Reducerea alarmelor false prin Deep Learning

0
220

Fenomenul Deep Learning uimeste de la un semestrul la altul lumea IT-ului, acesta a ajuns la o maturitate computationala, fiind adaptat cu usurinta in multe aplicatii practice. Hikvision, unul dintre cei mai mari producatori de sisteme de monitorizare video, se numara printre primii producatori din domeniu care au adoptat aceasta tehnologie si au integrat-o in primul set de produse care valorifica puterea inteligentei artificiale.

Conceptul deep learning a fost dezvoltat pornind de la modul de functionare a creierului uman. Creierele noatre pot fi vazute ca un model complex de deep learning. Retelele neuronale sunt compuse din miliarde de neuroni interconectati, ceea ce simuleaza si deep learning. Aceste retele multi-nivel pot colecta informatia si executa actiuni corespunzatoare in concordata cu analiza acelei informatii.

In ultimii doi ani, tehnologia a excelat in domenii ca sisteme de recunoastere vocala, computer vision si multe altele. A depasit chiar si capacitatile creierului uman in domenii ca verificarea faciala si clasificarea imaginilor, fapt ce a calificat aceasta tehnologie in randul sistemelor de supraveghere video din industria de securitate.

Abilitatea de imbunatatire a procesului de recunoastere a fiintelor umane – mai exact distingerea acestora fata de animale – face ca aceasta tehnologie sa fie un plus arsenalului de securitate. Acest aspect este deosebit de relevant intr-o lume in care alarmele false reprezinta 94 pana la 99% din toate alarmele generate de sistemele de securitate, potrivit statisticilor oferite de politie si a pompierilor.

Cum functioneaza deep learning?

Deep learning este intrinsec diferit de alti algoritmi. Modul in care acesta rezolva neajunsurile algoritmilor traditionali este dezvoltata in randurile care urmeaza.

Modelul algoritmic al deep learning are o structura mult mai complexa decat cea  a algoritmilor traditionali. Uneori, numarul de nivele poate depasi chiar si 100, ceea ce ii permite procesarea unor cantitati uriase de date intr-o clasificare complexa. Deep learning este extrem de similar cu procesul de invatare uman, fiind caracterizat de un proces de extragere informatii nivel-cu-nivel. Fiecare nivel, are un grad diferit de “greutate” care reflecta ce a fost invatat din “compomnentele” imaginilor. Un nivel ridicat, indica componente cat mai specifice. Similar creierului uman, un semnal original in procesul deep learning, trece prin toate nivelele de procesare, apoi, este nevoie de o intelegere partiala (superficiala) a unei abstractii generale (deep) in care poate percepe obiectul.

Procesul de deep learning nu necesita o intervenite manuala insa se bazeaza pe un computer in vederea extragerii de caracteristici. Este capabil de extragerea a cat mai multor caracteristici posibile, incluzandu-le pe cele abstracte, care sunt extrem de dificil sau chiar imposibil de descris. Cu cat mai multe caracteristici, cu atat sistemul de recunoastere si clasificare va fi mai precis. Unele dintre avantajele directe ale utilizarii algoritmilor de deep-learning consta in rezultate uimitoare de recunoastere a sabloanelor, mult mai performante decat cele umane, functii potente de antiinterferenta, precum si abilitatea de recunoastere si clasificare a mii de caracteristici.Provocarile sistemelor existente

Sistemele conventionale de supraveghere, in general, pot detecta obiecte in micare fara prea multa analiza. Chiar si camerele IP smart pot mapa doar anumite puncte a unei forme (frunte, obraz), ceea ce reduce precizia in recunoastere.

In sistemele de protectie perimetrala, exista diferite tehnologii utilizate pentru asiguarea protectiei. Insa fiecare tip de tehnologie utilizata are si neajunsurile ei. De exemplu, detectoarele de exterior in infrarosu, pot fi “fentate”, generand adesea si alarme false cauzate de animale. Gardurile electrificate pot asigura o oarecare protectie, insa si acestea au unele limitari. Toate aceste solutii intr-un final sunt extrem de scumpe si dificil de instalat.

Obiecte ca animale, frunze, miscarile apei sau chiar lumina pot genera alarme false, fapt pentru care, abilitatea de identificare a prezentei umane imbunatateste precizia functiilor de analiza VCA perimetrale. Alarmele false dese au reprezentat intotdeauna un impediment pentru utilizatorii finali, care au fost nevoiti sa petreaca indelungate ore in investigarea fiecarui eveniment in parte, cu raspunsuri adesea intarziate si acuratete indoielnica a sistemului.

Imaginati-va urmatorul scenariu, o locatie pe timp noapte unde sunt cativa oameni si masini. Chiar si in aceste conditii, ar putea exista peste 50 de alarme false. Sa presupunem ca analiza fiecarei alarme false ar lua in medie 2~3 minute pentru a conchide ca a fost una falsa, iar doar 3 alarme din cele 50 necesita atentie sporita, sa zicem 15 minute pentru fiecare. Un agent de securitate este nevoit fie sa verifice manual sistemul sau este nevoie sa se deplaseze in locatie pentru verificari. In majoritatea companiilor securitate aceste actiuni presupun raportarea si inregistrarea intr-un sistem, fapt ce atrage de la sine marirea timpului petrecut in analiza unei alarme flase. Asadar, cele 50 de alarme false ar putea costa mai mult de doua ore pentru fiecare noapte, timp pierdut in analiza si clasificarea acestora.

Aici intervine deep learning. Pornind de la un set de camere de supraveghere IP megapixel si alte surse, Institutul de Cercetare Hikvision impreuna cu alte echipe de clasificare date, au reusit sa creeze milioane de categorii de date din industrie. Avand o cantitate ridicata de date calitative de antrenare, modelele de recunoastere a sabloanelor obiectelor, vehiculelor si a caracteristicilor umane au devenit din ce in ce mai precise si ideale pentru utilizarea in randul sistemelor de video.

Pornind de la o serie de experimente, precizia sistemelor care au utilizat algoritmii de deep learning a cunoscut o majorare cu 38 de procente. Astfel, tehnologia deep learning reprezinta un avantaj esential in sistemele de protectie perimetrala cu functii de trecere bariera virtuala, detectie de intrusi sau patrundere/parasire zona predefinita mult mai exacte.

Alte utilizari ale deep learning

Valoarea tehnologiei deep learnig se intinde peste sistemele traditionale de securitate. De exemplu, tiparele miscarii umane poate identifica daca o persoana zaboveste si poate reprezenta o potentiala amenintare in viitor. Este posibila definirea unu prag cu o raza de 5 metri  sau 5 secunde de petrecut intr-un anumit loc. Daca persoana depaseste oricare din aceste praguri atunci se genereaza o alarma. Solutia urmareste fiecare persoana individual si compara comportamentul acesteia cu un set de date in vederea recunoasterii tiparului din miscare.

O alta aplicabilitate a algoritmilor de deep learnig consta in scenarii in care “caderea” unei persoane poate reprezenta o amenintare, mai ales in centrele de varstnici. Se poate defini un prag de 0.5m si o durata de 10 secunde. Solutia poate fi creionata astfel, daca o persoana cade (sub 0.5m -pragul de mai sus) inseamna ca este in pericol (sta jos mai mult de 10 secunde), atunci sistemul compara parametri cu un set de date stocate si genereaza o alarma.

Inteligenta artificala are un potential urias, iar Hikvision va explora in permanenta noi posibilitati de aplicare a acesteia in randul sistemelor de securitate si nu numai.

Sursa: www.hikvision.com

NICIUN COMENTARIU

LĂSAȚI UN MESAJ


2 + 5 =