Iedereen heeft het over AI en de beveiligingsindustrie is enthousiast over de mogelijkheden van AI. Nu er steeds meer producten op de markt komen, overwegen klanten de overstap naar AI-gedreven camera's en onderzoeken ze de voordelen.
Axis gaat voor het gebruik van AI in zijn producten. System-on-Chip (SoC), ARTPEC-8 is een belangrijk onderdeel van veel van de AI- en deep learning-functionaliteiten in ons portfolio. Hier bekijken we waarom het de moeite waard is om te investeren in AI-gedreven camera's. We kijken niet alleen naar toekomstbestendigheid, maar ook naar de voordelen die je er op dit moment meteen van hebt.
Beslissingen nemen voor de toekomst van bewakingsoplossingen op korte en lange termijn
Klanten die op zoek zijn naar een beveiligingsoplossing moeten op de lange termijn denken. Een bewakingscamera gaat minimaal vijf jaar mee. Gedurende deze tijd moet een nieuwe camera gezien worden als een platform voor toekomstig gebruik en toekomstige waarde. Hoewel AI-gedreven camera's direct al tastbare voordelen bieden, zullen toekomstige innovaties de mogelijkheden van AI-gedreven camera's in alle mogelijke sectoren versnellen.
De rol van AI, machine learning en deep learning in videobewaking groeit en daarmee kunnen we onze camera's steeds beter 'leren' om intuïtiever om te gaan met wat er op beeld plaatsvindt en deze gebeurtenissen in realtime te analyseren. Als klanten zich alleen richten op de AI-gedreven analytics die op dit moment beschikbaar zijn, zien ze iets belangrijks over het hoofd. Namelijk de toepassingen die nu nog in ontwikkeling zijn, maar op korte of lange termijn beschikbaar komen.
Sommigen zullen het gevoel hebben dat een investering in AI-gedreven camera's een sprong in het diepe is, maar er zijn al direct voordelen.
Voordelen vandaag en nog meer voordelen in de toekomst
Een investering in een AI-gedreven camera levert vanaf het moment van installatie voordelen op voor veiligheid, beveiliging en operationele efficiëntie. We hebben al een aantal camera's in ons portfolio die gebruik maken van analytics gebaseerd op deep learning, bijvoorbeeld nauwkeurigere objectdetectie en -classificering.
Momenteel toont edge-analyse van camerabeelden met behulp van videobewegingsdetectie of iets of iemand beweegt. Vervolgens, en na verdere analyse door een videomanagementsysteem (VMS), interpreteert een menselijke operator waardoor de beweging precies is veroorzaakt en of ze dreiging of een veiligheidsrisico inhoudt. Via machine learning en deep learning kunnen we een camerasysteem echter "trainen" om bepaalde objecten automatisch te classificeren, zodat operatoren zich kunnen concentreren op echte bedreigingen in plaats van op bewegend struikgewas, snel bewegende schaduwen, enz. De geclassificeerde objecten worden als metadata naar het VMS gestuurd voor verdere analyse door een menselijke operator of gebruikt om geautomatiseerde reacties te activeren op basis van vooraf ingestelde regels. Aangezien de initiële analyse op de camera plaatsvindt - in plaats van op een server of in de cloud - kan kostbare bandbreedte worden bespaard omdat alleen relevante gegevens via het systeem worden verstuurd.
Het aanmaken van metagegevens naast de videobeelden - dit zijn eigenlijk de gegevens over de beelden - is een belangrijke vooruitgang. Het potentieel hiervan is ongelofelijk waardevol bij het doorzoeken van grote hoeveelheden beeldmateriaal waarop bijvoorbeeld auto's of mensen staan. De eigenschappen van deze beelden, bijvoorbeeld kleuren van auto's, kleding of rijrichting, worden tot in detail geanalyseerd. In de toekomst zal dit ook belangrijk zijn voor het herkennen van patronen en trends die van onschatbare waarde zullen zijn voor operationele efficiëntie en planning.
De toegenomen nauwkeurigheid van edge-analytics - en het vermogen om verschillende objecttypen van elkaar te onderscheiden - vermindert direct het aantal fout-positieven en fout-negatieven. Daarbij volgt een afname in tijd en middelen om de fout-positieven te onderzoeken. Edge-analytics werkt proactief en leidt tot een snellere respons die ook beter past. Door het verwerkingsproces door het hele systeem te verspreiden, gaan de kosten omlaag en gaat de gebruikerservaring en klantwaarde omhoog.
De voortdurende verbeteringen in het Axis-cameraplatform maken verdere ontwikkelingen en betere native edge analytics mogelijk en stimuleren het ontwerp van een nieuwe generatie analytics-toepassingen.
Het potentieel van AI-gedreven camera's wordt alleen beperkt door de vindingrijkheid van ontwikkelaars. Zij zijn voortdurend op zoek om de mogelijkheden van analytics verder uit te breiden. Het ontwerp van AXIS Camera Application Platform (ACAP) versie 4 verlaagt de drempel voor ontwikkelaars om op de edge te opereren en leidt tot een nieuwe generatie van computervisietoepassingen voor het AI-gedreven cameraplatform van Axis.
Een slimme beslissing in slimme technologie
De stap naar AI-gedreven camera's moet niet aanvoelen als een sprong in het diepe, maar eerder als een klein stapje in het inbeeldingsvermogen. De voordelen voor de toekomst zijn duidelijk, maar klanten kunnen er ook nu al hun voordeel mee doen. Iedereen die dankzij een deeplearningtoepassing de voordelen heeft ondervonden van minder valse alarmen, wil nooit meer terug.
Bewakingscamera's hebben een lange levensduur. Nu investeren in AI-gedreven camera's is een beslissing die nog jarenlang waarde zal opleveren. Beperk de mogelijkheden van je toekomstige videobewakingssysteem niet door een kortzichtige beslissing vandaag.