Kuvunja kwa kina kwa mbele - Mwisho na Nyuma - Mwisho wa Akili za Akili katika Mifumo ya Uchunguzi

1. Mbele - Utekelezaji wa mwisho wa algorithm

Thembele - mwishoAlgorithms hufanya kazi moja kwa moja ndani ya kitengo cha kamera, mara nyingi huelekezaKompyuta ya makaliuwezo. Algorithms hizi zinalengaMchakato wa data ya sensor mbichi ndani, na hivyo kupunguza upelekaji wa bandwidth na seva kwa kufanya kazi za awali katika kiwango cha kamera. Wacha tuchunguze sehemu kuu:

a. Vifaa vya kamera na ujumuishaji wa sensor

Kamera za kisasa za uchunguzi zinajumuisha aina nyingi za sensorer:

• Sensorer za picha (CMOS, CCD): Capture data ya kuona (picha na video) chini ya hali tofauti za taa.
• Sensorer za infrared (IR): Wezesha kamera kukamata video katika mwanga mdogo au giza kamili.
• Sensorer za LIDAR na kina: Pima umbali na ugundue vitu katika nafasi ya 3D, muhimu kwa kutofautisha kati ya vitu na msingi katika eneo la tukio.
• Maikrofoni: Wakati mwingine hujumuishwa kwa uchambuzi wa sauti - msingi.

Sensorer hizi hutuma data mbichi kwa kitengo cha usindikaji, ambapo algorithms kamaPicha kabla - usindikajizinatumika.

b. Picha Pre - Usindikaji na Kupunguza Kelele

Kabla ya kutumia uchambuzi wowote mgumu,Picha kabla - usindikajini muhimu ili kuongeza ubora wa picha, haswa chini ya hali mbaya ya taa au mazingira ya kelele:

• Algorithms ya denoising: Ondoa kelele ya sensor, kawaida kwa kutumia vichungi kamaGaussian Blur or non - mitaa inamaanisha denoising.
• Tofautisha na marekebisho ya mwangaza: Algorithms kamaUsawazishaji wa historia ya adaptaRekebisha mwangaza na tofauti ili kuongeza mwonekano.
• Kugundua makali: Kugundua makali (k.m.,Sobel Operesheni, Ugunduzi wa makali) inaweza kusaidia kufafanua mipaka ya kitu, ambayo ni muhimu kwa ufuatiliaji wa kitu.

c. Ugunduzi wa mwendo na kutoa nyuma

Kugundua mwendoni moja ya kazi za msingi zinazofanywa na mbele - algorithms za mwisho. Mara nyingi hutegemea kanuni ya kulinganisha muafaka mfululizo ili kugundua vitu vinavyosonga.

• Kutoa kwa msingi: Mbinu ambapo algorithm inatoa mfano wa kumbukumbu ya kumbukumbu kutoka kwa sura ya sasa. Mabadiliko yoyote muhimu yamepigwa alama kama mwendo.
• Tofauti ya sura: Njia rahisi ambapo algorithm inajumuisha tofauti kati ya muafaka mfululizo, mikoa yenye alama ambapo mabadiliko yametokea.
• Mtiririko wa macho: Njia ya kisasa zaidi ambayo inachambua mwendo wa nguvu za pixel katika muafaka mfululizo ili kugundua mwendo, mara nyingi hutumiwa kwa kushirikiana naVichungi vya Kalmankwa kufuatilia.

d. Ugunduzi wa kitu na ufuatiliaji

Mbele - mwisho, ugunduzi wa kitu na ufuatiliaji hufanywa ndani ili kutambua na kufuatilia vitu (k.v. watu, magari, wanyama). Mbinu kuu ni pamoja na:

• Yolo (unaangalia mara moja tu): Jimbo - la - - algorithm ya sanaa ambayo inaweza kugundua vitu vingi katika wakati halisi - Yolo hugawanya picha hiyo kwenye gridi ya taifa na anatabiri masanduku ya kufunga kwa kila kitu kwenye gridi ya taifa.
• Haar Cascade Classifiers: Inatumika kwa kazi rahisi za kugundua kitu, kama kugundua uso, kwa msingi wa wanafunzi wa mafunzo waliofunzwa.
• Kichujio cha Kalman: Kutumika kwaKufuatiliaKusonga vitu kwenye fremu. Inakadiria hali ya kitu kinachohamia (msimamo, kasi) na inatabiri msimamo wake wa baadaye.

e. Ugunduzi wa Anomaly na vichocheo vya hafla

Ugunduzi wa Anomaly Mbele - Mwisho kawaida huzingatia kutambua matukio ya kawaida kwenye malisho ya video:

• Harakati za ghafla: Ugunduzi wa harakati za haraka au zisizotabirika, kama vile mtu anayekimbia au malezi ya umati wa ghafla.
• Msalaba - Ugunduzi wa mstari: Inatumia njia za kawaida au mistari inayosababisha arifu wakati kitu kinavuka.
• Kuingilia eneo: Hugundua ikiwa kitu kinaingia au kutoka eneo lililofafanuliwa ndani ya sura.

Algorithms hizi zinaweza kusababisha tahadhari halisi - wakati wanyuma - mwishomfumo au tuma arifa za haraka kwa wafanyikazi wa usalama.

2. Nyuma - Utekelezaji wa mwisho wa algorithm

Thenyuma - mwishoMfumo unawajibika kwa kuinua nzito, kushughulikia uchambuzi wa data tata na kuhifadhi idadi kubwa ya data ya video. Inafanya kazi kwa kupokea mito ya video au metadata kutoka kamera za mbele - mwisho na hufanya uchambuzi wa hali ya juu, mara nyingi hutumia mbinu za kujifunza za AI na mashine. Hapa kuna kuvunjika kwaKazi muhimuImefanywa na Nyuma - Algorithms za Mwisho:

a. Mkondo wa video na maambukizi ya data

• Mkusanyiko wa data: Kamera zinasambaza data ya video nyuma - Mwisho ama kupitia unganisho la moja kwa moja la mtandao, mitandao ya eneo la ndani (LANs), au huduma za wingu.
• Compression: Kupunguza utumiaji wa bandwidth, mito ya video mara nyingi hukandamizwa kwa kutumia viwango kamaH.264 or H.265, ambayo huhifadhi ubora wa video wakati wa kupunguza saizi ya faili.

b. Uchambuzi wa video na kujifunza kwa kina

• Ugunduzi wa kitu: Nyuma - Mwisho hutumia mifano ya kujifunza kwa kina kamaYolo, Haraka r - cnn, auSSD. Aina hizi zinafunzwa kwenye hifadhidata kubwa kutambua vitu anuwai kama watu, magari, wanyama, nk.

• Utambuzi wa usoniKwa uthibitisho wa kitambulisho au uchunguzi, algorithms ya utambuzi wa usoni hutumiwa, kawaida kulingana na mifano ya kina ya kujifunza kamaFacenet or Kina. Aina hizi kulinganisha nyuso katika video ya video na hifadhidata ya watu wanaojulikana.

• Utambuzi wa hatua: Mbali na kugundua vitu, nyuma - Mwisho pia unaweza kuainisha vitendo au tabia ndani ya video. Kwa mfano, kugundua mapigano, harakati za tuhuma, au tabia zingine zilizofafanuliwa kwa kutumiaRNNs (mitandao ya neural ya kawaida) or 3d cnns.

• Uainishaji wa hafla: Nyuma - Mwisho huainisha vitu au tabia zilizogunduliwa katika hafla zenye maana (k.v. "mtu aliyegunduliwa", "gari lililowekwa kwa muda mrefu sana", "umati wa watu").

c. Tagging ya Metadata na Utafutaji

• Kuweka tagi: Kila sura au sehemu ya video imewekwa na metadata husika (k.v. wakati, eneo, vitu vilivyotambuliwa, matukio).
• Indexing: Video na data ya hafla imeorodheshwa ili kuruhusu utaftaji mzuri. Kutumia teknolojia kamaElasticsearch, inakuwa rahisi kutafuta kupitia idadi kubwa ya data ya video kulingana na vitambulisho au metadata.

Kwa mfano, unaweza kutafuta "watu waliogunduliwa katika eneo lililozuiliwa kutoka 2 jioni hadi 3 jioni."

d. Uchambuzi wa tabia na ugunduzi wa anomaly

• Utambuzi wa muundoKutumia mifano ya kujifunza mashine, mfumo hujifunza kutoka kwa idadi kubwa ya data ya kihistoria ni tabia gani za kawaida ziko katika mazingira maalum (k.v. duka, kona ya barabara). Mfano basi huanguka kwa alama kutoka kwa kawaida.

• Uunganisho wa hafla: Nyuma - Mifumo ya mwisho inaweza kurekebisha matukio kadhaa au mito ya data (k.v., Kuchanganyakugundua mwendonaUtambuzi wa usoni). Ikiwa shughuli isiyo ya kawaida hugunduliwa, mfumo unaweza kutoa arifu zinazoweza kutekelezwa.

• Muda mrefu - Uchambuzi wa Muda: Kwa wakati, mfumo unaweza kufuatilia mwenendo na mifumo, ikitoa uwezo wa utabiri (k.v., kubaini maeneo yanayowezekana ya wizi, kutabiri wakati maeneo fulani yanaweza kupata upasuaji katika shughuli).

e. Ujumuishaji wa wingu na shida

• Hifadhi ya wingu: Data ya video, haswa ya juu - Ufafanuzi video, inaweza kuhifadhiwa kwenye wingu, ikiruhusu uhifadhi mbaya bila kupakia miundombinu ya ndani.

• Usindikaji wa Cloud AI: Usindikaji fulani hufanywa katika wingu kuchukua fursa ya vifaa vyenye nguvu (k.v., GPU za kazi za kujifunza kwa kina). Wingu pia linaweza kutumiwa kutoa mafunzo kwa mifano kwenye hifadhidata kubwa.

3. Matukio ya Maombi

Na uwezo wa hali ya juu wa mbele - Mwisho na Nyuma - Mwisho wa Akili za Akili, mifumo ya uchunguzi sasa inatumika katika matumizi anuwai:

a. Uchunguzi wa mijini katika miji smart

• Ufuatiliaji wa trafikiKamera zinaweza kufuatilia mtiririko wa trafiki, kugundua ajali, na kufuatilia magari kwa ukiukaji kama kasi au kukimbia taa nyekundu.

• Usimamizi wa umatiKamera zilizo na vifaa vya kuhesabu na uchambuzi wa tabia husaidia kusimamia harakati za umati, kuhakikisha usalama katika nafasi za umma.

• Usalama wa ummaKamera zinaweza kugundua tabia isiyo ya kawaida (k.v., kupigana au kupendeza) na mara moja tahadhari.

b. Uchunguzi wa rejareja kwa kuzuia wizi na ufahamu wa wateja

• Kuzuia wizi: Algorithms ya AI hugundua tabia za tuhuma kama vile wizi wa nyara au mifumo isiyo ya kawaida katika harakati za duka.

• Uchambuzi wa WatejaWauzaji wanaweza kutumia kamera kufuatilia mtiririko wa wateja, kuchambua ni wateja gani hutumia katika sehemu fulani, na kuongeza mpangilio wa duka kulingana na mifumo ya trafiki.

c. Huduma ya afya na usalama wa hospitali

• Ufuatiliaji wa mgonjwa: Katika hospitali, kamera za uchunguzi wa akili zinaweza kuangalia harakati za mgonjwa kugundua maporomoko, ufikiaji usioidhinishwa wa maeneo nyeti, au wagonjwa walio katika shida.

• Usalama wa wafanyikazi: Wafanyikazi wa usalama wanaweza kupokea arifu katika kesi ya tabia ya fujo au ufikiaji wa wafanyikazi wasioidhinishwa.

d. Ulinzi muhimu wa miundombinu

• Sehemu za juu - usalamaMifumo ya uchunguzi inalinda maeneo ya juu - yenye thamani kama vituo vya data, mimea ya nguvu, na majengo ya serikali, ambapo algorithms hutumiwa kwa udhibiti wa upatikanaji, utambuzi wa usoni, na kugundua anomaly.

e. Usalama wa nyumbani

• Ugunduzi wa kuingilia: Katika usalama wa nyumbani, kamera zilizo na utambuzi wa usoni na algorithms za kufuatilia mwendo zinaweza kubaini waingiliaji, wamiliki wa nyumba za tahadhari, na kengele za trigger.

• Uzuiaji wa wizi wa kifurushiKamera zinaweza kugundua shughuli za tuhuma zinazohusiana na wizi wa kifurushi na kuwaarifu wamiliki wa nyumba.

Hitimisho

Ujumuishaji waalgorithms ya busarakwa wote wawilimbele - mwishonanyuma - mwishoinabadilisha uwanja wauchunguzi. Kutoka kwa upatikanaji wa data ya awali na ugunduzi wa hafla ya msingi katika kiwango cha kamera hadi uchambuzi wa hali ya juu na kujifunza kwa mashine kwa seva - upande, algorithms hizi hutoa suluhisho kamili kwa viwanda anuwai. Wakati AI na kujifunza kwa mashine zinaendelea kufuka, mifumo hii itakuwa na nguvu zaidi, ikitoa usalama ulioimarishwa, usimamizi bora wa rasilimali, na uwezo wa utabiri ambao unaweza kuzuia vitisho vinavyowezekana kabla ya kuongezeka.