По следам All-over-IP: конференция "Edge AI + Vision: новая эра интеллектуального видеонаблюдения"

В рамках форума All-over-IP-2021 прошла конференция "Edge AI + Vision: новая эра интеллектуального видеонаблюдения", призванная обсудить, как передовые технологии меняют индустрию видеонаблюдения и анализа видео.

С докладами на конференции выступили разработчики видеоаналитики, производители аппаратных платформ и программно-аппаратных комплексов, представители крупных заказчиков, которые развивают собственные решения видеоаналитики. Состав участников конференции в порядке представленных докладов был таков:

• ITV – разработчик программного обеспечения для систем безопасности;
• ВиТэк – системный интегратор в области измерений и автоматики;
• NVIDIA – разработчик графических процессоров и систем на кристалле (SoC);
• Basler AG – производитель видеокамер и встраиваемых систем машинного зрения;
• DSSL – производитель систем видеонаблюдения;
• Atos – корпорация, в портфель которой входит широкий спектр ИТ-продуктов и услуг, от системной интеграции до производства серверов;
• Innovative Technology – поставщик оборудования для работы с наличными деньгами;
• Milestone Systems – разработчик VMS на открытой платформе;
• Smartec – бренд систем видеонаблюдения и контроля доступа компании "АРМО-Системы";
• Hanwha Techwin – производитель систем видеонаблюдения;
• Рэйдикс – разработчик программного обеспечения для высокопроизводительных систем хранения данных;
• Газпромнефть-Цифровые решения – один из драйверов цифровой трансформации компании "Газпром нефть";
• Выксунский металлургический завод АО "Объединенная металлургическая компания".

Из услышанного для себя я сделал вывод: если брать "общий план", то все компании, занимающиеся разработкой видеоаналитики, идут параллельными курсами. Усилия сосредоточены в основном на создании новых нейросетевых детекторов для специфических задач и улучшении качественных характеристик алгоритмов для распространенных задач, таких как распознавание лиц, обнаружение людей, анализ поведения. Эти направления затрагивались во многих докладах. Кроме того, можно выделить несколько основных тем, интересных как с точки зрения технологий, так и с точки зрения рынка. На них я хочу остановиться подробнее.

На периферии

Оптимизация вычислительных ресурсов – один из важнейших вопросов для видеоаналитики, особенно нейросетевой, которая к ним очень требовательна. Помимо облегчения и ускорения алгоритмов, самые распространенные способы оптимизации – применение аппаратных ускорителей и распределение вычислений.

Ускорители обычно берут на себя две задачи: декодирование сжатого видеопотока, приходящего от IP-камеры (еще не аналитика, но тоже очень ресурсоемкий процесс), и собственно ускорение нейросетей. Ключевой вопрос – где именно устанавливаются ускорители. Распределение вычислений между разными устройствами – важная тенденция, и само название конференции Edge AI (искусственный интеллект (ИИ) на периферии) делает акцент именно на этом.

Под периферией может подразумеваться разное: все зависит от того, с какой точки зрения мы подходим к системе. В максимально широком контексте распределенных систем периферия – это все системы на объектах. Если говорить о видеонаблюдении, то сюда входят и камеры, и серверы, и сетевые маршрутизаторы – все объектовое оборудование. В более узком смысле, в рамках одной системы на объекте, периферией будут прежде всего оконечные устройства (камеры) и то, что находится между камерой и сервером, например специализированные устройства-видеоанализаторы.

Возможность переноса аналитики на оконечные устройства позволяет сделать архитектуру системы более гибкой, так как мы сами можем решать, в каких случаях выгоднее централизовать вычисления, а в каких – распределить.

За счет быстрого развития мобильных ИИ-чипов камеры становятся все умнее, и при этом технологии дешевеют. Так что система с умными камерами и сервером средней производительности может оказаться выгоднее системы с обычными камерами и мощным сервером. Конечно, каждый случай надо просчитывать индивидуально, но три вещи можно сказать точно:

• во-первых, в случае распределенных вычислений в целом проще решается вопрос охлаждения, так как источники тепла не очень мощные и распределены в пространстве;
• во-вторых, можно снизить нагрузку на сеть за счет передачи на сервер только тех видеофрагментов, которые определены аналитикой как важные;
• наконец, аналитика на камере позволяет исключить часть вычислений и связанные с ними расходы, заодно повысив качество работы детекторов: видеопоток можно анализировать до компрессии, а затем сжимать и передавать только важные фрагменты.

Теперь несколько слов об отражении этой темы в презентациях. Hanwha Techwin и Basler AG – яркие представители производителей умных камер, которые, однако, не ограничиваются исключительно камерами. Например, Basler выпускает комплекты разработки встраиваемых систем машинного зрения, а Hanwha – AI-видеорегистраторы.

Бренд Smartec включает целый спектр умных устройств разной степени "периферийности": это и камеры, и видеоанализаторы, и видеорегистраторы. А компания Atos предлагает как компактные устройства видеоанализа, так и серверные решения – программно-аппаратные комплексы, которые могут интегрироваться с существующими на объекте VMS. Еще один пример умных периферийных устройств – биометрические комплексы Innovative Technology на основе технологии распознавания лиц, предназначенные в первую очередь для применения в ритейле.

Наконец, компонент, который невозможно переоценить, – вычислительные платформы NVIDIA, использующиеся во всех типах ИИ-устройств, от периферии до дата-центра. Недаром названия моделей этого бренда не раз фигурировали в докладах других участников конференции.

Свое и чужое

На рынке есть компании, специализирующиеся на видеоаналитике. Они предоставляют свои алгоритмы производителям программных или аппаратных систем, которые упаковывают их в готовое решение для пользователя. При этом некоторые разработчики таких решений разрабатывают собственную видеоаналитику, а другие применяют комбинированный подход.

Рассмотрим это на примере VMS. Milestone придерживается интеграционного пути, тогда как ITV и DSSL разрабатывают собственные аналитические инструменты. При этом DSSL разрабатывает даже собственную систему распознавания лиц (о ней шла речь в докладе) и систему распознавания номеров автомобилей, а ITV для этих задач использует сторонние решения.

Надо отметить, что для ряда задач, к которым относятся, в частности, распознавание лиц и номеров, технологии давно отработаны и на рынке представлено множество готовых алгоритмов ведущих видеоаналитических компаний.

Интегрировать их или разрабатывать свои – вопрос дискуссионный, у каждого подхода есть свои плюсы и минусы, обсуждать которые можно долго, и мы это сделаем как-нибудь в другой раз. А вот разработка собственных решений для нестандартных задач – подход безальтернативный, если мы хотим (и считаем целесообразным) эти задачи решать. И здесь мы переходим к следующей теме.

Сшито на заказ

Нейросетевая видеоаналитика для классификации объектов (или детектирования объектов определенного типа) развивается не так давно, как распознавание лиц. То же самое касается поведенческой аналитики (распознавания поз), детектирования средств индивидуальной защиты (СИЗ) и еще ряда задач. До недавнего времени такие решения были штучными и обучались под конкретную сцену. Сейчас выделилось несколько основных направлений, для которых созданы готовые нейросетевые детекторы, неплохо работающие в большинстве стандартных ситуаций. Это в первую очередь детектирование людей, автомобилей (иногда велосипедистов/мотоциклистов), обнаружение огня и дыма, распознавание поз.

Нейросети, обученные на конкретной сцене, все равно дают лучший результат, но обучение – трудоемкий процесс, поэтому чем лучше будут становиться стандартные решения, тем меньше будут нужны кастомизированные. Однако они останутся востребованными или для специфических задач (распознавание животных и колесных пар вагонов – реальные примеры из нашей практики), или для задач, которые трудно стандартизировать (например, СИЗ могут выглядеть очень по-разному, особенно при разном освещении), или в тех случаях, когда нужна очень высокая точность.

Множество интересных практических кейсов применения кастомизированной аналитики были представлены в начале конференции компанией ITV и в ее завершении двумя компаниями, которые, на неискушенный взгляд, далеки и от видеонаблюдения, и от видеоаналитики.

Практики видеоаналитики

Как вы, наверное, догадались, речь идет о компании "Газпромнефть-Цифровые решения" и Выксунском металлургическом заводе. С технологической точки зрения это как раз тот случай, когда необходима высокая точность для нестандартной задачи, то есть шанс найти на рынке готовое решение по приемлемой цене невелик. С точки зрения рынка интересно то, что крупные компании начали разрабатывать решения компьютерного зрения для собственных нужд своими силами и при этом они готовы рассматривать сторонние технологии или передавать реализацию задачи подрядчику на определенном этапе, например после стадии НИОКР.

Приведу примеры разработок, находящихся на разных стадиях реализации. Газпром нефть использует видеоаналитику для мониторинга зимников (определения дефектов) и контроля подключения секций бензовозов: автоматически проверяется правильность подключения и подается сигнал в случае риска перемешивания разных видов топлива. Выксунский металлургический завод автоматизирует визуальный и измерительный контроль готовой продукции, существенно повышая производительность и снижая влияние субъективного фактора. В частности, это контроль геометрических параметров труб после сварки и даже автоматизированное обнаружение утечек на установке гидроиспытаний труб.

Коротко о разном

В заключение хочу упомянуть два доклада, которые не вошли в изложенное выше, но тем не менее весьма интересны. Прежде всего рекомендую к просмотру презентацию компании "ВиТэк". Она была посвящена выбору камер для искусственного интеллекта и затрагивала широкий спектр фундаментальных тем – от того, что количество мегапикселей не равно количеству информации, а объектив не менее важен, чем матрица, до нестандартных камер (3D ToF, SWIR).

Безусловно, интересно с практической точки зрения решение компании "Рэйдикс" для систем хранения данных, адаптированное для работы с интенсивной потоковой нагрузкой. Оно позволяет сократить количество накопителей и серверного оборудования для получения необходимого объема хранения и уровня доступности данных в масштабных проектах видеонаблюдения. И хотя это не относится впрямую к видеоаналитике, хранение данных – важнейшая часть любой системы видеонаблюдения, и экономия на накопителях поможет высвободить ресурсы для чего-то другого. Например, для видеоаналитики.

Заключение

All-over-IP – форум, который объединяет участников индустрии цифровых технологий в сообщество и создает новые поводы для общения поставщиков и покупателей. В связи с пандемическими реалиями возник новый стандарт мероприятий: короткие, но содержательные личные контакты с продолжением онлайн.

В этом году формат All-over-IP обеспечил и то, и другое. Хочу поблагодарить организаторов за приглашение и отметить великолепную подготовку зрительного зала, оборудования и логистики. Ну и задача по онлайн также выполнена отлично: во время конференции к интернет-трансляции присоединились свыше 200 зрителей. Видеозапись конференции и презентации доступны на сайте форума >>

Опубликовано в журнале "Системы безопасности" №6/2021