حوزه هوش مصنوعی یا Deep Learning در دوربین مداربسته اساسا زمانی استفاده می شود که ماشین ها بتوانند وظایفی را انجام دهند که نیاز به هوش انسانی داشته باشد، این مسئله یادگیری ماشین را در بر دارد.Deep Learning با استفاده از شبکه های عصبی مصنوعی و الگوریتم هایی که از مغز انسان الهام گرفته شده اند از مقدار زیادی داده، تجربه کسب می کند و همانطور که انسان به صورت تجربی برخی موارد را می آموزد، الگوریتم های Deep Learning با انجام دادن یک وظیفه به طور مکرر هر بار برای بهبود یک وظیفه کمی آن را تغییر می دهند تا به بهترین نتیجه می رسند. هرچه Deep Learning الگوریتم های بیتشری را یاد بگیرند و تکرار کنند، عملکر بهتری دارند.
Deep Learning در دوربین مداربسته چه کاربردی دارد؟
محدودیت در توانایی انسان برای نظارت هوشیارانه در تصویر دوربین های مداربسته، منجر به روی کار آمدن هوش مصنوعی در دوربین مداربسته شده است. مسلما، کنترل کردن تعدادی دوربین از توانایی انسان خارج است و این نظارت انسانی عملا بی فایده است به دلیل اینکه انسان هایی که بیش از 20 دقیقه در حال تماشای یک مانیتور نظارتی باشند، 95% توانایی خود را در حفظ توجه کافی برای تشخیص وقایع مهم از دست می دهند.
بخش سیستم نظارتی، برنامه های بی شماری را برای هوش مصنوعی ارائه میدهند که الگوریتم های ماشین های یادگیری، Deep learning و سیستم های نظارتی را به اکوسیستم های هوش بصری تبدیل می کنند که قادر به تشخیص و تجزیه و تحلیل رویداد ها و رفتار ها با دقتی بالا هستند که توسط چشم انسان قابل دستیابی نیست و عملا غیر ممکن است. سال هاست که کاربران در حال استفاده از دوربین های مداربسته هستند و هر روزه نیازهایشان افزایش پیدا می کند. یکی از شرکت های پیشرو در زمینه فناوری Deep learning شرکت هایلوک است. این فناوری توانسته بسیاری از اشکالات و ایرادات بصری را برطرف کند
مزایای استفاده از هوش مصنوعی
مقیاس داده ها
به طور خاص، با افزایش مقیاس داده ها، عملکرد الگوریتمی نیز افزایش می یابد؛ دیتا های سیستم دوربین های مداربسته 60% کل داده های بزرگ را تشکیل می دهد که با این حجم از دیتا، شناسایی و تشخیص انسان، وسایل نقلیه و اشیا برای استفاده در سیستم های نظارتی دقیق تر می شوند.
قدرت پردازش بالا
الگوریتم های Deep learning، به مقدار زیادی نمونه نیاز دارند و به طبع محاسبات بسیار زیادی را انجام می دهند که در گذشته الگوریتم های Deep learning قادر به پردازش بیشتر از 100 لایه نبودند. امروزه تنها با استفاده تعداد کمی پردازنده گرافیکی می توان به قدرت محاسباتی تقریبا 1000 برابر حتی با سرعت بالاتر دست یافت. این توسعه در پردازنده های گرافیکی امکان توسعه Deep learning ها را فراهم کرده است.
ساختار شبکه
در نهایت، ساختار شبکه نقش خود را برای پیشبرد Deep learning ایفا میکند. برای کاربرد های پیچیده مانند تشخیص چهره یا مکان هایی با میزان روشنایی، زاویه، رزولوشن و حالت های مختلف ساختار شبکه بر دقت و صحت تشخیص بسیار تاثیر می گذارد؛ هرچه لایه های بیشتری در الگوریتم های هوش مصنوعی وجود داشته باشد، کارایی بهتری خواهند داشت
کاهش هشدار های غلط با به کارگیری Deep Learning
به طور معمول اکثر دوربین ها به رفتار و حرکات حساس هستند و تشخیص حرکت برگ، گربه، پلاستیک و انسان برایشان زمان بر خواهد بود اما با به کار گیری هوش مصنوعی می توان این زمان را به حداقل رساند تا هر چه سریعتر فرم بدن انسان و… را تشخیص بدهد و هشدار های اشتباه را کاهش بدهد و یا حتی به صفر برساند.
به عنوان مثال موقعیتی را فرض کنید که در شب همه جا در سکوت مطلق است و تعداد کمی ماشین و آدم در حوالی دوربین مداربسته وجود دارند. در این حالت نیز امکان وجود 50 هشدار غلط وجود دارد که با فرض بر اینکه بررسی هر هشدار غلط 2-3 دقیقه طول می کشد و اگر از این 50 هشدار 3 تای آن ها زمان بیشتری برای بررسی لازم داشته باشد، کاربر یا باید سیستم را بررسی کند یا کسی باید به محل مورد نظر برورد و مشکل را بررسی کند که آیا واقعا کسی بدون اجازه وارد شده است یا خیر که در اکثر سازمان ها این گزارشات باید ثبت شوند و در انتها این هشدار های اشتباه در هر شب حدود 3 ساعت زمان را تلف کند.
سخن آخر
با به کارگیری هوش مصنوعی تشخیص انسان از ماشین بسیار راحت تر خواهد بود و کمتر شاهد هشدارهای غلط خواهیم بود؛ بر اساس تجربیات، الگوریتم های Deep Learning باعث افزایش 38 درصدی دقت تشخیص و شناسایی می شوند که این عدد در مثال بالا حدود 2 ساعت زمان را هر شب ذخیره میکند و این امر باعث می شود فناوری هوش مصنوعی یک مزیت بزرگ در راه حل های امنیتی با قابلیت های همچون عبور از خط، تشخیص نفوذ و ورد و تشخیص خروج محسوب میشود.
ثبت ديدگاه