Futuristic AI that detect shoplifters before they try to steal
未來的人工智慧，可在盜竊者試圖偷竊之前對其進行檢測
 |
| IDVIEW 不只是縮時攝影 |
智慧手機是物聯網設備的原型，安控攝影機很快將在安全和保全方面，發揮類似的作用。在本文中，你將了解新技術和 app，如何改變安控行業的遊戲規則。
與其他感測器（例如運動或煙霧探測器）一起使用的安控攝攝機，已經使用了很長時間，但並未透過數據網路相互連接。公共空間、商業建築、公共交通等領域，對智慧影像監控的需求不斷成長，以及物聯網的興起，將推動這些攝影機系統的進一步整合。
讓我們看看影像監控，如何發展到今天以及旅程的方向。
過去：標準的安全監控系統
閉路電視系統 (CCTV) 已經證，明它們可以做他們應該做的事情：讓人們更好地了解安全狀況，以減少安全事故。閉路電視攝影機只能顯示和錄製影像片段，僅此而已。由於他們不明白他們在看什麼，他們也無能為力。
為了有效打擊盜竊、暴力、故意破壞或火災，攝影機必須能夠自行檢測和解釋此類事件。它們還必須具有與其他系統（例如警報系統）合作的能力。
這就是物聯網發揮作用的地方。它將支持網路的攝影機與執行其他任務的其他設備和系統連接起來，並將安全監控轉變為智慧安全和保全管理。
你可知道…？
閉路電視技術 於 1942 年在德國首次使用，目的在監控 V-2 導彈。直到 1949 年，該技術才以商業方式引入美國。
影像監控系統在 2018 年，建構了全球安控市場中最大的細分 市場。這就是為什麼今天現代攝影機系統被廣泛應用於生活、零售、商業建築、體育場、交通和城市公共空間的許多領域。
安控攝影機構成了安全監控發展的下一個技術步驟……
（不那麼遙遠的）未來：智慧安全監控
影像監控系統只提供必須由人類，持續觀察的影像的時代已經結束。能夠一次性記錄和分析影像數據的機器已經問世，它們可以為安全管理人員，提供深入的洞察，而不是單一的資訊。
透過對任何類型的事件做出更快、更深入的響應，這將顯著改善許多領域和行業的安全和保全相關流程。
未來的安全監控本質上結合了 3 種技術，它們將徹底改變遊戲規則：電腦視覺、自動化和深度學習，由強大的處理器和物聯網攝影機上的 app 驅動。讓我們快速瀏覽一下這些技術……
詳細了解我們的交通管理解決方案。
電腦視覺
由於更複雜的算法、更快的設備、更大的網路，以及透過物聯網訪問更廣泛的數據集，電腦視覺變得越來越智慧。這允許機器即時「查看」和分析。
「電腦視覺中的深度學習，和通用人工智慧技術，使肉眼無法做到的事情成為可能。」
- IBM iX 創意解決方案全球負責人 Matt Candy
案例：在幾秒鐘內檢測到火災和煙霧
許多威脅，例如煙霧，人眼很難在影像中檢測到，尤其是在光線不足的情況下。然而，幾秒鐘後，火災可能已經爆發。配備煙霧和火災探測功能的安控攝影機，可以在早期發出警報，並在沒有任何人工協助的情況下，啟動適當的安全措施。
 |
| 資料來源： 博世安防系統 |
自動化
速度在安全保障方面起著重要作用。你對安全事件的反應越快，預防或至少減少損害的機會就越大。在商店發生盜竊的情況下，每一秒都很重要，因為犯罪分子可能會在保安人員介入之前消失。
透過閉路電視進行標準安全監控，會浪費寶貴的時間，因為機器和操作人員之間的反應路徑太長。智慧攝影機透過節省員工解釋影像來走捷徑。他們會立即發送通知，或自行啟動適當的操作。
案例：在零售業中檢測並抓獲小偷
「AI Guardman」安控攝影機幫助店主即時辨識潛在的小偷。安裝在攝影機上的軟體，會掃描即時影像串流，並分析它可以看到的任何人的姿勢。此數據會自動與預定義的「可疑」行為進行匹配。當它看到一些非凡的東西時，它會透過應用提醒現場人員進行雙重檢查。
深度學習
使用電腦進行影像分析，並不是一個新想法。然而，有一個問題減緩了影像分析的發展：在無人機或車輛上製作的行動影像，充滿了動態變量，即使是最智慧的電腦，也可能會感到困惑。這就是為什麼許多公司和新創公司，正在使用自學習算法，開發智慧系統的原因。
深度學習，是一種基於人工神經網路的機器學習方法。影像分析使安控攝影機能夠分析船上的影像數據，是深度學習的一種應用。另一個應用是自動化，它將影像分析嵌入到流程中。
深度學習的好處在於，安控攝影機影像分析 app 的開發人員，不必自己重新研發明。已經有複雜的框架，可以簡化深度學習模型的開發，例如 Google 的 Tensorflow、微軟的 Custom Vision 和 IBM 的 PowerAI Vision。
案例：使用 IBM 的 PowerAI Vision 訓練對象辨識
為了確定工人是否遵守戴頭盔等安全規定，安控攝影機需要知道頭盔的樣子。如果一個人沒有戴頭盔，攝影機可以做出反應並發出警報。這就是簡化的訓練過程的樣子……
 |
| 資料來源： IBM |
沒有留言:
張貼留言