Раздел: СТОП-КАДР Тема: Системы видеонаблюдения Автор: Марк ПАВЛИЦА, региональный специалист Axis Communications по коммуникациям в России, СНГ и Восточной Европе
Искусственный интеллект в видеоаналитике: заблуждения и реальные возможности
Технология искусственного интеллекта в сфере аналитической обработки видеоизображений сегодня находится на ранней стадии активной популяризации, в так называемом периоде «завышенных ожиданий», в условиях информационного шума. На нее возлагается много надежд (впрочем, как и ответственности), однако ее реальные возможности осознают далеко не все. Благодаря машинному обучению и периферийной аналитике организации действительно смогут вывести свою систему безопасности на новый функциональный уровень, но, вероятно, не так, как они представляют себе это сейчас. Искусственный интеллект – просто хорошая имитация В общих чертах искусственый интеллект в видеоаналитике можно представить как алгоритм машинного обучения, который обрабатывает видеоизображения или фотографии и распознает объекты на них на основе существующей комбинации визуальных характеристик. Наверное, в этом и заключается львиная доля заблуждений: мы привыкли воспринимать «интеллект» в контексте общего человеческого интеллекта, основанного на сознании, мышлении, креативности и стремимся наделить машину теми же качествами. К сожалению или к счастью, искусственный интеллект применительно к машине – это только имитация человеческого мышления, оно происходит не самостоятельно и свободно, а лишь с помощью тех цифровых алгоритмов, которым машину обучили. Или, в случае deep learning, – алгоритмы (нейросеть) создают новые знания на основе уже полученного и проанализированного материала. Иными словами, научить машину обрабатывать изображения нетрудно, но заставить ее мыслить, как человек, и грамотно, безошибочно распознавать объекты гораздо сложнее. Первая сложность заключается в создании большого объема релевантных данных. Пояснить это можно на простом примере. Допустим, мы загрузили изображение кошки и попросили машину воспринимать все похожие объекты как кошек. Но что будет, если машина увидит кошку со стороны хвоста, кошку в траве, бегущее животное или только его голову? Для точного распознавания всех кошек алгоритму потребуется иметь как можно больше входных данных, вариаций одних и тех же объектов, а также наличия признаков, по которым можно отличить кошку, например, от собаки или лисы. Более того, если кошка на какой-то части выборки будет случайно маркирована как собака, система в рабочем режиме может повести себя неадекватно. Программа обучения Процесс разработки аналитического приложения на основе машинного обучения состоит из нескольких этапов. В первую очередь, необходимо четко определить цель создаваемого приложения, например, распознавание людей или животных, определенных транспортных средств и номерных знаков на них. Ведь даже для того, чтобы правильно считать номерной знак, система должна определить объект как транспортное средство (отличить, например, от человека, несущего табличку с цифрами) и найти на нем область, где этот знак располагается. Один из самых трудоемких процессов – сбор большого объема данных, отдельных снимков и видеоматериалов и их аннотирование. Как правило, при машинном обучении оперируют несколькими тысячами изображений, а при глубоком обучении – миллионами. Аннотирование представляет собой классификацию и маркировку объектов, с целью исключения ошибок оно производится в основном в ручном режиме. Далее эти аннотированные данные загружаются в модель, где происходит непосредственно обучение, итеративное изменение и оптимизация модели до тех пор, пока она не станет соответствовать поставленным задачам.
На определенных этапах обучения, а также по его окончании модель тестируется сначала в режиме лабораторного моделирования (в нее загружают ранее не использованные данные и наблюдают за реакцией), а потом и в условиях реальной нагрузки. Возможны случаи, когда результат проверки оказывается неудовлетворительным, и весь процесс, начиная со сбора обучающих данных, приходится начинать заново. Если же модель соответствует ожиданиям, начинается этап развертывания. В ходе него делаются выводы и прогнозы по поводу выполнения обученной моделью своих функций в рамках системы видеонаблюдения с соответствующей производительностью. То, что мы не могли себе представить Специалисты в области видеонаблюдения уже находят самые разнообразные сценарии применения аналитики на основе искусственного интеллекта. Типичный пример: более точное распознавание транспортных объектов в системах управления трафиком, идентификация грузовиков, автобусов, легковых автомобилей и мотоциклов, сокращение количества ложных сигналов тревоги. Аналитическая система также может зафиксировать движущийся объект на запрещенной для прохода территории, распознать в нем человека (а не животное) и выдать предупредительный сигнал. Однако на этом наше изучение возможностей машинного обучения не завершается. Более того, это только начало. С развитием этой технологии, особенно на уровне deep learning, мы сможем добиться от системы видеонаблюдения еще более интересных вещей. Система способна в течение долгого времени накапливать, обрабатывать и анализировать огромный объем данных – их аналитику физически невозможно произвести вручную. Благодаря этому нам становится доступна информация о неких закономерностях и аномалиях в контролируемых процессах – то, о чем мы даже не могли предположить. Использовать их можно не только для охраны, но и для мониторинга условий труда, улучшения сервиса, анализа бизнес-процессов, прогнозирования инцидентов (например, задымлений). К слову, в США медицинский алгоритм глубокого обучения Etemadi научился самостоятельно диагностировать рак легких гораздо точнее и на более ранних стадиях, чем, если бы просто сопоставлял загруженные в модель снимки. Даже по этому примеру можно судить о том, насколько важны для общества исследования в области искусственного интеллекта, глубокого обучения, видеоаналитики, машинного зрения. Ограничения и перспективы искусственного интеллекта Очевидно, что какую бы задачу видеоаналитики для искусственного интеллекта мы ни рассматривали, обучение модели и ее работа должна основываться на данных хорошего качества. Упомянутая выше медицинская система оперирует снимками компьютерной томографии, сделанными в высочайшем разрешении. Обычно же нам приходится иметь дело с различными видеокамерами и различными сценариями, которые могут кардинально влиять на работу аналитической системы. Качество изображения может зависеть от разрешения и светочувствительности камеры, условий освещения и наличия хорошей подсветки в ночное время, правильного расположения камеры, воздействия внешних факторов – таких, как падающие листья, дождь или снег. На точность аналитики влияют расстояние от камеры до объекта, скорость и направление движения объекта, а также настройка параметров записи. Известны случаи, когда камера обладала высоким разрешением, но всё равно упускала часть объектов из виду – просто потому, что система анализировала кадры, сделанные с низкой частотой. Возможно, для полноценной работы видеоаналитики камеру придется настроить на непрерывную съемку, без какой-либо фильтрации исходной записи. Разумеется, нельзя недооценивать и постоянное обслуживание устройств, так как обычная грязь или паутина (бывает и такое) на объективе делают работу камеры бесполезной. Многое зависит от производительности системы и качества сети, которая должна быть способной без задержек и сбоев передать видеопоток. Сейчас, впрочем, мы больше говорим о периферийной аналитике, когда вычисления происходят на борту камеры, а на сервер отправляется уже результат этой аналитики – метаданные. Расположенные на борту камеры алгоритмы машинного обучения требуют от устройства больших вычислительных ресурсов. Нужная производительность достигается с помощью графических процессоров с особой архитектурой ядра и дополнительных специализированных модулей обработки данных с поддержкой технологий machine learning и deep learning. Видеоаналитика с помощью технологий искусственного интеллекта и машинного обучения – это несомненное будущее отрасли видеонаблюдения. Она позволит расширить функциональность и область применения систем видеонаблюдения, автоматизировать и качественно улучшить широкий спектр бизнес-процессов. Особую роль в будущем будет играть периферийная аналитика, она позволит в условиях потребления всё большего объема данных оптимизировать системы хранения и снизить нагрузку на сетевую инфраструктуру.
Внимание! Копирование материалов, размещенных на данном сайте допускается только со ссылкой на ресурс http://www.tzmagazine.ru Рады сообщить нашим читателям, что теперь нашем сайте работает модуль обратной связи. Нам важна ваша оценка наших публикаций! Также вы можете задавать свои вопросы.Наши авторы обязательно ответят на них. Ждем ваших оценок, вопросов и комментариев!

Добавить комментарий или задать вопрос

Правила комментирования статей

Версия для печати

Средняя оценка этой статьи: 0  (голосов: 0)
Ваша оценка: