هوش مصنوعي در دوربين مداربسته

هوش مصنوعي در دوربين مداربسته

لزوم مديريت داده هاي تصويري در سيستم هاي مداربسته از جمله مسائل مهم در صنعت حفاظتي و نظارت تصويري است. به همين منظور اين صنايع همواره در تلاش براي گسترش دستگاه ها يا سيستم ذخيره سازي از طريق توسعه نرم افزارها، توليد محصولات ابداعي و جديد و ...هستند.
در سالهاي اخير تكنولوژي آنچنان به سرعت گسترش يافته به طوري كه پيشرفت هايي كه در 40 سال اخير صورت گرفته قابل مقايسه با چند صده گذشته نيست. يكي از مسائل پيشرو در فناوري هاي جديد استفاده از هوش مصنوعي در محصولات الكترونيكي است كه دوربين هاي مداربسته نيز از اين قاعده مستثني نيستند. در اين مقاله قصد داريم درباره كاربرد هوش مصنوعي در محصولات بپردازيم.

پشتيباني هايك ويژن  hikvision

نارسايي هاي موجود در الگوريتم هاي هوشمند قديمي

مسئله اي كه در اينجا مطرح است برآورد تقاضاي مشتري است كه روز بروز ابعاد گسترده تري پيدا مي كند. در گذشته در سيستم هاي مداربسته قابليت هايي به شكل امروزي وجود نداشت اما رفته رفته با آمدن فناوري هاي جديدتر اين مسئله نيز برطرف شده به طوري كه هم اكنون شاهد طيف وسيعي از قابليت هاي پردازش تصويري اعم از جستجوي سوژه در تصاوير، تعقيب و رديابي هوشمند و ... هستيم.
اما موضوعي كه در حال حاضر مطرح است بسيار فراتر از قابليت هاي تصويري مذكور است. و با اينكه سيستم هاي نظارت تصويري هوشمند سال هاست كه در دسترس بوده و مورد استفاده قرار مي گيرند، اما، هنوز نتايج حاصل از آنها در حد ايده آل نيست.
يكي از شركت هاي پيشرو در زمينه ادغام هوش مصنووعي با سيستم هاي مداربسته، شركت هايك ويژن است كه نام فناوري ابداعي خود را Deep learning گذاشته است. در اين فناوري سعي شده است با بكارگيري هوش مصنوعي در محصولات بسياري از نارسايي هاي سيستم هاي هوشمند قديمي در تجزيه و تحليل داده ها برطرف گردد.

پكيج دوربين مداربسته 
از دلايل عمده افزايش محبوبيت Deep Learning در سال هاي اخير مي توان به موارد زير اشاره نمود:

• توانايي پردازش داده ها در مقياس زياد
• قدرت محاسباتي فوق العاده
• ساختار شبكه اي

فرآيند تشخيص چهره در دوربين مداربسته يكي از قابليت هاي مهم و كارآمد است كه داراي الگوريتم هاي مختلف و پيچيده اي است. اين فرآيند داراي دو مرحله كليدي است:

• ارزيابي سوژه و بدست آوردن اطلاعات لازم از آن
• دسته بندي اطلاعات به دست آمده

ارزيابي سوژه و بدست آوردن اطلاعات لازم از آن

درجه دقت در اين مرحله فاكتور بسيار مهمي است كه مستقيما بر روي دقت الگوريتم تاثير مي گذارد. بيشتر كارهاي پردازشي و محاسباتي مربوط به اين بخش است. در دوربين هاي هوشمند قديمي طراحي الگوريتم ها توسط متخصصين نرم افزار انجام مي شد كه اساسا بر اساس شاخصه هاي ذهني بود. به همين دليل تعريف بسياري از ويژگي هاي انتزاعي به طرزي كه براي انسان قابل درك باشد بسيار سخت بود و ناچارا از بين مي رفت. در اين دسته از دوربين ها با قابليت تشخيص چهره بسياري از فاكتورهاي محيطي اعم از مكان نصب دوربين، زاويه ديد، ميزان نور در محيط بر روي كارايي اين قابليت تاثير گذار هستند كه اين يك نكته منفي در آن محسوب مي گردد. در الگوريتم هايي كه بر اساس هوش مصنوعي طراحي شده اند اما سعي شده تا به نكات ظريف و جزئي دقت شود. نصب دوربين مداربسته

دسته بندي اطلاعات به دست آمده

سوژه هاي مختلف اعم از وسايل نقليه، اشيا مختلف، افراد، حيوانات و ... داراي ويژگي هاي ظاهري مختلفي هستند و تشخيص هر كدام بر اساس الگوريتم هاي تعريف شده متفاوتي است. از آنجايي كه ويژگي هاي ظاهري يك وسيله نقليه پيچيدگي خاصي نداشته و نهايتا شامل شاخصه هايي نظير نوع آرم، ابعاد، رنگ و ...است، دوربين هاي هوشمند قديمي در تشخيص اشيا و وسايل نقليه بسيار موفق عمل مي كردند.
اما در مورد كاراكترهاي ظاهري انسان به دليل آنكه اغلب به دليل تنوع بالا و پيچيدگي زياد دچار خطا مي شدند. و بازده خوبي ندارند به همين دليل افزايش درك عمقي بواسطه طراحي الگوريتم هاي پيچيده تر در هوش مصنوعي به شدت لازمه كاركرد بهتر قابليت تشخيص چهره در دوربين هاي مداربسته است.

آشنايي با مزاياي DEEP Learning و مقايسه الگوريتم هاي آن

تكنولوژي هوش مصنوعي در هايك ويژن كه آن را با نام Deep learning مي شناسيم بر اساس پارامتر ها و الگوريتم هايي براي تشخيص المان هاي ظاهري پيچيده طراحي شده است. اين بدين معني است كه طراحي ها ديگر توسط افراد انجام نشده و مي توان آن را بر عهده ماشين ها گذاشت.
نكته جالب توجه اينكه طراحي اين تكنولوژي بر اساس عملكرد سيستم عصبي مغز انسان انجام شده و همانطور كه مغز توانايي يادگيري موضوعات و دسته بندي آنها را در لايه و سطوح مختلف خود دارد Deep learning نيز مي تواند كاراكترهاي متنوع را درك و دسته بندي كرده و اقدام لازم را در مورد آنها انجام دهد. كارايي اين سيستم در جايي بارز و مشخص مي گردد كه مي تواند اطلاعات اضافي و كم اهميت را نيز تشخيص داده و در صورت لزوم حذف كند(object abstraction) و يا اينكه اطلاعات جديدي خلق يا بازيابي(recreation) نمايد. در زير به برخي از راهكارهاي مفيد ارائه شده در Deep learning مي پردازيم:

تبديل الگوريتم هاي سطحي به عميق

مدل هاي الگوريتمي در Deep learning برخلاف انواع قديمي تر كه داراي ساختاري دو يا سه لايه بودند داراي صد ها لايه متعدد است. به همين سبب اين سيستم ها قادرند تا حجم وسيعي از اطلاعات را پردازش و دسته بندي كنند. همانطور كه گفتيم مدل Deep learning منشا گرفته از سيستم يادگيري در مغز انسان است و از فرآيند انتزاعي لايه لايه تبعيت مي كند.
هر لايه داراي شاخص و حجم پردازشي متفاوتي است و هر چه شاخص بالاتري داشته باشد مولفه هاي تعريف شده براي آن اختصاصي تر خواهند بود. مثال فرآيند يادگيري در اين غالب بدين گونه است كه يك پيام خارجي به محض دريافت از لايه هاي مختلف عبور كرده و پس از پردازش به صورت يك مفهوم و درك عميق از سوژه مورد نظر براي انسان به صورت قابل دركي نمايش داده خواهد شد.

حركت از الگوريتم هاي مشخص مصنوعي تا شناخت ويژگي ها

در مدل هوش مصنوعي Deep learning هيچگونه دخالت دستي انسان وجود ندارد و تمامي عملكردها به صورت كامپيوتري انجام مي شود. اين مدل قابليت اين را دارد كه حجم بسيار زيادي از اطلاعات را مورد پردازش قرار دهد. طبقه بندي اطلاعات در آن به اين صورت است كه هرچه سوژه مورد نظر داراي جزئيات بيشتري باشد به صورت خيلي دقيق تري براي دستگاه قابل تشخيص خواهد بود. در زير به بخشي از مزاياي اين مدل اشاره شده است:

• دقت تشخيص بالا در تشخيص سوژه كه مي تواند با قدرت مغز انسان برابري كرده و حتي در مواردي عملكرد بهتري نيز داشته باشد.
• قابليت تشخيص دقيق سوژه هاي مختلف از يكديگر
• قابليت تشخيص و دسته بندي هزاران ويژگي از سوژه هاي مختلف

كاربردهاي محصولات مبتني بر Deep Learning

به دليل رشد و پيشرفت تكنولوژي هاي صوتي تصويري اهميت ابداع مدل هايي مانند Deep Learning بسيار افزايش مي يابد. با استفاده از اين الگو در قابليت هاي هوشمند مانند تشخيص چهره، تشخيص نفوذ، رديابي و تعقيب سوژه و ... مي توان به طور كامل انتظارات و نياز هاي كاربران را برآورده ساخت. در زير به بسياري از كاربردهاي اين مدل در سيستم هاي نظارت تصويري اشاره شده است:

• تشخيص چهره
• شناسايي چهره
• تشخيص وسيله نقليه مختلف اعم از موتوردار يا بدون موتور (دوچرخه و …)
• تشخيص آرم تجاري وسيله نقليه
• تشخيص عابر پياده
• تشخيص ويژگي هاي بدن انسان
• تشخيص ويژگي هاي غير طبيعي صورت
• تجزيه و تحليل رفتاري جمعيت، رديابي چند هدف
• و …