Компьютерное распознавание — наделение компьютеров зрением

Компьютерное распознавание и компьютерное зрение в целом имеют долгую и обширную историю сложных и многогранных областей, где прогресс до появления ML/AI был ограничен. В резком контрасте с компьютерной графикой, за короткий промежуток времени произошли многочисленные достижения в областях 2D/3D-моделирования, автоматизированного проектирования (CAD), цифрового кино, такого как фильмы от Pixar, и видеоигр. Современные вычислительные системы хорошо подходили для захвата и создания изображений, но не для их восприятия.

Главная причина кроется в проблеме визуального восприятия. С появлением современных настольных компьютеров исследователям не потребовалось много времени, чтобы разработать оригинальные способы цифрового кодирования изображений путем кодирования картинки в виде серии пикселей различной интенсивности (например, RGB) и даже сжатия изображений с помощью различных схем. По мере того как задачи захвата и кодирования изображений прогрессировали и были более или менее решены, исследователи перешли к анализу изображений.

Имея набор пикселей, как можно идентифицировать объекты? Существуют различные, казалось бы, очевидные, хотя и наивные методы, такие как анализ цвета кластера пикселей для определенных предметных областей. Можно аппроксимировать объекты путем выявления наборов цветов на основе априорных знаний. Например, небо, учитывая, что оно синее и находится в верхней части изображения. Кластеризация цветов также не учитывает формы и размеры объектов. Этот подход трудно обобщить.

В этом примере из практики будет рассмотрено, как анализ видеопотоков CCTV может принести пользу вашей организации. Система AI, способная идентифицировать объекты по видеоматериалам наблюдения, имеет множество применений.

Анализ, например, может обеспечивать отправку уведомлений с рекомендациями к действию в режиме реального времени сотрудникам службы безопасности и связанному с ней персоналу. Написать классическую алгоритмическую программу для решения задач компьютерного распознавания/компьютерного зрения сложно, хотя использование искусственного интеллекта делает эту задачу выполнимой.

Решение проблемы с помощью искусственного интеллекта

Эта проблема поднимает вопросы о том, как люди идентифицируют объекты в пределах визуального диапазона, на что также невероятно трудно ответить. Хотя это по-прежнему остается открытым вопросом, искусственные нейронные сети оказались невероятно полезными в области компьютерного распознавания/компьютерного зрения.

С помощью методов глубокого обучения и обширного набора данных изображений можно обучить модель распознавать объекты. Наиболее распространенным набором данных является Common Objects in Context (https://cocodataset.org/), который содержит следующее согласно их определению:

Сегментация объектов
Распознавание в контексте
Сегментация суперпикселей
330K изображений (>200K с разметкой)
1,5 миллиона экземпляров объектов
80 категорий объектов
91 категория фоновых объектов
5 подписей к каждому изображению
250 000 человек с ключевыми точками

Обучение различных моделей искусственного интеллекта с использованием этой информации оказалось высокоэффективным при запуске модели на оценочном наборе данных.

Обзор организационной проблемы

Если предположить, что у AI есть возможность анализировать объекты в видеопотоках (что это так), как организация может внедрить такое решение? Остается более широкая проблема внедрения такой модели в производственной среде, способной масштабироваться и работать в рамках нормативной базы.

Традиционно организации поручали своим ИТ-отделам установку такой возможности. Обычно организации находили готовое программное обеспечение для решения проблемы или искали поставщика заказного программного обеспечения для создания или модернизации существующего решения, если такое решение не было легкодоступным. Учитывая сложность систем искусственного интеллекта, оба этих варианта будут недоступны довольно долгое время.

Помимо технических проблем, существуют также внутренние политики и различные требования к комплаенсу, которым организации должны обычно соответствовать, такие как конфиденциальность данных, которые, хотя и связаны между собой, являются вопросами для разных экспертов в предметных областях. Таким образом, внедрение такого решения потребует экспертизы из многих других областей организации, что требует сложного управления проектами. Альтернативой внутренним стратегиям является доступ к такой возможности через бизнес Artificial Intelligence as a Service, включая Telemus AI™, способом, аналогичным доступу к облачным сервисам.

Организационные данные, доступные в качестве ввода для AI

Большинство организаций используют CCTV в целях безопасности и передают различные видеопотоки в диспетчерскую для мониторинга. Обычно эти видеопотоки контролируются сотрудниками службы безопасности круглосуточно, чтобы выявить любую деятельность, которая может считаться неприемлемой или требовать дальнейшего расследования или принятия мер. Эти видеопотоки могут быть пропущены через систему искусственного интеллекта. AI предупреждает сотрудников службы безопасности, если что-либо требует дальнейшего расследования.

Преимущество этого заключается в том, что система AI потенциально может обнаружить аномалии, которые человек в противном случае пропустил бы, если они не очевидны или если внимание сотрудников службы безопасности ослабло. Другой взгляд на это состоит в том, что возможности сотрудников службы безопасности понимать происходящее в видеопотоках были расширены до более высокого уровня. Таким образом, это аналогично использованию инструментов в других областях для расширения наших возможностей.

Хотя потенциал этой технологии может пугать некоторых людей, важно учитывать, что в любом случае видеопотоки контролирует человек, а AI просто помогает сотрудникам службы безопасности просматривать видеоматериалы, и необходимо взвесить все преимущества. Учитывая, что технология работает в регулируемом и безопасном режиме в рамках строгой системы управления, потенциальная выгода будет огромной.

Методология интеграции

Ниже представлен обзор процесса, который мы выполнили бы на высоком уровне для анализа таких потоков в организации:

Определите потоки CCTV и систему, которая обеспечивает мониторинг и запись таких потоков
Модифицировать программное обеспечение для отправки данных поставщику облачных вычислений для анализа в реальном времени
Пропустите потоки данных через Telemus AI™ и возвращать дополненные видеопотоки обратно в систему мониторинга безопасности
Настройте персонализированные оповещения для сотрудников службы безопасности на основе того, что обнаружено

Поскольку Telemus AI™ берет на себя большую часть работы, организация может сосредоточиться на бизнес-логике, а не на технической реализации.

Организационные приложения

Ниже перечислены другие потенциальные области применения для вашей организации:

Мониторинг автомобилей на дорожной сети и обнаружение ДТП для отправки бригады на помощь
Мониторинг людей в местах проведения мероприятий для предотвращения антисоциального поведения. В случае его обнаружения автоматически направить подразделение охраны для урегулирования ситуации.
Мониторинг рабочих мест и строительных площадок, обеспечение того, чтобы сотрудники не находились в помещении вне установленных часов работы

Потенциальные и реализованные преимущества

Потенциальные и реализованные преимущества этой технологии огромны. Можно выполнять мониторинг CCTV более точно и эффективно, с меньшим количеством ошибок, требуя меньше общего количества сотрудников службы безопасности, что позволяет таким сотрудникам сосредоточиться на более неотложных задачах, таких как активное патрулирование или следственная работа.

Telemus AI™ — это австралийская компания в сфере искусственного интеллекта, предоставляющая передовые решения для государственных учреждений и предприятий. Свяжитесь с нами сегодня для бесплатной консультации о том, как Telemus AI™ может быть интегрирована в вашу организацию.

Теги

Обнаружение объектов на записях видеонаблюдения