Computerherkenning - Computers visie geven

Computerherkenning en computervisie in het algemeen hebben een lange en uitgebreide geschiedenis als uitdagende en complexe vakgebieden waar de voortgang tot aan de opkomst van ML/AI beperkt was. In scherp contrast hiermee, bij computergrafica, hebben zich in korte tijd talloze vooruitgangen voorgedaan binnen de 2D/3D-modellering, computer-aided design (CAD), digitale speelfilms zoals die geproduceerd door Pixar en videogames. Moderne computing leende zich uitstekend voor het vastleggen en creëren van afbeeldingen, maar niet voor het waarnemen ervan.

De belangrijkste reden is het probleem van visuele waarneming. Tijdens de opkomst van moderne desktops duurde het niet lang voordat onderzoekers vindingrijke manieren ontwikkelden om afbeeldingen digitaal te coderen door de afbeelding te coderen als een reeks pixels van verschillende intensiteiten (bijv. RGB) en afbeeldingen zelfs te comprimeren via meerdere schema's. Naarmate het vastleggen en coderen van afbeeldingen vorderde en min of meer was opgelost, richtten onderzoekers zich op de analyse van afbeeldingen.

Gegeven een reeks pixels, hoe kunnen objecten worden geïdentificeerd? Er zijn verschillende schijnbaar voor de hand liggende, maar naïeve technieken, zoals het bekijken van de kleur van een cluster pixels, gegeven specifieke domeinen. Het is mogelijk om objecten te benaderen door sets kleuren te identificeren met vooraf opgedane kennis. Een hemel bijvoorbeeld, aangezien deze blauw is en zich bovenaan een afbeelding bevindt. Het clusteren van kleuren houdt ook geen rekening met de vormen en afmetingen van objecten. Deze aanpak is moeilijk te generaliseren.

Deze casestudy verkent hoe het analyseren van CCTV-videofeeds uw organisatie kan ten goede komen. Een AI-systeem dat objecten kan identificeren op basis van beeldmateriaal van bewakingscamera's heeft talloze toepassingen.

Analyseren kan bijvoorbeeld realtime bruikbare meldingen bieden aan beveiligings- en gerelateerd personeel. Het schrijven van een klassiek algoritmisch programma om problemen met computerherkenning/computervisie op te lossen is moeilijk, hoewel het gebruik van Artificial Intelligence het probleem hanteerbaar maakt.

Het probleem oplossen via kunstmatige intelligentie

Dit probleem roept vragen op over hoe mensen objecten binnen een visueel bereik identificeren, wat ook ongelooflijk moeilijk te beantwoorden is. Hoewel dit nog steeds een open vraag is, hebben kunstmatige neurale netwerken bewezen ongelooflijk nuttig te zijn op het gebied van computerherkenning/computervisie.

Met deep learning-technieken en een uitgebreide dataset van afbeeldingen is het mogelijk om een model te trainen om objecten te identificeren. De meest voorkomende dataset is de Common Objects in Context (https://cocodataset.org/) die het volgende bevat volgens hun definitie:

Objectsegmentatie
Herkenning in context
Superpixel-segmentatie
330K afbeeldingen (>200K gelabeld)
1,5 miljoen objectinstanties
80 objectcategorieën
91 stuff-categorieën
5 bijschriften per afbeelding
250.000 mensen met keypoints

Het trainen van verschillende kunstmatige intelligentiemodellen met deze informatie is zeer effectief gebleken bij het draaien van het model op een evaluatiedataset.

Overzicht van de Organisatorische Uitdaging

Ervan uitgaande dat de AI-mogelijkheid bestaat om objecten binnen videofeeds te analyseren (wat het doet), hoe zou een organisatie een dergelijke oplossing implementeren? Er is nog steeds het bredere probleem van het implementeren van een dergelijk model in een geproduceerde omgeving die kan schalen en kan opereren binnen een regelgevingskader.

Traditioneel zouden organisaties hun IT-afdelingen de taak geven om een dergelijke mogelijkheid te installeren. Meestal zouden organisaties kant-en-klare software vinden om het probleem op te lossen of een leverancier van op maat gemaakte software zoeken om een bestaande oplossing te bouwen of aan te passen als een dergelijke oplossing niet direct beschikbaar was. Gezien de complexiteit van kunstmatige intelligentiesystemen zouden beide opties nog geruime tijd niet beschikbaar zijn.

Naast de technische uitdagingen zijn er ook interne beleidsregels en diverse compliance-eisen waaraan organisaties veelal moeten voldoen, zoals gegevensprivacy, die, hoewel gerelateerd, kwesties zijn voor verschillende domeinexperts. Aldus zal de implementatie van een dergelijke oplossing expertise vereisen van vele andere gebieden binnen een organisatie, wat complex projectmanagement vereist. Een alternatief voor interne strategieën is om een dergelijke mogelijkheid te benaderen via een Artificial Intelligence as a Service-bedrijf, waaronder Telemus AI™, op een manier die vergelijkbaar is met het toegang krijgen tot clouddiensten.

Organisatorische Gegevens Beschikbaar als AI-invoer

De meeste organisaties gebruiken CCTV voor beveiligingsdoeleinden en hebben diverse videofeeds die naar een controlekamer worden gestuurd voor bewaking. Meestal zouden deze videofeeds 24/7 door beveiligingspersoneel worden gecontroleerd om activiteiten te identificeren die mogelijk niet als acceptabel worden beschouwd of die nader onderzoek of actie vereisen. Deze videofeeds kunnen door een artificial intelligence-systeem worden gevoed. De AI waarschuwt het beveiligingspersoneel als er iets is dat nader onderzoek vereist.

Het voordeel hiervan is dat het AI-systeem mogelijk afwijkingen kan detecteren die een mens anders zou missen als het niet voor de hand ligt of de beveiligingsmedewerkers even niet opletten. Een andere manier om hiernaar te kijken is dat de capaciteit van de beveiligingsmedewerkers om te begrijpen wat er in videofeeds gebeurt, is verhoogd naar een hoger niveau. Dit is dus vergelijkbaar met het gebruik van hulpmiddelen in andere domeinen om onze capaciteiten te vergroten.

Hoewel de potentie van deze technologie voor sommige mensen confronterend kan zijn, is het essentieel om in overweging te nemen dat in elke situatie een individu de videofeeds controleert, en AI het beveiligingspersoneel simpelweg helpt om het beeldmateriaal te bekijken, en de voordelen moeten worden afgewogen. Aangezien de technologie op een gereguleerde en veilige manier wordt uitgevoerd onder een strikt governance-kader, zou het potentiële voordeel enorm zijn.

Integratiemethodologie

Hieronder volgt een overzicht op hoog niveau van het proces dat wij zouden uitvoeren om dergelijke feeds binnen een organisatie te analyseren:

Identificeer CCTV-feeds en het systeem dat monitoring en opname van dergelijke feeds verzorgt
De software aanpassen om feeds naar een cloud computing-provider te sturen voor realtime-analyse
Voer de feeds door Telemus AI™ en versterkte videofeeds terugsturen naar het beveiligingsmonitoringssysteem
Stel aangepaste meldingen in voor het beveiligingspersoneel op basis van wat wordt gedetecteerd

Aangezien Telemus AI™ het meeste werk verzorgt, kan de organisatie zich richten op de bedrijfslogica in plaats van op de technische implementatie.

Organisatorische Toepassingen

Hieronder volgen andere potentiële toepassingen voor uw organisatie:

Auto's op een wegennet monitoren en detecteren wanneer er ongelukken gebeuren om een ploeg te sturen voor hulp
Individuen in locaties monitoren om ervoor te zorgen dat er geen antisociaal gedrag plaatsvindt. Zo ja, dan automatisch een beveiligingseenheid sturen om de situatie te de-escaleren.
Werkplekken en werklocaties monitoren en ervoor zorgen dat het personeel zich niet buiten de vastgestelde openingstijden in het pand bevindt

Potentiële en gerealiseerde voordelen

De potentiële en gerealiseerde voordelen van deze technologie zijn aanzienlijk. Het is mogelijk om CCTV-bewaking nauwkeuriger en efficiënter uit te voeren, met minder fouten, waarbij minder beveiligingspersoneel overall nodig is, waardoor dergelijk personeel zich kan richten op dringender taken zoals actief patrouilleren of onderzoekswerk.

Telemus AI™ is een in Australië gevestigd bedrijf voor kunstmatige intelligentie dat geavanceerde oplossingen levert aan de overheid en het bedrijfsleven. Neem vandaag nog contact met ons op voor een gratis adviesgesprek over hoe de Telemus AI™ in uw organisatie kan worden geïntegreerd.

Objectdetectie in bewakingsbeelden