سیستم های هوشمند برای کار به افراد باهوش نیاز دارند – SMART Surveillance 2023 – Leaderware
2. تجزیه و تحلیل ویدئویی یک اندازه نیست. تکنیکی که در یک مکان خوب کار می کند ممکن است در مکان دیگر کاملاً شکست بخورد و حتی آنچه روی یک دوربین در یک سایت کار می کند با دوربین دیگری در همان سایت و شرایط مشابه کار نمی کند.
7. استفاده از فناوری صفحه خالی (یا سیاه) همراه با تجزیه و تحلیل که در آن صفحه نمایش زمانی که زنگ هشدار وجود دارد فعال می شود، جریان ثابتی از آلارم های کاذب را تنها با چند نکته مثبت ایجاد می کند و اثر گرگ گریه ایجاد می کند و توجه و نگرانی اپراتور اتاق کنترل را نسبت به “زنگ” کاهش می دهد. در جایی که من اپراتورهایی را با یک دیوار ویدیویی دیده‌ام که همه دوربین‌ها را نشان می‌دهند (با اندازه قابل مشاهده)، اپراتورها تا حدودی خود را به این عادت می‌کنند که چه عواملی باعث تحریک دوربین‌ها می‌شود، چگونه اینها با جعبه‌ها یا هایلایت‌ها روی صفحه نمایش داده می‌شوند و چه چیزی غیرعادی است. این آنها را قادر می سازد تا به الگوی هشدارهای کاذب عادت کنند و بر رویدادهای احتمالی تمرکز کنند و بر کمبودهای فناوری که با آن کار می کنند غلبه کنند. با این حال، هشدارهای ادامه دار، که عمدتاً نادرست هستند، همچنان باعث حواس پرتی بزرگی از تشخیص هشدارهای رویداد کلیدی بالقوه می شوند.
نوشته دکتر کریگ دونالد
مشکلاتی که من مشاهده کردم مربوط به دقت تشخیص و حجم بسیار بالای آلارم‌های کاذب بود که اهمیت آنها را چند سال پیش نوشتم (در واقع، من یک فلاش بک به حدود 25 سال پیش داشتم، زمانی که به یاد می‌آورم که یک سیستم تشخیص حرکت در یک معدن آزمایش می‌شد و سپس خاموش می‌شد زیرا تقریباً چهار آلارم در ثانیه تولید می‌کرد و معلوم شد که بیشتر از هر چیزی حواس‌پرتی را ایجاد می‌کند.
ناامیدی من در تحویل در درجه اول در مورد عملکردهای ترکیبی تشخیص حرکت، سیم های الکترونیکی تردد یا عبور از خط و جعبه های محدودی بود که قوانین حرکت را می توان در آنها اعمال کرد، و طبقه بندی اشیا. همه اینها تکنیک های تحلیلی کلیدی هستند که در حفاظت محیطی و ناحیه ای به همراه سایر عملکردهای امنیتی استفاده می شوند.
نظارت هوشمند با استفاده از تجزیه و تحلیل ویدئویی یا “AI” در نماهای دوربین در چند سال گذشته پیچیدگی و ظرفیت خود را افزایش داده است و با استفاده مناسب می تواند کمک زیادی به گسترش پوشش امنیتی و شناسایی موثر داشته باشد.
اگر به موارد فروش، وب‌سایت‌ها و دموها و بحث‌های موجود در صنعت نگاهی بیندازیم، به نظر می‌رسد که قابلیت تجزیه و تحلیل ویدیویی تقریباً به سطوح مطلوب رسیده است. با استفاده از اصطلاح “AI” و تبلیغاتی که در مورد سیستم های هوشمند و یادگیری صحبت می کنند، به نظر می رسد از روایات بازاریابی ما تقریباً می توانیم بیشتر امنیت اتاق کنترل را به سیستم های مبتنی بر هوش مصنوعی واگذار کنیم. بنابراین، وقتی در اوایل سال جاری هنگام بازدید از یک سایت متوجه شدم که راه اندازی تجزیه و تحلیل نقطه ضعف اصلی در زیرساخت امنیتی خوب ساخته شده و پرسنل همراه بود، تا حدودی شگفت زده شدم. بیشتر به این نکته، قابلیت‌های یک سیستم خط برتر بین‌المللی بسیار کمتر از آن چیزی بود که انتظار داشتم.
توسعه پارامترهای خود از طریق قابلیت های یادگیری تجزیه و تحلیل نیز راهی برای به دست آوردن اثر هدفمندتر و بازدهی بهتر است، اما آماده باشید که زمان زیادی را برای آن صرف کنید – آموزش شرایط عادی و رویداد که باید واقع بینانه باشد.
5. طبقه بندی اشیاء این سیستم های «هوشمند» در بهترین حالت می تواند ابتدایی باشد. وقتی با یک متخصص فنی در یکی از سایت‌ها صحبت می‌کردم، او مجبور بود زمان قابل توجهی را صرف تشخیص سیستم بین ماشین‌ها و افراد کند، کاری که فکر می‌کردم به راحتی با تجزیه و تحلیل مدرن انجام می‌شود. تمایز بین جفتک، خرگوش، مارمولک و انسان به طور قابل توجهی ضعیف انجام می شود، به خصوص زمانی که این ها در پیش زمینه دوربین نباشند. هرچه دامنه دید دوربین بیشتر شود، ایجاد این نوع تمایزها دشوارتر می شود. حرکت تشخیص رویداد را آسان‌تر می‌کند، اما طبقه‌بندی یا تشخیص اشیا هنوز وجود ندارد.
بیشتر سیستم‌های تحلیلی مقدار مناسبی از سفارشی‌سازی را می‌دهند. نگاه کردن به مسائلی مانند زمان شروع، آستانه تشخیص چیزی، و ترکیب سیگنال‌های حرکتی و برداری، همه راه‌هایی هستند که تشخیص را می‌توان بهبود بخشید. اینها را می توان برای ماهیت و جهت حرکت، که در حال حاضر یک ابزار بالقوه قوی است، اعمال کرد. اگر از دوربینی در یک خط حصار طولانی استفاده می‌کنید، تعریف مناطق مختلف مانند پیش‌زمینه، زمین میانی و پس‌زمینه، و سفارشی‌سازی تجزیه و تحلیل برای این مناطق مختلف، می‌تواند تشخیص بهتر و کاهش آلارم‌های کاذب را با هزینه‌های استفاده برای شرایط میانی و پس‌زمینه ارائه دهد.
دکتر کریگ دونالد
نسخه چاپگر پسند
سیستم های هوشمند برای کار به افراد باهوش نیاز دارند
SMART Surveillance 2023 انتخاب سردبیر، دوربین مدار بسته، نظارت و مانیتورینگ از راه دور
این تجربه که باعث شد من این سوال را مطرح کنم که چرا تجزیه و تحلیل ویدئویی یک سیستم پیچیده جدید در یک سایت به خوبی کار نمی کند، باعث شد تا با تعدادی از متخصصان فنی در سایر عملیاتی که در آن کار می کردم و همچنین تامین کننده دوربین های امنیتی و VMS در سایت صحبت کنم. من متوجه شدم که این مشکلات نه تنها رایج بودند، بلکه گسترده بودند، نشان دادن عملکرد صنعت فقط با ادعاهایی که در مورد آن خواندید مطابقت نداشت، جایی که شما یک راه حل بسته بندی شده دریافت می کنید که “همه مشکلات شما را حل می کند”. من دلایل متعددی را برای کمبود عملکرد در مقایسه با انتظارات شناسایی کردم.
دکتر کریگ دونالد متخصص عوامل انسانی در امنیت و دوربین مدار بسته است. او مدیر Leaderware است که ابزارهایی را برای انتخاب اپراتورهای دوربین مداربسته، نمایشگرهای اشعه ایکس و سایر پرسنل امنیتی در عملیات های بزرگ در سراسر جهان فراهم می کند. او همچنین دوره‌های آموزش مهارت‌های نظارت دوربین مداربسته و زبان بدن و دوره‌های زبان بدن نظارت پیشرفته را برای اپراتورها، سرپرستان و مدیران دوربین مداربسته در سطح بین‌المللی اجرا می‌کند و در زمینه مدیریت دوربین‌های مداربسته مشاوره می‌دهد. می توان با او تماس گرفت +27 11 787 7811 یا [email protected]
وام)
9. بین حرکت تجزیه و تحلیل دورتر از نقطه حفاظتی حیاتی یا خط حصار برای اخطار اولیه و تعداد متغیرهای محیطی که قرار است بر عملکرد سیستم خارج از کنترل شما تأثیر منفی بگذارند، یک مبادله متمایز وجود دارد.
3. ماهیت پس‌زمینه، سطح فعالیت در پیش‌زمینه، منحصربه‌فرد بودن شی‌ای که می‌خواهید شناسایی کنید و ماهیت متغیر بالقوه آن می‌تواند به طور قابل توجهی بر موفقیت تشخیص تأثیر بگذارد.
4. تجزیه و تحلیل هوشمند به ورودی افراد باهوش زیادی نیاز دارد. مانند هر ابزار دیگری، نحوه تنظیم تجزیه و تحلیل ها نتایج متغیری را ارائه می دهد – اینها فرآیندها و رابط ها نیستند. هرچه تنظیم بهتر باشد، بهتر کار خواهند کرد. نه تنها این، بلکه باید فعالانه برای از بین بردن هشدارهای کاذب ناشی از هر چیزی از درختان گرفته تا موجودات زنده کار کرد.
ادراک در مقابل واقعیت
1. تظاهراتی که اغلب با تکنیک‌هایی مانند تشخیص حرکت، سیم‌های سفر الکترونیکی و طبقه‌بندی اشیا می‌بینیم، بر اساس شرایط تقریباً عالی برای عملکرد تجزیه و تحلیل است. هرچه بیشتر در معرض شرایط بالقوه دشوار قرار گیرند، بدتر می شوند. این نوع مشکل زمانی پیچیده می‌شود که فرد سعی می‌کند چیزهایی را در محدوده‌های حداکثری دوربین انتخاب کند – غیرعادی نیست زیرا افراد تمایل دارند فاصله محدوده دوربین را به حداکثر برسانند تا از هزینه‌های داشتن دوربین‌های بیشتر جلوگیری کنند.
منبع: https://www.securitysa.com/19872R
پیامدهای تنظیم ضعیف تجزیه و تحلیل معمولاً توسط اپراتورهای کنترل به وجود می آید، نه مدیریت یا ارائه دهندگان فناوری، تا زمانی که یک شکست بزرگ به سایت برسد. اغلب پیاده‌سازی ضعیف توسط انبوهی از هشدارها پنهان می‌شود که بر روی صفحه‌نمایش فلش می‌شوند تا نشان دهند که سیستم تجزیه و تحلیل ویدیویی «کار می‌کند»، در حالی که در عوض نمایه‌ای از هشدارهای ضعیف اجرا شده است که هیچ ارتباطی با وظیفه واقعی شناسایی ندارند. هشدارهای کاذب هنوز هم بزرگترین عامل بازدارنده برای تجزیه و تحلیل موثر است و به همان اندازه که یک مسئله فنی است یک مسئله انسانی است. نظارت هوشمند شما، اگر واقعاً هوشمند باشد، فقط به اندازه روشی است که آن را تنظیم و اجرا می‌کنید.
8. عوامل طبیعی مانند درختان و سایر پوشش‌های گیاهی مانند بوته‌ها و علف‌ها، به‌ویژه در اثر باد اغراق‌آمیز شده‌اند، علی‌رغم «هوشمندی» تحلیل‌ها، همچنان تعداد زیادی هشدار نادرست ایجاد می‌کنند.
بخش عمده ای از موفقیت در راه اندازی و مدیریت تجزیه و تحلیل ویدئویی به این است که چقدر زمان و توجه به تعریف قوانین، پارامترها و شرایطی که تجزیه و تحلیل باید تحت آن عمل کند، داده می شود. تجزیه و تحلیل هوشمند به افراد باهوش نیاز دارد تا آنها را با درک درستی از مشخصات ریسک منطقه و تأثیری که می گذارد تنظیم کنند. کارهای عجولانه به نتیجه نمی رسند، زیرا دقیق بودن یکی از عوامل مهم موفقیت است.
در نهایت، تعمیر و نگهداری و اصلاح مداوم برای عملکرد صحیح سیستم تجزیه و تحلیل ویدئویی ضروری است. شناسایی علل آلارم های کاذب، دور نگه داشتن مناطق تحت نظارت از محرک های محیطی، مانند شاخه ها و سایر پوشش های گیاهی متحرک، گفتن به سیستم چه مواردی را نادیده بگیرد، و تعریف مناطقی روی صفحه که نباید تحت تأثیر قرار گیرند، همه راه هایی برای بهینه سازی سیستم تجزیه و تحلیل و ارائه آن به آن هستند.
با این حال، تنها چند ماه پیش در سال 2023، با وجود این همه فناوری امنیتی مدرن و سیستم‌های نرم‌افزاری، دوربین‌های عالی، و یک اتاق کنترل نسبتاً خوب طراحی شده و عملکردی، اتاق کنترلی را تماشا می‌کردم که معمولاً یک زنگ هشدار در ثانیه را تجربه می‌کرد. اکثریت قریب به اتفاق این آلارم‌ها نیز آلارم‌های کاذب بودند که اپراتور را بیش از حد بارگذاری می‌کند و پیش‌بینی و تشخیص وضعیت هشدار واقعی را بسیار دشوارتر می‌کند. از آنجایی که یک زنگ هشدار در ثانیه به طور منظم اتفاق می‌افتد، گاهی اوقات چندین فعال‌سازی تقریباً همزمان اتفاق می‌افتند، و یک مانیتور نقطه‌ای آنقدر سریع به‌روز می‌شود که اپراتورها فرصتی برای مشاهده درست شرایط هشدار را نداشتند، تجزیه و تحلیل‌ها اپراتورهای یک سیستم امنیتی کاملاً توانمند را تحت فشار قرار می‌دادند.
6. این امکان وجود دارد که به این سیستم های “هوشمند” چیز خاصی را آموزش دهیم که به دنبال آن باشند و آن را به طور شگفت انگیزی سفارشی کنند. اما یک نفر باید آموزش را انجام دهد و برای اهداف بسیار خاص زمان زیادی می برد – احتمالاً باید به یادگیری خاص دوربین متوسل شوید و اهداف خاصی مانند PPE خاص را تعریف کنید. یادگیری ماشینی نیاز به تمرین زیادی دارد. تمرین زیاد با رفتارهای واقعی و نه فقط برخی از بردارهای شبیه سازی شده. پس از انجام، مسئله یک اندازه متناسب با همه ممکن است به این معنی باشد که شما نمی توانید به سادگی آن دانش را به دوربین دیگری منتقل کنید. حتی در شرایط مختلف مانند تغییرات فصل، اثر یادگیری در الگوریتم‌ها ممکن است نامعتبر شود.
نسخه چاپگر پسند
