Каталог товаров

Нейронные сети как основа интеллектуальных модулей Domination

09.04.2019 14:43:47

Распространение искусственного интеллекта можно назвать закономерным “витком”  в развитии рынка видеонаблюдения. Во-первых, видеокамеры сегодня устанавливаются на более широком спектре объектов: помимо промышленных предприятий, парковок, бизнес-центров и транспортных объектов, ими оснащаются небольшие магазины, стадионы, парки отдыха, заправочные станции, зоны банкоматов и другие. С другой стороны, число видеокамер на один объект может составлять десятки и даже сотни устройств. В таких условиях оператору становится все труднее своевременно заменить тревожное событие.

Как следствие, широкое применение на крупных объектах с большим числом камер получила видеоаналитика, которая самостоятельно не только фиксирует тревожные события и передает оповещения о них, но и решает другие, более сложные интеллектуальные задачи. И если для определения объекта и его отслеживания (трекинга) применялись классические алгоритмы видеоаналитики, то для задачи классификации объектов требуются новые решения, одним из которых стали искусственные нейронные сети.

Как применяются нейросети для анализа изображений

Искусственная нейронная сеть по своей сути является моделью человеческого мозга: она так же состоит из некоторого числа нейронов и так же, как естественный интеллект, способна обучиться решению той или иной задачи. Для обучения используется набор данных, подобный тем, которые впоследствии будет анализировать нейронная сеть.

Наиболее распространенным типом построения искусственных нейронных сетей является персептрон: на входе сеть получает определенный набор признаков, на основании которых объекту будет присвоено значение (определен его тип).

800px-Simple_perceptron.svg.png

Схема работы персептрона: на входе несколько признаков, на выходе - значения

В качестве примера рассмотрим задачу постановки диагноза больному. Врач отмечает  у пациента повышенную температуру тела, воспаление и увеличение миндалин, покраснение видимых дыхательных путей, и делает заключение - у больного ангина. Если бы та же задача решалась искусственной нейронной сетью, симптомы играли бы роль набора входящих данных, а ангина - роль значения, присвоенного объекту.

Наиболее сложным этапом в процессе анализа является выделение признаков объекта. Поэтому для анализа видео и фотоизображений применяются сверточные нейронные сети (или CNN), относящиеся к классу сетей глубокого обучения. Их работа во многом напоминает зрительную систему человека: изображения анализируется “слоями” (свертками) - на каждом из слоев анализу подвергается набор признаков одного уровня, от наименее к наиболее абстрактным.

Нейронные сети в модулях видеоаналитики Domination

Сверточные нейронные сети являются основой интеллектуальных модулей аналитики Domination - Детектора огня и Детектора дыма.  Применение сверточных нейросетей для определения возгорания - наиболее оптимальное решение, поскольку описать цвет, форму и характер движения огня и дыма с помощью алгоритма достаточно сложно и может привести к большому числу ложных срабатываний.

Для обучения детекторов Domination использовался большой объем видеоданных с присутствием огня и дыма. Для повышения точности работы видеоаналитики в выборке присутствовали кадры с разными условиями освещенности, типами сцены, качеством съемки. , а также с “ложными” объектами - людьми, машинами.

domination_fire.jpgdomination_smoke.jpg

Детекторы огня и дыма могут применяться в качестве дополнительных средств пожарной безопасности (но не заменять аппаратные решения по ОПС!). В  тех случаях, когда установить стандартные извещатели невозможно (например, на большой парковке, открытой индустриальной зоне, в лесной или парковой зоне), видеоаналитика может стать основным средством обнаружения и оповещения о пожаре.

03_fire_detector.png                                 04_smoke_detector.png

Детектор огня Domination                          Детектор дыма Domination

В качестве итога отметим несколько преимуществ применения нейронных сетей в видеоаналитике:
● решение более сложных задач - распознавание и классификация объектов
● возможность “дообучения” и повышения точности работы сети
● снижение стоимости видеоаналитики для конечного пользователя