Видеоаналитика – сложная экосистема на базе логики и математики

С развитием технологий и вычислительных мощностей, совершенствованием алгоритмов работы нейросетей с CPU и GPU и балансированием нагрузки между ними мы приходим к тому, что продукт видеоаналитики становится все доступнее и сейчас его может себе позволить не только большой бизнес, но и SMB, и даже небольшой магазин. Вы спросите: "А причем тут небольшие магазины, им-то это зачем?"

Давайте возьмем для примера небольшой салон сотовой связи где-нибудь в торговом центре. Вот какие сценарии видеоаналитики можно реализовать даже на одной камере в этом магазине:

• подсчет посетителей за день (считаем, что продавцы работают в униформе, поэтому мы отличаем продавцов от покупателей);
• определение целевой аудитории (нейросеть для распознавания пола, возраста, стиля одежды);
• выявление "холодных" и "теплых" зон в торговом зале (где, перед какой витриной людей прошло больше, а где меньше);
• обнаружение открытых витрин (предупреждение воровства);
• определение, сколько покупателей были обслужены продавцами, а к скольким никто не подошел;
• подсчет, сколько покупателей вошли и вышли, а сколько вошли и что-то купили, и т.д.

Видеоаналитика – это не банальное распознавание и классификация объектов. Это сложная логика и математика, которые настраиваются и администрируются, впоследствии работая с обученными нейросетями, которые тоже можно изменить, усложнить, улучшить. В приведенном примере внедрение подобных решений может дать дополнительные инструменты аналитики в руки маркетологов и руководящего звена для контроля и улучшения работы персонала. А теперь представьте, что за это все, то есть решение под ключ, магазину не придется тратить и 10 тыс. рублей в месяц. Вы бы отказались?

От простых функций до сложных экосистем

Пожалуй, самым распространенным модулем видеоаналитики является детектирование средств индивидуальной защиты на объектах промышленного производства и распознавание защитных масок на лицах входящих в здание людей. Но последний пример носит скорее временный характер из-за пандемии, в то время как первая задача стала классической.

Такие функции, как распознавание номерных знаков или детектирование автотранспорта, вообще можно вычеркнуть, потому что они настолько просты, что реализуются уже из коробки производителями смартфонов или умных IP-камер.

Более интересно другое направление – создание экосистемы на базе видеоаналитики со сложной логикой и математикой, подключением вторичных систем (таких, как ситуационный центр или система экстренного оповещения СБ о наступившим событии), механических или роботизированных узлов и т.д. Если имеется производственный конвейер, на последнем шаге которого нужно контролировать брак готового изделия, то можно подключить видеоаналитику, научить ее распознавать брак и по факту нахождения создавать запись в журнале, а также подключить механику, которая будет убирать брак из готовой партии.

Другим примером сложной экосистемы является вариант пищевого ритейла, когда система настроена таким образом, что добавление нового товара в общую нейронную сеть магазина происходит не посредством привлечения дорогостоящих профильных специалистов, а сотрудниками магазина с любого мобильного устройства, задача которых – выполнить простейшую инструкцию. Как результат – сокращение количества времени на кассе при оплате, предупреждение воровства. И так тоже можно.

"Системы видеоаналитики в России. Итоги опроса проекта "Системы безопасности" >>>

Видеоаналитика на борту камеры

Только простейшие функции видеоаналитики целесообразно перенести из серверов в камеры, так как у камер мощностей процессора хватит лишь для неглубоких нейронок (одно-двухслойных). Классический пример – распознавание номерного знака или человека на дороге. Хотя этого редко бывает достаточно. Лучше все же постараться найти место для установки рядом с камерой небольшой коробки с нормальным CPU и GPU, причем речь не о сервере, нейросети и решения видеоаналитики могут работать и на компьютерах уровня "домашний ПК". Отличия серверов от ПК понятны, и так как некоторые системы видеоаналитики не являются критически важными для бизнеса, они могут быть реализованы на более доступном и не менее производительном железе уровня ПК.

Другим вариантом решения этой задачи может быть камера с модулем 4G/5G. Скорости сети в большинстве случаев будет достаточно, чтобы забирать весь видеопоток и полноценно анализировать его глубокими, качественными нейронками в ЦОД на полноценных серверах.

Решение принимает человек

За работой любой системы видеоаналитики должны стоять люди. Предлагаемые системы снижают риск пропустить что-то важное: они никогда не устают, как люди, их невозможно подкупить шоколадкой или договориться с ними, как с бабой Машей на КПП. Системы видеоаналитики призваны разгрузить человека, сняв с него рутинные операции и оставив за ним лишь функцию конечного контроля.

Управленческое решение или решение СБ все равно будет приниматься человеком на основании отчетов видеоаналитики.

Важно понимать, что системы, построенные на базе видеоаналитики, – это лишь опытные и экспертные помощники руководителей предприятий, которые позволяют делать работу более качественно и с меньшими издержками, но человека эти системы в ближайшем будущем не заменят. Нейросети, на базе которых работают данные системы, не могут самообучаться. Они выполняют несколько простых функций – детектирование, классификацию, трекинг объекта. Далее накладываются логика и математика, и вот он, продукт.

Даже если говорить о персонале, который выполняет простейшие функции на предприятии (та же баба Маша на КПП), нагрузка на него станет значительно меньше и, наверное, от пары таких сотрудников предприятие сможет отказаться, но совсем без них все равно не обойдется, так как ни одна информационная система не даст 100%-ный результат. Хорошим показателем для видеоаналитики является точность 98–99%. С этим и живем.

Опубликовано в журнале "Системы безопасности" №4/2020

Иллюстрация к статье сгенерирована нейросетью Kandinsky