شرکت هایکویژن یکی از پیشگامان استفاده از هوش مصنوعی در دوربینهای مداربسته است. این شرکت فناوری اختصاصی خود را Deep Learning نامیده است. مدیریت دادههای تصویری در سیستمهای مداربسته، یکی از چالشهای اصلی صنعت حفاظتی محسوب میشود. به همین دلیل، این صنایع همواره به دنبال توسعه نرمافزارها و تولید محصولات جدید هستند. در سالهای اخیر، فناوری با سرعت چشمگیری پیشرفت کرده است. پیشرفتهای ۴۰ سال اخیر، قابل مقایسه با چندین قرن گذشته نیست. یکی از موضوعات مهم در فناوریهای جدید، استفاده از هوش مصنوعی در محصولات الکترونیکی است. دوربینهای مداربسته نیز از این قاعده مستثنی نیستند. در این مقاله، به کاربرد هوش مصنوعی در این محصولات میپردازیم.
نارساییهای الگوریتمهای هوشمند قدیمی
تقاضای مشتریان روزبهروز گستردهتر میشود. در گذشته، سیستمهای مداربسته قابلیتهای امروزی را نداشتند. اما با ظهور فناوریهای جدید، این مشکلات برطرف شدهاند. اکنون شاهد قابلیتهای متنوعی مانند جستجوی سوژه و تعقیب هوشمند هستیم. با این حال، موضوع فعلی فراتر از این قابلیتهاست. سیستمهای نظارت تصویری هوشمند سالهاست که مورد استفاده قرار میگیرند. اما نتایج آنها هنوز ایدهآل نیست. هایکویژن با فناوری Deep Learning تلاش کرده است این نارساییها را برطرف کند. این فناوری از هوش مصنوعی برای تحلیل بهتر دادهها استفاده میکند.
دلایل محبوبیت Deep Learning
چند عامل اصلی باعث افزایش محبوبیت Deep Learning شدهاند. توانایی پردازش دادهها در مقیاس بزرگ، یکی از این عوامل است. قدرت محاسباتی فوقالعاده، مزیت دیگر این فناوری محسوب میشود. ساختار شبکهای نیز به کارایی آن کمک میکند. تشخیص چهره در دوربینهای مداربسته، یکی از قابلیتهای مهم و کارآمد است. این فرآیند دارای دو مرحله کلیدی است. مرحله اول، ارزیابی سوژه و جمعآوری اطلاعات از آن است. مرحله دوم، دستهبندی اطلاعات بهدستآمده میباشد.
ارزیابی سوژه و جمعآوری اطلاعات
دقت در مرحله ارزیابی، فاکتور بسیار مهمی است. این دقت، مستقیماً بر عملکرد الگوریتم تأثیر میگذارد. بیشتر پردازشها و محاسبات مربوط به این بخش است. در دوربینهای هوشمند قدیمی، الگوریتمها توسط متخصصان نرمافزار طراحی میشدند. این طراحیها اساساً مبتنی بر شاخصهای ذهنی بودند. تعریف ویژگیهای انتزاعی به شکل قابلدرک برای انسان، بسیار دشوار بود. در نتیجه، بسیاری از این ویژگیها حذف میشدند. در دوربینهای دارای تشخیص چهره، عوامل محیطی مانند مکان نصب، زاویه دید و نور، بر کارایی تأثیر میگذارند. این موضوع، یک نکته منفی محسوب میشود. اما در الگوریتمهای مبتنی بر هوش مصنوعی، به نکات ظریف و جزئی توجه بیشتری شده است.
دستهبندی اطلاعات بهدستآمده
سوژههای مختلف، ویژگیهای ظاهری متنوعی دارند. وسایل نقلیه، اشیا، افراد و حیوانات، هرکدام الگوریتمهای تشخیص خاص خود را نیاز دارند. ویژگیهای ظاهری وسایل نقلیه پیچیدگی چندانی ندارد. عواملی مانند نوع آرم، ابعاد و رنگ، شاخصهای اصلی هستند. به همین دلیل، دوربینهای هوشمند قدیمی در تشخیص اشیا و وسایل نقلیه موفق عمل میکردند. اما در مورد تشخیص انسان، به دلیل تنوع و پیچیدگی بالا، خطاهای زیادی رخ میداد. بنابراین، افزایش درک عمقی با طراحی الگوریتمهای پیچیدهتر در هوش مصنوعی، ضروری است.
مزایای Deep Learning و مقایسه الگوریتمها
فناوری Deep Learning هایکویژن، بر اساس پارامترها و الگوریتمهای پیشرفته طراحی شده است. این فناوری برای تشخیص المانهای ظاهری پیچیده، به کار گرفته میشود. در این روش، طراحیها توسط انسان انجام نمیشود. بلکه این کار به ماشینها سپرده شده است. جالب اینکه این تکنولوژی از سیستم عصبی مغز انسان الگوبرداری شده است. مغز انسان، توانایی یادگیری و دستهبندی موضوعات را در لایههای مختلف دارد. Deep Learning نیز میتواند کاراکترهای متنوع را درک و دستهبندی کند. همچنین، این سیستم قادر است اطلاعات اضافی را شناسایی و حذف کند. در صورت نیاز، اطلاعات جدیدی نیز ایجاد یا بازیابی میکند.
تبدیل الگوریتمهای سطحی به عمیق
الگوریتمهای قدیمی، ساختاری دو یا سه لایه داشتند. اما مدلهای Deep Learning، دارای صدها لایه متعدد هستند. به همین دلیل، این سیستمها میتوانند حجم عظیمی از اطلاعات را پردازش کنند. این مدل از سیستم یادگیری مغز انسان الهام گرفته است. فرآیند انتزاعی لایهلایه، اساس کار آن را تشکیل میدهد. هر لایه، شاخص و حجم پردازشی متفاوتی دارد. هرچه شاخص بالاتر باشد، مولفههای تعریفشده اختصاصیتر خواهند بود. در این فرآیند، یک پیام خارجی از لایههای مختلف عبور میکند. پس از پردازش، به صورت یک مفهوم عمیق و قابلدرک نمایش داده میشود.
حرکت از الگوریتمهای مصنوعی تا شناخت ویژگیها
در مدل Deep Learning، هیچ دخالت دستی انسانی وجود ندارد. تمام عملکردها به صورت کامپیوتری انجام میشود. این مدل قابلیت پردازش حجم عظیمی از اطلاعات را دارد. طبقهبندی اطلاعات به این صورت است که هرچه سوژه جزئیات بیشتری داشته باشد، تشخیص آن دقیقتر خواهد بود. از جمله مزایای این مدل میتوان به دقت تشخیص بالا اشاره کرد. این دقت در برخی موارد با قدرت مغز انسان برابری میکند. حتی در برخی مواقع، عملکرد بهتری نیز دارد. تشخیص دقیق سوژههای مختلف از یکدیگر، مزیت دیگر این فناوری است. همچنین قابلیت تشخیص و دستهبندی هزاران ویژگی از سوژههای مختلف، از دیگر مزایای آن محسوب میشود.
کاربردهای محصولات مبتنی بر Deep Learning
پیشرفت تکنولوژیهای صوتی و تصویری، اهمیت مدلهایی مانند Deep Learning را افزایش داده است. این الگو در قابلیتهای هوشمندی مانند تشخیص چهره، تشخیص نفوذ و ردیابی سوژه کاربرد دارد. با استفاده از این فناوری، میتوان نیازهای کاربران را به طور کامل برآورده کرد. از جمله کاربردهای این مدل در سیستمهای نظارت تصویری میتوان به تشخیص چهره، شناسایی چهره و تشخیص وسایل نقلیه اشاره کرد. تشخیص عابر پیاده، تشخیص ویژگیهای بدن انسان و تشخیص ویژگیهای غیرطبیعی صورت نیز از دیگر کاربردها هستند. تجزیه و تحلیل رفتاری جمعیت و ردیابی چند هدف نیز با این فناوری امکانپذیر شده است.
بدون نظر