هوش مصنوعي در دوربين مداربسته
لزوم مديريت داده هاي تصويري در سيستم هاي مداربسته از جمله مسائل مهم در صنعت حفاظتي و نظارت تصويري است. به همين منظور اين صنايع همواره در تلاش براي گسترش دستگاه ها يا سيستم ذخيره سازي از طريق توسعه نرم افزارها، توليد محصولات ابداعي و جديد و ...هستند.
در سالهاي اخير تکنولوژي آنچنان به سرعت گسترش يافته به طوري که پيشرفت هايي که در 40 سال اخير صورت گرفته قابل مقايسه با چند صده گذشته نيست. يکي از مسائل پيشرو در فناوري هاي جديد استفاده از هوش مصنوعي در محصولات الکترونيکي است که دوربين هاي مداربسته نيز از اين قاعده مستثني نيستند. در اين مقاله قصد داريم درباره کاربرد هوش مصنوعي در محصولات بپردازيم.
نارسايي هاي موجود در الگوريتم هاي هوشمند قديمي
مسئله اي که در اينجا مطرح است برآورد تقاضاي مشتري است که روز بروز ابعاد گسترده تري پيدا مي کند. در گذشته در سيستم هاي مداربسته قابليت هايي به شکل امروزي وجود نداشت اما رفته رفته با آمدن فناوري هاي جديدتر اين مسئله نيز برطرف شده به طوري که هم اکنون شاهد طيف وسيعي از قابليت هاي پردازش تصويري اعم از جستجوي سوژه در تصاوير، تعقيب و رديابي هوشمند و ... هستيم.
اما موضوعي که در حال حاضر مطرح است بسيار فراتر از قابليت هاي تصويري مذکور است. و با اينکه سيستم هاي نظارت تصويري هوشمند سال هاست که در دسترس بوده و مورد استفاده قرار مي گيرند، اما، هنوز نتايج حاصل از آنها در حد ايده آل نيست.
يکي از شرکت هاي پيشرو در زمينه ادغام هوش مصنووعي با سيستم هاي مداربسته، شرکت هايک ويژن است که نام فناوري ابداعي خود را Deep learning گذاشته است. در اين فناوري سعي شده است با بکارگيري هوش مصنوعي در محصولات بسياري از نارسايي هاي سيستم هاي هوشمند قديمي در تجزيه و تحليل داده ها برطرف گردد.
از دلايل عمده افزايش محبوبيت Deep Learning در سال هاي اخير مي توان به موارد زير اشاره نمود:
- توانايي پردازش داده ها در مقياس زياد
- قدرت محاسباتي فوق العاده
- ساختار شبکه اي
فرآيند تشخيص چهره در دوربين مداربسته يکي از قابليت هاي مهم و کارآمد است که داراي الگوريتم هاي مختلف و پيچيده اي است. اين فرآيند داراي دو مرحله کليدي است:
- ارزيابي سوژه و بدست آوردن اطلاعات لازم از آن
- دسته بندي اطلاعات به دست آمده
ارزيابي سوژه و بدست آوردن اطلاعات لازم از آن
درجه دقت در اين مرحله فاکتور بسيار مهمي است که مستقيما بر روي دقت الگوريتم تاثير مي گذارد. بيشتر کارهاي پردازشي و محاسباتي مربوط به اين بخش است. در دوربين هاي هوشمند قديمي طراحي الگوريتم ها توسط متخصصين نرم افزار انجام مي شد که اساسا بر اساس شاخصه هاي ذهني بود. به همين دليل تعريف بسياري از ويژگي هاي انتزاعي به طرزي که براي انسان قابل درک باشد بسيار سخت بود و ناچارا از بين مي رفت. در اين دسته از دوربين ها با قابليت تشخيص چهره بسياري از فاکتورهاي محيطي اعم از مکان نصب دوربين، زاويه ديد، ميزان نور در محيط بر روي کارايي اين قابليت تاثير گذار هستند که اين يک نکته منفي در آن محسوب مي گردد. در الگوريتم هايي که بر اساس هوش مصنوعي طراحي شده اند اما سعي شده تا به نکات ظريف و جزئي دقت شود.
دسته بندي اطلاعات به دست آمده
سوژه هاي مختلف اعم از وسايل نقليه، اشيا مختلف، افراد، حيوانات و ... داراي ويژگي هاي ظاهري مختلفي هستند و تشخيص هر کدام بر اساس الگوريتم هاي تعريف شده متفاوتي است. از آنجايي که ويژگي هاي ظاهري يک وسيله نقليه پيچيدگي خاصي نداشته و نهايتا شامل شاخصه هايي نظير نوع آرم، ابعاد، رنگ و ...است، دوربين هاي هوشمند قديمي در تشخيص اشيا و وسايل نقليه بسيار موفق عمل مي کردند.
اما در مورد کاراکترهاي ظاهري انسان به دليل آنکه اغلب به دليل تنوع بالا و پيچيدگي زياد دچار خطا مي شدند. و بازده خوبي ندارند به همين دليل افزايش درک عمقي بواسطه طراحي الگوريتم هاي پيچيده تر در هوش مصنوعي به شدت لازمه کارکرد بهتر قابليت تشخيص چهره در دوربين هاي مداربسته است.
آشنايي با مزاياي DEEP Learning و مقايسه الگوريتم هاي آن
تکنولوژي هوش مصنوعي در هايک ويژن که آن را با نام Deep learning مي شناسيم بر اساس پارامتر ها و الگوريتم هايي براي تشخيص المان هاي ظاهري پيچيده طراحي شده است. اين بدين معني است که طراحي ها ديگر توسط افراد انجام نشده و مي توان آن را بر عهده ماشين ها گذاشت.
نکته جالب توجه اينکه طراحي اين تکنولوژي بر اساس عملکرد سيستم عصبي مغز انسان انجام شده و همانطور که مغز توانايي يادگيري موضوعات و دسته بندي آنها را در لايه و سطوح مختلف خود دارد Deep learning نيز مي تواند کاراکترهاي متنوع را درک و دسته بندي کرده و اقدام لازم را در مورد آنها انجام دهد. کارايي اين سيستم در جايي بارز و مشخص مي گردد که مي تواند اطلاعات اضافي و کم اهميت را نيز تشخيص داده و در صورت لزوم حذف کند(object abstraction) و يا اينکه اطلاعات جديدي خلق يا بازيابي(recreation) نمايد. در زير به برخي از راهکارهاي مفيد ارائه شده در Deep learning مي پردازيم:
تبديل الگوريتم هاي سطحي به عميق
مدل هاي الگوريتمي در Deep learning برخلاف انواع قديمي تر که داراي ساختاري دو يا سه لايه بودند داراي صد ها لايه متعدد است. به همين سبب اين سيستم ها قادرند تا حجم وسيعي از اطلاعات را پردازش و دسته بندي کنند. همانطور که گفتيم مدل Deep learning منشا گرفته از سيستم يادگيري در مغز انسان است و از فرآيند انتزاعي لايه لايه تبعيت مي کند.
هر لايه داراي شاخص و حجم پردازشي متفاوتي است و هر چه شاخص بالاتري داشته باشد مولفه هاي تعريف شده براي آن اختصاصي تر خواهند بود. مثال فرآيند يادگيري در اين غالب بدين گونه است که يک پيام خارجي به محض دريافت از لايه هاي مختلف عبور کرده و پس از پردازش به صورت يک مفهوم و درک عميق از سوژه مورد نظر براي انسان به صورت قابل درکي نمايش داده خواهد شد.
حرکت از الگوريتم هاي مشخص مصنوعي تا شناخت ويژگي ها
در مدل هوش مصنوعي Deep learning هيچگونه دخالت دستي انسان وجود ندارد و تمامي عملکردها به صورت کامپيوتري انجام مي شود. اين مدل قابليت اين را دارد که حجم بسيار زيادي از اطلاعات را مورد پردازش قرار دهد. طبقه بندي اطلاعات در آن به اين صورت است که هرچه سوژه مورد نظر داراي جزئيات بيشتري باشد به صورت خيلي دقيق تري براي دستگاه قابل تشخيص خواهد بود. در زير به بخشي از مزاياي اين مدل اشاره شده است:
- دقت تشخيص بالا در تشخيص سوژه که مي تواند با قدرت مغز انسان برابري کرده و حتي در مواردي عملکرد بهتري نيز داشته باشد.
- قابليت تشخيص دقيق سوژه هاي مختلف از يکديگر
- قابليت تشخيص و دسته بندي هزاران ويژگي از سوژه هاي مختلف
کاربردهاي محصولات مبتني بر Deep Learning
به دليل رشد و پيشرفت تکنولوژي هاي صوتي تصويري اهميت ابداع مدل هايي مانند Deep Learning بسيار افزايش مي يابد. با استفاده از اين الگو در قابليت هاي هوشمند مانند تشخيص چهره، تشخيص نفوذ، رديابي و تعقيب سوژه و ... مي توان به طور کامل انتظارات و نياز هاي کاربران را برآورده ساخت. در زير به بسياري از کاربردهاي اين مدل در سيستم هاي نظارت تصويري اشاره شده است:
- تشخيص چهره
- شناسايي چهره
- تشخيص وسيله نقليه مختلف اعم از موتوردار يا بدون موتور (دوچرخه و …)
- تشخيص آرم تجاري وسيله نقليه
- تشخيص عابر پياده
- تشخيص ويژگي هاي بدن انسان
- تشخيص ويژگي هاي غير طبيعي صورت
- تجزيه و تحليل رفتاري جمعيت، رديابي چند هدف
- و …
هوش مصنوعي در دوربين مداربسته
لزوم مديريت داده هاي تصويري در سيستم هاي مداربسته از جمله مسائل مهم در صنعت حفاظتي و نظارت تصويري است. به همين منظور اين صنايع همواره در تلاش براي گسترش دستگاه ها يا سيستم ذخيره سازي از طريق توسعه نرم افزارها، توليد محصولات ابداعي و جديد و ...هستند.
در سالهاي اخير تکنولوژي آنچنان به سرعت گسترش يافته به طوري که پيشرفت هايي که در 40 سال اخير صورت گرفته قابل مقايسه با چند صده گذشته نيست. يکي از مسائل پيشرو در فناوري هاي جديد استفاده از هوش مصنوعي در محصولات الکترونيکي است که دوربين هاي مداربسته نيز از اين قاعده مستثني نيستند. در اين مقاله قصد داريم درباره کاربرد هوش مصنوعي در محصولات بپردازيم.
نارسايي هاي موجود در الگوريتم هاي هوشمند قديمي
مسئله اي که در اينجا مطرح است برآورد تقاضاي مشتري است که روز بروز ابعاد گسترده تري پيدا مي کند. در گذشته در سيستم هاي مداربسته قابليت هايي به شکل امروزي وجود نداشت اما رفته رفته با آمدن فناوري هاي جديدتر اين مسئله نيز برطرف شده به طوري که هم اکنون شاهد طيف وسيعي از قابليت هاي پردازش تصويري اعم از جستجوي سوژه در تصاوير، تعقيب و رديابي هوشمند و ... هستيم.
اما موضوعي که در حال حاضر مطرح است بسيار فراتر از قابليت هاي تصويري مذکور است. و با اينکه سيستم هاي نظارت تصويري هوشمند سال هاست که در دسترس بوده و مورد استفاده قرار مي گيرند، اما، هنوز نتايج حاصل از آنها در حد ايده آل نيست.
يکي از شرکت هاي پيشرو در زمينه ادغام هوش مصنووعي با سيستم هاي مداربسته، شرکت هايک ويژن است که نام فناوري ابداعي خود را Deep learning گذاشته است. در اين فناوري سعي شده است با بکارگيري هوش مصنوعي در محصولات بسياري از نارسايي هاي سيستم هاي هوشمند قديمي در تجزيه و تحليل داده ها برطرف گردد.
از دلايل عمده افزايش محبوبيت Deep Learning در سال هاي اخير مي توان به موارد زير اشاره نمود:
- توانايي پردازش داده ها در مقياس زياد
- قدرت محاسباتي فوق العاده
- ساختار شبکه اي
فرآيند تشخيص چهره در دوربين مداربسته يکي از قابليت هاي مهم و کارآمد است که داراي الگوريتم هاي مختلف و پيچيده اي است. اين فرآيند داراي دو مرحله کليدي است:
- ارزيابي سوژه و بدست آوردن اطلاعات لازم از آن
- دسته بندي اطلاعات به دست آمده
ارزيابي سوژه و بدست آوردن اطلاعات لازم از آن
درجه دقت در اين مرحله فاکتور بسيار مهمي است که مستقيما بر روي دقت الگوريتم تاثير مي گذارد. بيشتر کارهاي پردازشي و محاسباتي مربوط به اين بخش است. در دوربين هاي هوشمند قديمي طراحي الگوريتم ها توسط متخصصين نرم افزار انجام مي شد که اساسا بر اساس شاخصه هاي ذهني بود. به همين دليل تعريف بسياري از ويژگي هاي انتزاعي به طرزي که براي انسان قابل درک باشد بسيار سخت بود و ناچارا از بين مي رفت. در اين دسته از دوربين ها با قابليت تشخيص چهره بسياري از فاکتورهاي محيطي اعم از مکان نصب دوربين، زاويه ديد، ميزان نور در محيط بر روي کارايي اين قابليت تاثير گذار هستند که اين يک نکته منفي در آن محسوب مي گردد. در الگوريتم هايي که بر اساس هوش مصنوعي طراحي شده اند اما سعي شده تا به نکات ظريف و جزئي دقت شود.
دسته بندي اطلاعات به دست آمده
سوژه هاي مختلف اعم از وسايل نقليه، اشيا مختلف، افراد، حيوانات و ... داراي ويژگي هاي ظاهري مختلفي هستند و تشخيص هر کدام بر اساس الگوريتم هاي تعريف شده متفاوتي است. از آنجايي که ويژگي هاي ظاهري يک وسيله نقليه پيچيدگي خاصي نداشته و نهايتا شامل شاخصه هايي نظير نوع آرم، ابعاد، رنگ و ...است، دوربين هاي هوشمند قديمي در تشخيص اشيا و وسايل نقليه بسيار موفق عمل مي کردند.
اما در مورد کاراکترهاي ظاهري انسان به دليل آنکه اغلب به دليل تنوع بالا و پيچيدگي زياد دچار خطا مي شدند. و بازده خوبي ندارند به همين دليل افزايش درک عمقي بواسطه طراحي الگوريتم هاي پيچيده تر در هوش مصنوعي به شدت لازمه کارکرد بهتر قابليت تشخيص چهره در دوربين هاي مداربسته است.
آشنايي با مزاياي DEEP Learning و مقايسه الگوريتم هاي آن
تکنولوژي هوش مصنوعي در هايک ويژن که آن را با نام Deep learning مي شناسيم بر اساس پارامتر ها و الگوريتم هايي براي تشخيص المان هاي ظاهري پيچيده طراحي شده است. اين بدين معني است که طراحي ها ديگر توسط افراد انجام نشده و مي توان آن را بر عهده ماشين ها گذاشت.
نکته جالب توجه اينکه طراحي اين تکنولوژي بر اساس عملکرد سيستم عصبي مغز انسان انجام شده و همانطور که مغز توانايي يادگيري موضوعات و دسته بندي آنها را در لايه و سطوح مختلف خود دارد Deep learning نيز مي تواند کاراکترهاي متنوع را درک و دسته بندي کرده و اقدام لازم را در مورد آنها انجام دهد. کارايي اين سيستم در جايي بارز و مشخص مي گردد که مي تواند اطلاعات اضافي و کم اهميت را نيز تشخيص داده و در صورت لزوم حذف کند(object abstraction) و يا اينکه اطلاعات جديدي خلق يا بازيابي(recreation) نمايد. در زير به برخي از راهکارهاي مفيد ارائه شده در Deep learning مي پردازيم:
تبديل الگوريتم هاي سطحي به عميق
مدل هاي الگوريتمي در Deep learning برخلاف انواع قديمي تر که داراي ساختاري دو يا سه لايه بودند داراي صد ها لايه متعدد است. به همين سبب اين سيستم ها قادرند تا حجم وسيعي از اطلاعات را پردازش و دسته بندي کنند. همانطور که گفتيم مدل Deep learning منشا گرفته از سيستم يادگيري در مغز انسان است و از فرآيند انتزاعي لايه لايه تبعيت مي کند.
هر لايه داراي شاخص و حجم پردازشي متفاوتي است و هر چه شاخص بالاتري داشته باشد مولفه هاي تعريف شده براي آن اختصاصي تر خواهند بود. مثال فرآيند يادگيري در اين غالب بدين گونه است که يک پيام خارجي به محض دريافت از لايه هاي مختلف عبور کرده و پس از پردازش به صورت يک مفهوم و درک عميق از سوژه مورد نظر براي انسان به صورت قابل درکي نمايش داده خواهد شد.
حرکت از الگوريتم هاي مشخص مصنوعي تا شناخت ويژگي ها
در مدل هوش مصنوعي Deep learning هيچگونه دخالت دستي انسان وجود ندارد و تمامي عملکردها به صورت کامپيوتري انجام مي شود. اين مدل قابليت اين را دارد که حجم بسيار زيادي از اطلاعات را مورد پردازش قرار دهد. طبقه بندي اطلاعات در آن به اين صورت است که هرچه سوژه مورد نظر داراي جزئيات بيشتري باشد به صورت خيلي دقيق تري براي دستگاه قابل تشخيص خواهد بود. در زير به بخشي از مزاياي اين مدل اشاره شده است:
- دقت تشخيص بالا در تشخيص سوژه که مي تواند با قدرت مغز انسان برابري کرده و حتي در مواردي عملکرد بهتري نيز داشته باشد.
- قابليت تشخيص دقيق سوژه هاي مختلف از يکديگر
- قابليت تشخيص و دسته بندي هزاران ويژگي از سوژه هاي مختلف
کاربردهاي محصولات مبتني بر Deep Learning
به دليل رشد و پيشرفت تکنولوژي هاي صوتي تصويري اهميت ابداع مدل هايي مانند Deep Learning بسيار افزايش مي يابد. با استفاده از اين الگو در قابليت هاي هوشمند مانند تشخيص چهره، تشخيص نفوذ، رديابي و تعقيب سوژه و ... مي توان به طور کامل انتظارات و نياز هاي کاربران را برآورده ساخت. در زير به بسياري از کاربردهاي اين مدل در سيستم هاي نظارت تصويري اشاره شده است:
- تشخيص چهره
- شناسايي چهره
- تشخيص وسيله نقليه مختلف اعم از موتوردار يا بدون موتور (دوچرخه و …)
- تشخيص آرم تجاري وسيله نقليه
- تشخيص عابر پياده
- تشخيص ويژگي هاي بدن انسان
- تشخيص ويژگي هاي غير طبيعي صورت
- تجزيه و تحليل رفتاري جمعيت، رديابي چند هدف
- و …
مشخصات و شباهت هاي گوشي آيفون 13 و آيفون 12 و توضيح آن ها