18 کاربرد برتر computer vision(بینایی کامپیوتر) در امنیت و نظارت – قسمت سوم
18 کاربرد برتر computer vision(بینایی کامپیوتر) در امنیت و نظارت – قسمت سوم
تشخیص فعالیت غیرقانونی
تشخیص عمل انسان و تشخیص الگوی حرکت می‌تواند فعالیت‌ها، رویدادها یا رفتارهای مشکوک را تشخیص دهد. تکنیک‌های رایج شامل تخمین وضعیت، سنجش سه‌بعدی، یادگیری و طبقه‌بندی برای تشخیص نقض دستورالعمل‌ها یا قانون است. فعالیت‌های غیرقانونی می‌تواند شامل زباله‌گردی، پرسه‌زدن، گدایی و غیره باشد.
برنامه‌های کاربردی ایمنی راننده و ترافیک
سیستم‌های دوربین ثابت یا نصب‌شده روی خودرو می‌توانند انواع مختلفی از تشخیص ناهنجاری را انجام دهند. برنامه‌های کاربردی شامل هشدار خروج از خط، تشخیص عابر پیاده و سیستم‌های هشدار تطبیقی است. سیستم‌های ایمنی و هشدار داخل خودرو شامل نظارت بر راننده، به عنوان مثال، تشخیص کمربند ایمنی یا تشخیص نگاه برای تجزیه و تحلیل خواب‌آلودگی، گیجی و خستگی است.
تشخیص نگاه با چهارچوب OpenVINO
سیستم‌های امنیتی هوش مصنوعی
اشیای خطرناک و تشخیص سلاح
تشخیص شیء در زمان واقعی از یادگیری عمیق برای شناسایی و بومی‌سازی اشیای خاص در صحنه‌های ویدئویی استفاده می‌کند. کاربردهای رایج تشخیص اشیا در امنیت، شامل تشخیص سلاح (سلاح یا چاقو) یا تشخیص تجهیزات حفاظتی است.
همان‌طور که برای بسیاری از برنامه‌های بینایی کامپیوتری، تشخیص اشیا در تنظیمات واقعی بسیار چالش‌برانگیز است. در ادامه این مقاله به دلایل آن خواهیم پرداخت.
تشخیص سلاح با یادگیری عمیق، با استفاده از داده‌های آموزشی از صحنه‌های فیلم
تشخیص نفوذ و حصار مجازی
حصار مجازی مکان‌های حساس یکی از ویژگی‌های محبوب سیستم‌های نظارت بینایی هوش مصنوعی است. مناطق خاص مورد علاقه حصارهای مجازی را برای تشخیص رخدادهای نفوذ علامت‌گذاری می‌کنند و سیستم را وادار می‌کنند تا هشدارهایی را برای تیم‌های امنیتی ارسال کند.
حصار مجازی با منطقه مورد علاقه (ROI)
خلاصه‌سازی خودکار ویدئو
خلاصه‌سازی ویدئو فرایندی است که به افراد اجازه می‌دهد تا بدون نیاز به تماشای کامل آن، به سرعت درک درستی از محتوا و پیام‌های کلیدی درون یک ویدئو پیدا کنند. به عنوان مثال، در مراکز خرید، مراکز تناسب اندام یا مراکز حمل و نقل، اپراتورها زمان قابل توجهی را صرف تماشای جریان‌های ویدئویی زنده و ضبط‌شده می‌کنند.
الگوریتم‌های بینایی هوش مصنوعی برای انجام خلاصه‌سازی ویدئو، تولید خلاصه‌نویسی و بازیابی ویدئو مبتنی بر محتوا استفاده می‌شوند. در نظارت تصویری، خروجی داده‌های تاریخی مدل‌های یادگیری عمیق را می‌توان برای شناسایی رویدادهای خاص و یافتن مطالب ویدئویی مرتبط استفاده کرد.
18 کاربرد برتر computer vision(بینایی کامپیوتر) در امنیت و نظارت – قسمت سوم
امنیت زیرساخت
تشخیص تصادفات و حوادث ترافیکی
در مدیریت و نظارت ترافیک، الگوریتم‌های تشخیص و ردیابی خودرو برای شناسایی حوادث و رویدادهای خاص استفاده می‌شود. چنین سیستم‌هایی در برنامه‌های کاربردی شهر هوشمند، برای جمع‌آوری پارامترهای ترافیک، شمارش وسایل نقلیه، عوارض مبتنی بر ویدئو، تجزیه و تحلیل جریان ترافیک و درک رفتار، کاربردی و محبوب هستند. موارد استفاده دیگر آن‌ها عبارتند از تشخیص تصادف، تشخیص وسیله نقلیه بزرگراه و طبقه‌بندی خودرو (پروفایل).
روش‌های رایج از تقسیم‌بندی پیش‌زمینه یا تفریق پس‌زمینه در ترکیب با شبکه‌های عصبی کانولوشنال (CNN) برای وظایف یادگیری عمیق استفاده می‌کنند.
تجزیه و تحلیل ترافیک با یادگیری عمیق
پارکینگ هوشمند و نظارت بر وسایل نقلیه
تشخیص و ردیابی وسیله نقلیه یا اجسام متحرک در ترکیب با تشخیص پلاک خودرو استفاده می‌شود. الگوریتم‌های طبقه‌بندی تصویر می‌توانند مدل و نوع خودرو، رنگ یا تشخیص لوگو را تعیین کنند. نظارت بر وسایل نقلیه مبتنی بر دوربین مداربسته در تجزیه و تحلیل هوشمند پارکینگ برای شناسایی و ردیابی اشغال چندین مکان پارکینگ با دید کامپیوتری رایج است.
تشخیص پارکینگ با دید کامپیوتری
تشخیص اشیای بدون مراقبت
تشخیص اشیای رها شده در امنیت یک جنبه حیاتی در حفظ مکان‌ها، ویژگی‌ها و نظارت بر ایمنی است که شامل استفاده از سیستم‌های خودکاری است که می‌توانند اقلام باقی‌مانده در مناطق عمومی یا خصوصی را بدون دخالت انسان شناسایی کنند.
یک مدل یادگیری عمیق را می‌توان برای شناسایی مواردی مانند کیسه، جعبه، بسته و سایر اشیایی که می‌توانند تهدیدات امنیتی بالقوه ایجاد کنند، آموزش دید. هنگامی که اشیا شناسایی می‌شوند، یک زنگ خطر یا هشدار به مرکز نظارت یا پرسنل امنیتی ارسال می‌شود. با این هشدار، آن‌ها شناسایی تهدید بالقوه را قبل از تبدیل شدن به یک مشکل واقعی انجام می‌دهند.
برنامه امنیتی برای تشخیص اشیای رها‌شده
18 کاربرد برتر computer vision(بینایی کامپیوتر) در امنیت و نظارت – قسمت سوم
شناسایی خودرو و شناسایی پلاک
شناسایی خودرو مبتنی بر دید از تشخیص خودکار پلاک (ANPR) و تشخیص ویژگی خودرو (رنگ، نوع) برای شناسایی و شمارش وسایل نقلیه فردی با استفاده از دوربین‌ها استفاده می‌کند.
ANPR همچنین LPR (License Plate Recognition) نامیده می‌شود.
نرم‌افزار شناسایی خودرو ابتدا وسیله نقلیه را با تشخیص اشیا شناسایی می‌کند، محل پلاک خودرو را تعیین می‌کند و در نهایت با استفاده از تشخیص نوری کاراکتر (OCR) شماره پلاک را می‌خواند.
تشخیص خودکار پلاک ویدیویی در زمان واقعی (ANPR)
ارزیابی ایمنی
سیستم‌های دوربین هوش مصنوعی می‌توانند تجزیه و تحلیل شکاف مبتنی بر دید، ارزیابی تهدید، خطر، درگیری و تشخیص تصادف را پیاده‌سازی کنند. مدل‌های یادگیری عمیق، شناسایی را برای دیجیتالی کردن موقعیت‌های دنیای واقعی و جمع‌آوری داده‌ها برای مدل‌سازی و پیش‌بینی موقعیت‌های تهدید انجام می‌دهند.
توانایی دیجیتالی کردن دنیای بصری و ترجمه آن به ابرداده می‌تواند به ارائه ارزیابی‌های امنیتی در سطح بالا کمک کند که برای برنامه‌های بیمه نیز مهم هستند. به عنوان مثال، می‌توانیم گزارش‌های پویا ایجاد کنیم که اطلاعاتی در مورد حرکات وسیله نقلیه یا افراد، تعاملات یا اطلاعات زمین ارائه می‌کند.
امنیت زیرساخت
نظارت بصری از دید رایانه‌ای برای سیستم‌های هشدار کنار جاده و پشتیبانی تصمیم در نظارت بر امنیت مکان‌های عمومی، زیرساخت‌های حیاتی و زیرساخت‌های حمل و نقل استفاده می‌کند. سیستم‌های بینایی هوش مصنوعی مدرن تقریباً با تمام سیستم‌های نظارت دوربین مداربسته و VMS یکپارچه می‌شوند. به‌عنوان مثال، پلتفرم بینایی کامپیوتری
Viso Suite می‌تواند جریان‌های ویدئویی دوربین‌های موجود را به‌دست آورد و پردازش کند. این را می‌توان در مدل‌های مختلف دوربین و فروشندگان انجام داد.
تشخیص شیء در زمان واقعی در تجزیه و تحلیل ترافیک با بینایی کامپیوتری
مدیریت اضطراری با کامپیوتر بینایی
سیستم‌های بینایی هوش مصنوعی می‌توانند طبقه‌بندی اضطراری رویدادهای طبیعی از جمله تشخیص طوفان، تشخیص سیل یا تشخیص دود و آتش را انجام دهند. علاوه بر این، «تشخیص رویداد ناگهانی» می‌تواند ناهنجاری‌ها را در مکان‌ها و دوربین‌های مختلف در تنظیمات مقیاس بزرگ شناسایی کند. هنگامی که سیستم یک وضعیت اضطراری را تشخیص می‌دهد، می‌تواند هشداری را مستقیماً به مجریان قانون ارسال کند و واکنش اضطراری مناسب را تحریک نماید.
سیستم‌های نظارتی و امنیتی هوش مصنوعی همچنین می‌توانند موارد اضطراری ساخته‌شده توسط انسان مانند تصادفات جاده‌ای، کلاغ‌های خطرناک، تشخیص تهدید سلاح، تشخیص غرق شدن، و تشخیص فرد مجروح یا در حال سقوط را شناسایی کنند.
18 کاربرد برتر computer vision(بینایی کامپیوتر) در امنیت و نظارت – قسمت سوم
چالش‌های بینایی هوش مصنوعی
تشخیص ناهنجاری مبتنی بر ویدئو در سیستم‌های امنیتی دوربین بسیار چالش‌برانگیز است. چندین عامل باعث می‌شود که کاربردهای واقعی بینایی کامپیوتر پیاده‌سازی و مقیاس‌بندی آن‌ها بسیار دشوار باشد:
- کمبود داده‌های واقعی: نیاز زیادی به جمع‌آوری داده‌های واقعی برای آموزش الگوریتم‌های مؤثر و ساخت برنامه‌های بینایی رایانه‌ای که در تنظیمات دنیای واقعی به خوبی عمل می‌کنند، وجود دارد.
- Illumination: مدیریت تغییرات روشنایی دشوار است زیرا استخراج ویژگی‌های آموزش‌دیده از فیلم‌ها دشوار است.
- ژست و پرسپکتیو: زوایای دوربین که ناحیه نظارت را تعیین می‌کنند، تأثیر قابل‌توجهی بر عملکرد الگوریتم‌های یادگیری عمیق دارند. زیرا ممکن است ظاهر اجسام یا افراد بسته به فاصله آن‌ها از دوربین تغییر کند.
- اشیای ناهمگن: یادگیری حرکت اجسام و موجودات ناهمگن در یک صحنه ممکن است گاهی دشوار باشد. تنوع ظاهری به طور قابل توجهی عملکرد برنامه را کاهش می‌دهد.
- پراکنده در مقابل متراکم: روش‌های مورد استفاده برای تشخیص ناهنجاری‌ها در شرایط پراکنده و متراکم متفاوت است. برخی از روش‌ها برای تشخیص رویداد در محیط‌های پراکنده مناسب هستند؛ اما می‌توانند نگاتیوهای کاذب زیادی را در شرایط متراکم مبتنی بر صحنه، به عنوان مثال، با جمعیت زیاد ایجاد کنند.
- انسداد: تشخیص و ردیابی تحت انسداد با نمونههای جزئی یا کاملاً پنهان (افراد یا اشیا) بسیار چالش‌برانگیز است اگرچه این کار برای انسان نسبتاً آسان است.