W ciągu ostatniej dekady, dzięki wieloletniemu rozwojowi, postępy w analizie z kamer monitoringu znacząco zwiększyły możliwości przekształcania danych w użyteczne informacje i automatyczne działania. Analityka brzegowa stała się wszechstronną i innowacyjną dziedziną, napędzaną przez wydajne kamery z funkcjami przetwarzania opartymi na sztucznej inteligencji (AI).
Ta ewolucja utorowała drogę dla nowej generacji analizy danych. W rozmowie z Matsem Thulinem, dyrektorem ds. rozwiązań AI i analityki w Axis Communications przybliżamy jej obecne możliwości i przyszły potencjał.
Wprowadzenie ARTPEC-9 – naszego najnowszego układu SoC (System-on-Chip) – stanowi znaczący krok naprzód w zakresie analityki brzegowej opartej na AI. ARTPEC-9 poprawia wykrywanie obiektów i analizę zdarzeń, jednocześnie zapewniając wysoką jakość obrazu dzięki wydajnemu kodowaniu AV1 i zaawansowanym funkcjom cyberbezpieczeństwa. Choć analiza obrazu w kamerach nie jest nowością, to połączenie wysokiej jakości obrazu i głębokiego uczenia się stanowi silną podstawę do zwiększenia wydajności i precyzji analiz.
Mniejsze zapotrzebowanie na analizę serwerową
„Jeszcze kilka lat temu kamery nie dysponowały wystarczającą mocą obliczeniową do zaawansowanej analityki, więc analiza serwerowa była standardem” – wyjaśnia Mats Thulin. „Choć serwery wciąż oferują dużą moc obliczeniową, to jednak wiąże się to z pewnymi wyzwaniami. Przykładowo – kompresja wideo przed przesłaniem może pogorszyć jakość obrazu analizowanego później. A przy skalowaniu systemów poleganie wyłącznie na analizie serwerowej lub chmurowej może generować wysokie koszty, zwłaszcza przy rosnących wymaganiach”.
Nowa definicja analizy dzięki sztucznej inteligencji zapewniającej niezrównaną wydajność i precyzję
Analiza oparta na AI wymaga dużych zasobów obliczeniowych. Mats tłumaczy: „Gdy analiza odbywa się wyłącznie na serwerze, wideo musi być zakodowane na obrzeżach sieci, a następnie zdekodowane do analizy – co wymaga sporej mocy przetwarzania. Nawet system z 20–30 kamerami HD działającymi w 20–30 kl./s wymaga znacznych zasobów obliczeniowych”.
Moc obliczeniowa naszych urządzeń brzegowych oraz ich możliwości są już na takim poziomie, że zaawansowaną analitykę można realizować bezpośrednio w kamerze. Pozwala to ograniczyć zależność od serwerów i chmury oraz przeprowadzać analizę już w miejscu rejestracji – co jest kluczowe dla dokładności.
Obrazy zoptymalizowane dla maszyn i ludzi
Coraz częściej to maszyny, a nie ludzie, analizują obraz z kamer. To istotne, ponieważ maszyny przetwarzają obraz inaczej niż ludzkie oko.
„Możemy obecnie dostrajać obraz wideo specjalnie pod kątem analityki AI, by osiągać lepsze rezultaty” – mówi Mats. „Dla ludzkiego oka ważna jest np. redukcja szumu, by zwiększyć czytelność. Jednak dla AI nie zawsze jest to konieczne – algorytmy analizują obraz w inny sposób”.
Lepsza skalowalność systemu dzięki rozwiązaniom hybrydowym
Analityka brzegowa może znacznie ograniczyć ilość przesyłanych danych, poprawiając efektywność wykorzystania sieci, pamięci i mocy obliczeniowej. Analiza serwerowa nadal jednak pełni istotną rolę. Najlepsze efekty często zapewnia podejście hybrydowe – łączące moc analityki brzegowej z serwerową i chmurową.
Systemy oparte wyłącznie na analizie brzegowej świetnie nadają się do generowania zdarzeń w czasie rzeczywistym – opartych na wykrywaniu i klasyfikacji obiektów. Jednak w bardziej złożonych środowiskach optymalne są rozwiązania hybrydowe.
Wykorzystanie potencjału metadanych
Metadane – w kontekście wideo – zasadniczo oznaczają kluczowe elementy sceny, dodając opisy lub informacje o tym, co się dzieje, a nie tylko rejestrując surowy materiał filmowy. Ta dodatkowa warstwa informacji umożliwia oprogramowaniu do zarządzania wideo (VMS) uruchamianie działań w czasie rzeczywistym lub ukierunkowane wyszukiwanie po zdarzeniu czy analizowanie trendów.
Dzięki analizie brzegowej strumień metadanych działa płynnie wraz z przekazem wideo, optymalizując wydajność systemu. Zamiast przetwarzać cały materiał wideo centralnie, analizowane są tylko istotne metadane. Takie podejście przyspiesza przetwarzanie, zwiększa dokładność i obniża koszty, umożliwiając uzyskanie głębszych informacji bez przeciążania systemu.
Ochrona prywatności dzięki analizie brzegowej
Analityka brzegowa może też zwiększyć ochronę prywatności – np. poprzez inteligentne maskowanie danych wrażliwych już na poziomie kamery. „Twarze, tablice rejestracyjne czy inne identyfikatory mogą być rozmywane” – wyjaśnia Mats. – „Niemaskowany obraz pozostaje dostępny tylko dla uprawnionych osób, np. w przypadku incydentu”.
Przesuwanie granic technologii brzegowej
W Axis redefiniujemy możliwości brzegowego przetwarzania danych poprzez naszą platformę ACAP (Axis Camera Application Platform). To otwarta platforma dla programistów, oferująca interfejsy API, frameworki i wsparcie dla języków programowania wysokiego poziomu. Dzięki niej kamery Axis stają się elastycznymi platformami do analityki, bezpieczeństwa i zastosowań biznesowych.
„Dzięki ACAP programiści mogą tworzyć niestandardowe, skalowalne aplikacje o wysokiej wydajności” – podkreśla Mats.
Axis wspiera także standardy ONVIF w zakresie metadanych, co pozwala na budowę hybrydowych architektur opartych na otwartych rozwiązaniach, zapewniających integrację i interoperacyjność w różnych środowiskach.
Kształtowanie inteligentniejszych i bardziej niezawodnych systemów w różnych branżach
Postępy w wykrywaniu i klasyfikacji zmieniają sposób działania branż na całym świecie.
„Nowoczesne kamery potrafią odróżnić ulicę, trawnik czy parking, co pozwala na bardziej precyzyjną analizę i segmentację sceny” – wyjaśnia Mats. „To z kolei wspiera innowacje i tworzenie jeszcze bardziej niezawodnych systemów”.
Analityka brzegowa zmienia reguły gry – przenosząc przetwarzanie AI bezpośrednio do źródła danych. Ulepszenia w zakresie wykrywania, integracji metadanych i skalowalności wyraźnie pokazują jej potencjał. Jak ujął to Mats Thulin: “Analityka brzegowa przetwarza dane tam, gdzie są generowane, otwierając nowe możliwości dla inteligentniejszych i bardziej responsywnych systemów w wielu dziedzinach.”
