Cara menggunakan kamera CCTV tidak hanya untuk memantau penyusup

Praktek memasang kamera CCTV di kota-kota di bawah naungan penanggulangan terorisme dan pencegahan kejahatan telah menyebar secara global dan mendapatkan momentum. Misalnya, pada awal 2019 di Moskow ada lebih dari 167 ribu kamera keamanan, meskipun di Cina atau Inggris angka ini dapat dianggap konyol (sebagai perbandingan, di London pada 2018 ada 642 ribu, tidak ada data terkini tentang Beijing dalam domain publik, tetapi untuk lebih dari 176 juta kamera sekarang beroperasi di seluruh China).

Sejumlah lensa di sekitar kita tanpa sadar membangkitkan pemikiran tahun 1984. Ini menjadi sangat mengkhawatirkan ketika Anda ingat bahwa perkembangan kecerdasan buatan telah membawa pengawasan video ke tingkat yang baru. Bagaimanapun, pembelajaran yang mendalam memungkinkan AI untuk secara akurat membedakan satu objek dari yang lain dalam gambar. Selain itu, kecerdasan buatan tidak perlu tidur, tidak terganggu dan tidak melewatkan apa pun.



Misalnya, yang dikembangkan oleh perangkat lunak Fujitsu GREENAGES Citywide Surveillance memungkinkan Anda untuk secara bersamaan membedakan dan melacak beberapa jenis objek pada gambar kamera sekaligus: transportasi, orang, dan objek. AI yang digunakan di dalamnya mampu memperhitungkan waktu kemunculan objek dalam bingkai, jumlah objek dari tipe yang berbeda dalam gambar, tipe, merek, model dan warna transportasi, informasi di plat nomor, mengenali wajah dan pakaian orang, dll.

Namun tidak hanya pengawasan terhadap elemen yang mencurigakan terbatas pada penggunaan kamera video. Kemampuan kecerdasan buatan untuk menganalisis gambar membuka prospek baru untuk digunakan. Katakan untuk riset pemasaran.

Jika, melalui analisis gambar dari kamera video, perilaku pembelian tertentu dihubungkan, misalnya, dengan kelompok umur apa pun, maka di masa mendatang akan dimungkinkan untuk lebih akurat memenuhi kebutuhan pelanggan. Selain itu, dengan bantuan pembelajaran mendalam, dimungkinkan untuk menghitung jumlah orang dalam gambar dan melacak gerakan mereka. Dalam ritel, ini akan membantu untuk lebih memahami pelanggan mana yang mengunjungi toko, untuk menentukan rute pergerakan mereka di dalam lantai perdagangan, yang dapat digunakan untuk mengoptimalkan ruang ritel.

Namun meluasnya penggunaan AI untuk menganalisis gambar kamera saat ini terhalang oleh dua masalah utama.


Ara. 1. Proses mengenali gambar AI dari kamera

Untuk memulainya, mari kita lihat proses pengenalan gambar dari kamera dengan kecerdasan buatan (Gbr. 1). Pertama, kamera menangkap gambar, dan kemudian mengirimkannya ke VMS (Sistem Manajemen Video, perangkat lunak berfitur lengkap untuk mengelola sistem pengawasan video), tempat rekaman disimpan, dapat dilihat, dll. Setelah data video ditransfer ke komputer yang dilengkapi dengan prosesor grafis yang mampu memproses kecepatan tinggi. Pada tahap ini, kecerdasan buatan digunakan untuk menganalisis gambar, hasilnya kemudian ditampilkan dalam bentuk data analitik, dan kemudian divisualisasikan. Di masa depan, seperti yang ditunjukkan pada gambar, hasil analisis ini dapat digunakan langsung dalam aplikasi bisnis.

Agar skema ini bekerja secara efektif, perlu untuk menyelesaikan masalah-masalah berikut: menyediakan data yang cukup untuk pelatihan AI dan memungkinkan untuk dengan cepat memproses sejumlah besar data.

Mari kita mulai dengan yang pertama. Penggunaan pelatihan mendalam, katakanlah, untuk menganalisis citra mobil memungkinkan AI tidak hanya memahami bahwa objek adalah mesin, tetapi juga untuk menentukan produsen dan model kendaraan. Namun, untuk membuat model pelatihan yang lebih akurat, diperlukan sejumlah besar data pelatihan. Gambar mobil harus diambil pada sudut yang berbeda dan dalam kondisi pencahayaan yang berbeda. Dengan demikian, jutaan gambar mungkin diperlukan untuk mengidentifikasi kendaraan dari berbagai pabrikan dan konfigurasi.

Fujitsu memecahkan masalah mendapatkan data yang cukup untuk pelatihan AI menggunakan teknologi simulasi. Pemodelan mampu mengubah bentuk bayangan pada gambar dan parameter lainnya, yang pada akhirnya meningkatkan jumlah data untuk pelatihan.

Fujitsu menangani sejumlah besar data yang dikirimkan kamera (terutama jika mereka memotret dalam resolusi tinggi) dengan Fujitsu Technical Computing (TC) Cloud, solusi komputasi berkinerja tinggi yang menggunakan GPU untuk pembelajaran mesin. GPU lebih baik untuk belajar AI. Karena arsitektur intinya, lebih mudah bagi mereka untuk mengatasi sejumlah besar tugas sederhana dari jenis yang sama dan proses belajar AI pada GPU jauh lebih cepat.

Bahkan dalam menyelesaikan masalah, perhitungan batas dapat membantu berbagi tugas memproses data antara kamera dan VMS, yang pada akhirnya mengurangi beban.

Masih penting untuk memastikan transfer data video secara terus menerus selama proses pengumpulan dan analisisnya. Untuk melakukan ini, Fujitsu menggunakan praktik terbaik sejak saat perusahaan mengerjakan sistem stasiun siaran televisi.

Misalnya, salah satu solusi untuk bertukar video waktu nyata (Berbagi Video Di Tempat Waktu Nyata) memungkinkan transmisi video yang aman bahkan melalui saluran data seluler yang paling tidak stabil. Selain kompresi waktu-nyata dan transmisi video, ia memiliki teknologi kontrol transmisi video sendiri, yang memastikan transmisi stabil bahkan dalam kondisi penerimaan yang buruk dan dalam kondisi bandwidth rendah. Dengan menggunakan teknologi ini, dimungkinkan, misalnya, untuk mengirim gambar dari kamera yang dipasang di kendaraan secara real time, termasuk dari kamera dengan sudut pemotretan 360 °, yang mengirimkan lebih banyak informasi.

Jadi, di mana lagi Anda bisa menggunakan analisis data gambar dari kamera video. Dalam gbr. 2 dan ara. Gambar 3 menunjukkan potensi penggunaan GREENAGES Citywide Surveillance di bandara dan pusat perbelanjaan.


Ara. 2. Kemungkinan aplikasi GREENAGES Pengawasan Seluruh Kota di bandara pada


Gambar. 3. Kemungkinan menerapkan GREENAGES Citywide Surveillance di pusat perbelanjaan

Hasil analisis gambar kamera digunakan di tiga bidang utama: pertama-tama, memastikan keamanan, kemudian riset pemasaran dan, akhirnya, meningkatkan tingkat layanan pelanggan.

Seperti yang sudah kami ketahui, menggunakan analisis berbasis AI, Anda dapat mengenali model mobil dan plat nomor. Jadi, Anda dapat melacak model mobil mana dan kapan mereka mengunjungi pompa bensin tertentu, menentukan jumlah mereka, dan juga menghubungkan data dengan perilaku pelanggan di toko-toko dan kafe di pompa bensin, yang memungkinkan operator stasiun untuk meningkatkan keuntungan dari penjualan produk terkait.


Ara. 4. Analisis gambar dari kamera di pompa bensin dan kafe yang berdekatan

Dalam gbr. 4 Anda dapat melihat contoh analisis semacam itu. Ditemukan bahwa pada malam hari kebanyakan mobil mengunjungi pompa bensin. Pada saat yang sama, sejumlah besar mobil tidak mempengaruhi peningkatan kunjungan kafe selama pengisian bahan bakar. Menurut hasil penelitian, diusulkan untuk melakukan diversifikasi menu makan malam dan juga mengiklankan kafe itu sendiri untuk pengunjung pompa bensin untuk meningkatkan kehadiran.

Kita juga bisa menggunakan teknologi ini di food court di pusat perbelanjaan. Misalnya, mudah untuk mengajarkan kecerdasan buatan untuk membedakan seseorang yang duduk dari orang yang berdiri (Gbr. 5). Akibatnya, kami dapat menghitung berapa lama pengunjung duduk di meja, menentukan berapa banyak kursi yang ditempati, dll.

Karena sistem pemesanan seluler semakin banyak menyebar di food court (ketika pengunjung melakukan pemesanan terlebih dahulu melalui smartphone-nya), dalam hal terjadi antrian, AI memperingatkan tentang hal ini dan aplikasi pesanan menampilkan pemberitahuan untuk pelanggan yang menawarkan opsi alternatif. Selain itu, jika tata letak food court berubah, AI akan menentukan posisi baru kursi secara otomatis. Penentuan kemacetan puncak membantu untuk memikirkan terlebih dahulu konfigurasi kursi yang optimal tergantung pada jumlah pengunjung dalam periode waktu tertentu.


Ara. 5. Analisis gambar dari kamera di food court pusat perbelanjaan

Seperti yang dapat kita lihat, analisis gambar dari kamera berbasis AI telah mencapai tahap ketika dapat digunakan tidak hanya untuk melacak orang atau benda yang mencurigakan, tetapi juga untuk riset pemasaran dan proyek. Di masa depan, analisis semacam itu akan digunakan untuk menyelesaikan berbagai masalah, untuk membuat hidup kita lebih aman dan lebih nyaman, atau, misalnya, untuk membantu pelanggan melakukan pembelian, mengoptimalkan praktik tata kelola perusahaan, dll. Tetap saja, Big Brother tidak begitu menyeramkan seperti dulu kami memikirkannya.

Source: https://habr.com/ru/post/undefined/