا عملکرد 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 کاستي هايي هستند. براي مثال يکي از چالش هاي موجود در يک سيستم مداربسته تصويربرداري در شب است. دتکتورهاي نور IR هايک ويژن شايد کليد حل مشکلاتي باشند اما آنها نيز نسبت به آلارم هاي کاذب ناشي از ورود حيوانات در شرايطي که هدف سوژه هاي انساني هستند، حساس اند. از طرفي براي حفظ امنيت مکان مورد نظر راه حل ديگر استفاده از حصارهاي الکترونيکي است که به نوبه خود خطر داشته و يا مناسب مناطقي خاص هستند. اکثر اين راهکارها اغلب پر هزينه بوده و يا استفاده از آن ها پيچيدگي هاي خاص خودش را دارد.

نحوه عملکرد Deep Learning در تفکيک آلارم هاي کاذب

سوژه هايي از قبيل حيوانات مختلف، برگ درختان يا حتي نور (براي مثال چراغ ماشين) مي توانند آلارم هاي کاذب ايجاد کنند، بنابراين توانايي شناسايي و تمايز انسان از اين سوژه ها توسط زيرمجموعه هاي فناوري تجزيه و تحليل VCA هايک ويژن به شدت مي تواند دقت عملکردي سيستم را بهبود بخشد. آلارم هاي کاذب که دائما و پشت سر هم اتفاق مي افتند اغلب مشکل آزار دهنده اي براي کاربران محسوب مي شوند زيرا مي بايست وقت زيادي را صرف بررسي هر کدام کرده که به طور بالقوه اي باعث به تاخير افتادن پاسخ هاي ضروري به آنها مي گردد.

به عنوان مثال، تصور کنيد که محل نصب دوربين ها مکاني نسبتا آرام بوده و در شب هنگام تنها چند اتومبيل و افراد کمي در حال تردد در آن هستند. حتي در اين فضا نيز، تعداد آلارم هاي کاذب مي تواند به 50 مورد برسد. خب حداقل 2 الي 3 دقيقه زمان براي بررسي هر آلارم کاذب نياز است و اگر تنها 3 مورد از اين 50 مورد علت واقعي داشته باشند و زمان بررسي هرکدام را 15 دقيقه در نظر بگيريم مي شود 45 دقيقه . حال فردي که براي نگهباني در محل حضور دارد نيز بايد به بررسي و کنترل سيستم مداربسته و همچنين مکان مورد نظر پرداخته و مشاهده کند که آيا فردي بدون اجازه وارد محل شده است يا خير. در بيشتر سازمان ها تمامي جزئيات اين پروسه بايد مکتوب و گزارش شود که خود کاري زمان بر خواهد بود. بنابراين تمامي آن 50 آلارم کاذب 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 عملکرد سيستمي که بر پايه هوش مصنوعي Deep Learning هايک ويژن کار مي کند در اختيار داشتن حجم بالايي از اطلاعات و نحوه طبقه بندي آنهاست. با وجود حجم زيادي از داده هاي با کيفيت که توسط دوربين ها و منابع ديگر ثبت مي گردند، و همچنين بيش از صدها نفر از کارکنان شرکت که اين اطلاعات را دسته بندي و برچسب گذاري مي کنند 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، عملکرد بهتر و دقيق تري خواهند داشت.بر اساس آزمايشات انجام شده، دقت تشخيص در اين راه کار 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 يک ساعت در هر شب از زمان هدر رفته کاست.

کاربردهاي ديگر Deep Learning

همچنين Deep Learning در هايک ويژن کاربردهاي عملي و پيچيده ديگري نيز دارد. براي مثال موقعيتي را در نظر بگيريد که سقوط کردن (فرد يا جسم) خطري تهديد کننده محسوب مي گردد، براي مثال خانه سالمندان يا کودکستان. در اين کاربري 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 کند.

https://tiamcctv.com/product/thc-d340-vf/

https://tiamcctv.com/product/ds-2cd2743g0-izs/

https://tiamcctv.com/product/ds-2ce56d0t-it1/

https://tiamcctv.com/product/ds-2cd2135fwd-is/