Téves riasztások csökkentése a Deep Learning segítségével
- Biztonságtechnika
- /
- 2018-04-10
A Deep Learning ötlete az emberi agy működésének módját követi. Az emberi agy egy igen összetett deep learning modell alapján dolgozik. Nagyságrendileg 100 milliárd idegsejt vagy neuron, bonyolult kommunikációs rendszere. Ezt az egyedi felépítést figyelve, követve a Deep Learning több csatornán és több szinten elemzi a beérkező információkat.
Az elmúlt két évben a technológia sokat fejlődött akár a beszédfelismerés, számítógépes megjelenítés vagy hang alapú azonosítás terén is. Mindez túlmutat az ember által egyidejűleg kezelhető információn, ezért a Deep Learning javasolt lehet a biztonságtechnikai alkalmazásokra.
Az a képesség, hogy az ember felismerésének hatékonysága javul – például különbséget lehet tenni a képen megjelenő emberi és egyéb alakoktól – nagyban növelheti, segítheti a felhasználás körét. Különösen fontosak azok a területek a világon, ahol a téves riasztások száma akár 94…99 % között mozog!
A DeepLearing működése
A DeepLearning lényegesen különbözik más algoritmusoktól. A hagyományos algoritmus hiányosságokat a következő módon oldja meg.
 |
A DeepLearning algoritmus szerkezete egész más, mint a hagyományosnak mondható renndszerek esetében. A kapcsolódási szintek, rétegek száma akár száz felett is lehet, ezzel segítve a nagy mennyiségű bejövő adat feldolgozását és osztályzását. A technológia nagyon hasonlít az ember tanulási folyamatára, rétegenként történik a kiolvasás és elemzés. Minden rétegnek külön “súlya” van, és ez tükrözi, hogy az adott réteg milyen összetevőt hordoz a képből. Magasabb szint, több adat kinyerése. Az emberi agy is így funkcionál, a beérkező jel keresztülhalad az egyes “rétegeken”, így az általánostól egészen a részletes információig több lépésen keresztül kaphatjuk meg a teljes képanyagot.
 |
A DeepLearing nem igényel kézi beavatozást, a szoftver automatikusan feldolgozza a bejövő adatokat. Ezek alapján lehetővé válik, hogy a céltárgyról minél több információt szerezzünk, olyanokat is, melyeket nehéz leírni vagy felismerni. Több adat, pontosabb azonosítás és osztályzás. Az előnyök között említhető, hogy a deep learning algoritmus segítségével az emberi minta felismerés pontosabb lehet, ezen kívűl a zavaró körülmények is kedvezőbben kiszűrhetők, valamint akár ezres nagyságrendű jellemző nyerhető ki és használható fel.
A meglévő rendszerek kérdése...
A hagyományos megfigyelő rendszerek a mozgó célpontokat észlelik, de további analízist nem végeznek. A smart IP kamerák is csak a különálló pontokat térképezik fel egy alakzaton egyesével, ezáltal a további elemzés nehézkessé válhat, tehát a pontosság is csökken.
Kerítések védelmére például több lehetőség is van jelenleg. Mindegyiknek lehet hátránya. Az infravörös tartományban működő érzékelők érzékenyek lehetnek külső zavarokra, illetve az állatok miatt bekövetkező téves riasztások is előfordulhatnak. Egyéb védelmi eszközök, mint például az elektromos kerítések, hordozhatnak biztonsági kockázatokat, illetve telepítési korlátaik is lehetnek. Nem beszélve a költségekről és a telepítési körülményekről.
Kisebb állatok, falevelek, vagy erős fénysugárzás is okozhat téves riasztásokat, tehát egy ember jelenlétének, formájának érzékelése nagymértékben növelheti a VCA funkciók pontosságát. Az ismétlődő téves riasztások mindig probléma a végfelhasználónak, aki időt és energiát szán annak kivizsgálására, mely késedelmet jelent egyéb munkafolyamatok elvégzésében.
 |
Nézzünk meg egy példát, ahol egy viszonylag csendes helyen, gyengébb személy és gépjárműforgalom mellett egy telephelyen éjszaka nagyjából 50 téves riasztás adódik (csak példa!). Egy-egy alkalommal 2-3 perc szükséges az ellenőrzésre, de vegyük azt, hogy három esetben több idő is eltelik, akár 15 perc is. Az őrszolgálat megtekinti a rendszert, visszanézi a felvételeket, helyszínen vizsgálják meg a riasztás esetleges okát, megteszik a szükséges lépéseket. Függően a cégtől, előírásoktól ezek a folyamatok dokumentálva vannak, mely ugyancsak plusz időt jelent. A fentebb említett 50 db téves riasztás akár két óra extra munkát is adhat minden éjszaka.
DeepLearning alkalmazásával a fenti példa esetében akár 1 órára is csökkenhet a vizsgálati idő. A kültéri védelem hatékonyságának javítása ezzel a technológiával még pontosabb lehet, figyelembe véve a vonalátlépés, be- vagy kilépés jelzés funkciókat és használatukat.
Egyéb felhasználásra…
A DeepLearning értéke túlmutat a hagyományos biztonsági megoldásokon. Példának említhető, egy személy mozgásának követése és annak megállapítása, hogy az adott személy “bóklászik”, ami esetleg a későbbiek során veszélyt jelenthet. A küszöbszint állítható a mozgás térben maximum 5 méteres sugárban, vagy ha a megfigyelt ember 10 másodpercnél többet áll egy helyben. Az öt méteres távolság vagy az időkorlát átlépése esetén a rendszer riasztás jelzést generál. Itt a program az egyéni mozgást követi és összehasonlítja a viselkedést az adatbázisban található mintákkal.
Egy másik felhasználás lehet az “elesés” érzékelése. Például: 0,5 méter és 10 másodperces értéket beállítva, esetleges rosszullét esetén egy ember a földre kerül (tehát 50 cm alatt lesz), valamint 10 másodpernél tovább marad a földön, a rendszer figyelmeztető jelzést adhat. Hasonlóan az előzőeknél leírtakhoz, itt is a beállított értékeket hasonlítja az adatbázissal.
Az említett példák vagy előnyök mutatják, milyen sokféle opció áll rendelkezésre a Deeplearning technológia használatával.
Összegezve, egy 10.000-es létszámmal rendelkező fejlesztő részleg folyamatos munkája rejlik minden megoldásban, mellyel a video megfigyelő rendszerek mégtöbb opciót és lehetőséget adnak. A Mesterséges Intelligencia egy komoly potenciál, és a Hikvision mindig új irányokat fedez fel, melyeknél ez az új és izgalmas technológia használható a biztonságtechnika világában.
