Erik's Corner: De nieuwe ontwikkelingen AI, ML en DL

What’s all the buzz around Artificial Intelligence?

16 Maart 2021

De technologische ontwikkelingen gaan razendsnel en iedereen in onze markt krijgt er mee te maken. De laatste tijd gaat het vooral vaak over artificial intelligence (AI), machine- en deep learning (ML en DL). Misschien is het goed om daar eens bij stil te staan.

Camera-intelligentie kennen we al langer. Voorheen bedoelden we daarmee de video-analytics, zoals de veelgebruikte bewegingsdetectie. Dergelijke analytics waren veelal ontwikkelt om bewegingen in beeld te detecteren op basis van pixelveranderingen. En juist die pixelveranderingen waren ook een valkuil, omdat veranderende lichtomstandigheden, bewegende bomen en struiken, weersomstandigheden, dieren en insecten, voor veel meldingen zorgden. Meldingen die je eigenlijk niet wilde ontvangen.

Met de komst van AI veranderen we de wijze waarop we videobeelden analyseren en tot een detectie komen. In jip-en-janneketaal: we gebruiken de rekenkracht in de camera om objecten te herkennen en te vergelijken met een referentiekader.

Anders gezegd: om een kat of een hond te leren onderscheiden, zul je eerst moeten leren hoe een kat of een hond eruitziet. Dit soort intelligentie hangt dus samen met de manier waarop je leert en hoe vaak je repeteert: de kracht van herkenning. Waar we bij machine learning honderdduizend keer vertellen hoe een kat en een hond eruit kunnen zien, gaan we bij deep learning nog vele malen verder met het trainen van het algoritme. Daardoor zijn de resultaten van deep learning dus ook beter.

Vergelijk het met school: wanneer je op school een rekenproef moest maken en je oefende een paar keer op een som, dan was het risico groot dat je niet alles kon oplossen… als je maar een voldoende haalde.

Wanneer je echter bleef oefenen en dezelfde soort sommen telkens herhaalde, dan wist je dat je eigenlijk alles wel kon maken en ging je voor de hele dikke voldoende!

Veel rekenkracht nodig

Belangrijk kenmerk van de technologische ontwikkelingen is dat de rekenkracht in de componenten steeds meer toeneemt. Bij Axis speelt onze eigen ARTPEC-chipset daarbij een belangrijke rol. De rekenkracht die we ‘over’ hebben, kunnen we inzetten voor AI-toepassingen. Daardoor heeft het merendeel van onze ARTPEC-7 camera’s tegenwoordig de mogelijkheid om op basis van machine learning onderscheid te maken tussen personen en voertuigen.

Aangezien we voor deep learning nog meer rekenkracht nodig hebben, gebruiken we daarvoor een extra deep learning processing unit (DLPU) in de camera. Op die manier kunnen we verder gaan in de detectie en herkennen we ook kruipende, liggende of half zichtbare personen. Op dezelfde manier kunnen we ook onderscheid maken tussen vrachtwagens, bussen, auto’s en motoren. In de nabije toekomst zullen er steeds meer camera’s met DLPU beschikbaar komen.

Uit het bovenstaande kun je al opmaken dat ML en DL geen ultieme oplossing is. Om op een hele betrouwbare wijze specifieke objecten te kunnen detecteren, heb je veel rekenkracht nodig en daarnaast vooral ook een enorme dataset met relevante voorbeelden. Het is dus ondenkbaar dat een camera alles kan detecteren. Het tegengestelde is waar: de camera gaat enkel objecten en situaties herkennen waarvoor het specifiek is getraind. En hoe beter getraind, des te groter de betrouwbaarheid.

Omgeving speelt hierbij ook een belangrijke rol. Wij (Axis) kunnen onze camera’s trainen op het herkennen en onderscheiden van personen en voertuigen, echter ‘trainen’ we ze in algemene omstandigheden. Veel specifieke ML- en DL-algoritmen worden uiteindelijk extra getraind in de specifieke omgeving waarin ze opereren, om op die manier het rendement nóg verder te verhogen.

Belangrijkste les om te onthouden, is dat het trainen van een ML- en DL-algoritme, zeer tijdrovend, specifiek en complex is.

Maar wat willen we nu met AI, ML en DL?

Axis levert beveiligingsoplossingen. Nagenoeg zonder uitzondering worden veiligheidsuitdagingen veroorzaakt door personen of voertuigen. Vandaar dat we ons volledig hebben toegelegd op betrouwbare detectie en herkenning van dit soort objecten.

Voorheen hadden we bewegingsdetectie en ontvingen we een alarm, zonder te weten waardoor het alarm nu exact veroorzaakt werd.

Tegenwoordig zijn we in staat om heel specifiek een persoon of voertuig te onderscheiden. Daardoor krijgen we een nieuw scala aan mogelijkheden beschikbaar, doordat we bijvoorbeeld kunnen stellen dat we enkel een alarm willen ontvangen wanneer een persoon een virtuele lijn doorkruist of zich in een detectievlak bevindt. We weten dus wát de detectie moet veroorzaken, om tot alarmering over te gaan.

Rol van de mens

Onder aan de streep blijft de mens centraal staan in de verificatie van het alarm. Dit soort technologie gaat vooral ondersteunen in de presentatie van betrouwbare alarmen aan een operator en in het genereren van data. De algoritmen zorgen voor betrouwbare detectie en herkenning van specifieke situaties. Je hoeft dus niet meer naar alle camerabeelden te kijken, maar kunt er steeds meer op vertrouwen dat de intelligente detectie-algoritmen automatisch de relevante beelden onder de aandacht brengen. Deze ontwikkeling speelt dus in op de steeds toenemende hoeveelheid camera’s en componenten en daarmee op de steeds grotere hoeveelheid data die we moeten analyseren.

Toekomst?

Als fabrikant scheppen we de kaders voor ML- en DL-toepassingen. We bieden de mogelijkheid om er direct mee te werken door de camera’s al te trainen op personen- en voertuigdetectie en -classificatie. Daarvan kunnen gebruikers al direct gebruikmaken en het rendement van de detecties verhogen.

Veel belangrijker nog zijn onze Axis Application Development Partners (ADP), die deze technologie gebruiken om verder te ontwikkelen. Daardoor ontstaan er steeds nieuwe applicaties gebaseerd op ML en DL en kunnen we dus meer functionaliteit verwachten in de toekomst. Hierin spelen onze API’s, SDK’s en het AXIS Camera Station Application Platform (ACAP) een belangrijk rol.