2020-12-15

Videoövervakning – Del 4 av 7

Så långt har AI kommit inom videoövervakning

Artificiell intelligens är en gren av datavetenskap som studerar och utvecklar metoder som gör det möjligt för datorer att simulera intelligent beteende.

Artificiell intelligens är en gren av datavetenskap som studerar och utvecklar metoder som gör det möjligt för datorer att simulera intelligent beteende.

Alla pratar om AI (artificiell intelligens). Men vad är AI? Hur definierar vi det i säkerhetsbranschen?

Detektor har pratat med Mats Thulin, Director Core Technologies, på Axis Communications, om AI och dess potential inom videoövervakning.

Artificiell intelligens är en gren av datavetenskap som studerar och utvecklar metoder som gör det möjligt för datorer att simulera intelligent beteende.

– Generellt sett är AI ett mycket brett koncept, men när det gäller specifikt videoanalys är huvudfokus att effektivisera driften och addera värden genom att automatiskt bearbeta och analysera videoströmmar, säger Mats Thulin.

Han menar att det är mer relevant att tala om maskininlärning, som är en underkategori till AI.

– Som namnet antyder tillåter maskininlärning datorer att förbättra algoritmer genom inlärning, baserat på verkliga exempel. De förbättrade algoritmerna används sedan för att analysera bilder eller videosekvenser för att generera larm, metadata eller annan information.

Deep learning

Mats Thulin, Director Core Technologies, på Axis Communications.
Mats Thulin, Director Core Technologies, på Axis Communications.

Mats Thulin menar att uppmärksamheten de senaste åren har riktats mot en underkategori till maskininlärning, nämligen deep learning – som framställer algoritmer baserade på simulerade neurala nätverk.

– Idén för den här typen av algoritm är inspirerad av det mänskliga synsystemet, därav namnet neurala nätverk. I deep learning-nätverk ordnas lager av operationer i en hierarki av komplexa och abstrakta lager där varje lager använder information från det tidigare för att dra slutsatser, säger han.

Mats Thulin betonar att modeller baserade på deep learning möjliggör mer komplexa videoanalysalgoritmer och generellt sett uppnår större exakthet än de traditionella.

– I videoövervakningssystem används de främst vid detektering, klassificering och igenkänning av olika typer av objekt. Men en nackdel med deep learning-algoritmer är att de kräver mer beräkningskapacitet och mer matematiska uträkningar jämfört med traditionella algoritmer.

Efterfrågan på mycket data

Maskininlärning och deep learning kräver enorma mängder med relevant inmatning av data för att tränas upp till att uppnå goda resultat. Om tillräckligt med relevant data – och datorkraft – är tillgängligt för träning kan maskininlärnings- och deep learningbaserade metoder effektivt bearbeta den för att åstadkomma algoritmer med bättre precision. Datorn kan analysera tusentals bilder för att hitta detaljer som kännetecknar specifika objekt i olika scenarier, menar Mats Thulin.

– Om datan och dess beskrivning är av hög kvalitet kan en applikation baserad på deep learning uppnå ännu större exakthet. Men tillgängligheten på högkvalitativa data kan vara en utmaning.

Till skillnad från den allmänna uppfattningen om AI så saknar dagens teknik fortfarande medvetenhet eller vad som kan kallas allmän intelligens. I applikationer där tekniken används fokuserar den på mycket specifika problem inom begränsade områden, menar Mats Thulin.

– För att till exempel en röstapplikation som Siri eller Alexa ska svara rätt på våra frågor måste vi ställa mycket specifika och exakta frågor. Annars får vi helt obegripliga svar. Och på samma sätt kan ett dåligt definierat användningssyfte, utan korrekt avgränsning, leda till att applikationer ger sämre noggrannhet inom övervakningssystem.

Baserat på de nuvarande begränsningarna i exakthet betonar Mats Thulin att vi måste vara försiktiga med hur och var tekniken ska användas.

– Dagens teknik förbättrar effektiviteten men det faktiska beslutet i ett övervakningsscenario måste fortfarande göras av väktaren eller operatören. Det måste finnas en människa med i processen, säger han.

Övervakning i fokus

När ny teknik mognar och tar sig förbi den inledande hajpen kommer teknikens svagheter och begränsningar att bli tydliga och tillväxt sker sedan endast inom de områden där tekniken verkligen adderar värde enligt Mats Thulin.

– Inom videoövervakning är det viktigt att utgå från användningssyfte: vilket problem försöker du lösa, vilken effekt vill du uppnå? Med en god förståelse för ditt specifika användningssyfte är det mycket mer sannolikt att nå ett bra resultat om du tillämpar maskininlärning och deep learning.

Mats Thulin säger också att det finns applikationer och användningssyften där deep learning-analys verkligen redan adderar värde, till exempel när man letar igenom stora mängder av inspelat material på jakt efter specifika objekt eller händelser, vilket brukar kallas för forensic search.

– Användningen av övervakningssystem baserade på deep learning kommer att öka, men det krävs en försiktig approach. Det är avgörande att verkligen förstå användarsyften, teknikens begränsningar och göra grundlig testning och utvärdering för att säkerställa att det avsedda resultatet uppnås, säger han.

Edge-baserad analys

Bildkvaliteten är grundläggande för att kunna utföra videoanalys. System för videoövervakning måste fungera dygnet runt 365 dagar om året – oavsett temperaturförändringar och/eller varierande ljusförhållanden ska den fortfarande analysera bilden korrekt i realtid. En trend i branschen är att mer avancerad videoanalys flyttas till kamerorna, som har applikationer för att utföra analysen.

Det innebär sparad bandbredd eftersom endast extraherad data behöver överföras från kameran, vilket också kan vara en fördel när det gäller integritet. Dessutom innebär det besparingar vad gäller dyr hårdvara på serversidan och mer exakt analys, eftersom videon analyseras innan den komprimeras, vilket minskar risken för att kvaliteten försämras.

– Intelligent analys i kameran kommer att öppna många nya möjligheter för applikationer som ytterligare kommer att öka säkerheten och säkerställa och ge fler fördelar när det gäller effektiv drift, avslutar Mats Thulin.

Den här artikeln/artikelserien har producerats av facktidningen Detektor i samarbete med SecurityUser.com.



Leverantörer
Ändra marknad
Till toppen av sidan
Stäng