Наиболее перспективна нейросетевая аналитика
Дмитрий Калинин, 06/04/20
На сегодняшний день встроенная аналитика еще не получила массового распространения. Играет роль определенный консерватизм заказчиков и нехватка информации о том, какие экономические выгоды можно получить за счет применения инновационных решений. Однако отрасль развивается динамично, и встроенная аналитика все же входит в нашу жизнь. Когда она станет по-настоящему популярной – это только вопрос времени, причем достаточно скорого.
На текущий момент наиболее востребованы самые простые функции встроенной видеоаналитики – пересечение линий, вторжение в зону, детекция лиц и оставленных предметов. Спрос определяется в первую очередь невысокой стоимостью данных модулей: цена камер с такой аналитикой не сильно отличается от аналогичных моделей без аналитики. Из новых относительно недорогих решений можно также отметить детекцию людей. За более дорогие решения, такие как распознавание лиц или автомобильных номеров, подсчет людей и определение их атрибутов (цвет одежды, пол, возраст и т.д.), готовы платить пока лишь немногие крупные заказчики, строящие системы видеонаблюдения на эксклюзивных объектах.
С пользой для объекта
Простую аналитику, дополненную функцией детекции людей, будет полезно использовать на большинстве типовых объектов. Ведь наибольший интерес для видеонаблюдения, как правило, представляют именно люди и их перемещения. Конечно, максимальную пользу такие решения принесут на режимных объектах, при охране периметра, контроле производственных площадей и прочих объектах с регламентированным ограничением передвижения в пределах заданной области.
Из сервера в камеру
Главный плюс переноса аналитики из серверов в камеры – разгрузка вычислительных мощностей сервера. Для систем с небольшим числом каналов особого смысла в такой периферийной аналитике нет. Однако чем больше камер, для которых требуется вычислительная мощность, и чем более сложная аналитика используется в системе, тем дороже обходится ее использование на сервере. Во-первых, из-за более дорогой архитектуры самих чипсетов, используемых на серверах. Во-вторых, по причине, условно говоря, простоя оборудования: ведь чем больше смарт-операций производится на сервере, тем меньше камер к нему можно подключить. Соответственно, гораздо выгоднее использовать умные камеры вместо обычных, чем покупать больше серверов. Притом что и сами серверы с умными функциями стоят, конечно, существенно дороже их бюджетных аналогов.
Кроме чисто экономической выгоды, использование периферийной аналитики также является более гибким в плане сетевой архитектуры, обслуживания и управления системой (особенно в случае большой распределенной системы на несколько тысяч камер, например).
"Активисты в эпоху диджитализации. Часть 1. GDPR-террористы" читать >>>
Минусом периферийной аналитики на данный момент является все же более низкая точность детекции по сравнению с серверной. Однако после появления в недавнем прошлом нового типа высокопроизводительных (от 500 млрд операций в секунду) чипсетов, так называемых нейросетевых процессоров для видеокамер, данный разрыв по качеству аналитики будет неизменно сокращаться.
Будущее – за автоматизацией
Учитывая современные технологические тренды внедрения искусственного интеллекта во все системы, где это только возможно, надо полагать, что и видеонаблюдение со смежными отраслями (такие как контроль доступа) не должно быть исключением – применение автоматизации позволит кардинально повысить точность срабатывания и полностью устранит человеческий фактор.
Есть все основания считать, что ближайшее будущее – за полной автоматизацией таких систем. Конечно, с той оговоркой, что система все же должна предусматривать возможность фонового контроля со стороны оператора, то есть полностью автоматическая работа в штатном режиме с возможностью ручного управления на случай нестандартных ситуаций, как в электромобиле известной марки.
Развитие нейросетевой аналитики
Наиболее перспективна нейросетевая (AI) аналитика, которая сейчас находится на гребне технологического развития. Во-первых, она основана на современных алгоритмах машинного обучения, что позволяет создавать любые сценарии идентификации и структурирования видеоданных. Это дает возможность настроить аналитику под любые, самые специфичные требования заказчика, не привязываясь к традиционным модулям типа распознавания лиц или детекции дыма. Во-вторых, возможности искусственного самообучающегося интеллекта уже сейчас кратно превосходят человеческие. Нейросети, например, могут решать даже такие сложные прикладные задачи, как постановка диагноза – определение некоторых болезней по фотографии пациента. Поэтому и в сфере видеонаблюдения применение нейросетевой аналитики выглядит очень перспективно.
