آرشیو برچسب: دوربین مداربسته تحت شبکه

مقالات

مغز متفکر دوربین‌ها: نگاهی به تاریخچه ۲۰ ساله نوآوری در تراشه‌های Wisenet هانوا ویژن

Posted on by مدیر

در قلب هر دوربین امنیتی مدرن، یک قطعه کوچک و قدرتمند قرار دارد که تمام جادو در آن اتفاق می‌افتد: سیستم روی یک تراشه (SoC). این تراشه، مغز متفکر دوربین است که همه چیز، از پردازش تصویر گرفته تا اجرای تحلیل‌های هوشمند را مدیریت می‌کند. پیشرفت‌ها در فناوری SoC، دوربین‌های امنیتی را از سیستم‌های بزرگ و ناکارآمد گذشته به دستگاه‌های هوشمند، جمع‌وجور و قدرتمند امروزی تبدیل کرده است.

در حالی که بسیاری از تولیدکنندگان به تراشه‌های عمومی و شخص ثالث تکیه می‌کنند، شرکت هانوا ویژن (Hanwha Vision) با توسعه راه‌حل‌های SoC اختصاصی و داخلی برای بیش از ۲۰ سال، خود را متمایز کرده است. این سفر نوآوری که با توسعه پردازنده‌های سیگنال تصویر (ISP) داخلی آغاز شد، اکنون با معرفی آخرین دستاورد این شرکت، Wisenet 9، به اوج خود رسیده است.

 

قدرت توسعه داخلی: چرا ساخت تراشه اختصاصی یک مزیت استراتژیک است؟

در گذشته، پردازش ویدئو نیازمند اجزای الکترونیکی مجزا و متعددی بود که نتیجه آن سیستم‌هایی بزرگ و ناکارآمد بود. ظهور مدارهای مجتمع و پس از آن SoCها، این فرآیند را متحول کرد. با توسعه بازار نظارت تصویری تحت شبکه، تقاضا برای SoCهای تخصصی افزایش یافت. هانوا ویژن با سرمایه‌گذاری بر روی توسعه داخلی، توانسته است کنترل کاملی بر تمام جنبه‌های طراحی تراشه داشته باشد.

این کنترل مستقیم به معنای بهینه‌سازی عملکرد سیستم، تسهیل سفارشی‌سازی و پیشبرد نوآوری‌های فناورانه است. این رویکرد به هانوا اجازه می‌دهد تا الگوریتم‌های تحلیل ویدئویی خاص خود را تسریع کرده و کیفیت تصویر را به حداکثر برساند. نتیجه این کنترل، سرعت پردازش بالاتر، تأخیر کمتر و مصرف انرژی بهینه‌تر است که در نهایت به عملکرد برتر و تجربه امنیتی قابل اعتمادتری منجر می‌شود.

علاوه بر این، توسعه داخلی SoC، سازگاری سریع‌تر با فناوری‌های نوظهور و الزامات امنیتی جدید را ممکن می‌سازد. قابلیت‌های جدید Wisenet 9، مانند کاهش نویز (NR) مبتنی بر هوش مصنوعی و دامنه دینامیکی بسیار گسترده (Extreme WDR) برای وضوح تصویر استثنایی، و قابلیت RE-ID برای ردیابی و جستجوی پیشرفته افراد در میان چندین دوربین، این سازگاری را به وضوح نشان می‌دهد.

 

عصر آنالوگ: پایه‌ریزی بنیادها (۲۰۰۴-۲۰۰۹)

تخصص هانوا ویژن در پردازش تصویر، بسیار پیش از آنکه برند Wisenet مترادف با دوربین‌های شبکه پیشرفته شود، آغاز شد. در اوایل دهه ۲۰۰۰، تمرکز شرکت بر روی توسعه ISP برای دوربین‌های آنالوگ بود.

  • W3 ISP: اولین گام در توسعه تراشه که زمینه را برای پیشرفت‌های آینده فراهم کرد.
  • W5, A1, SV5 ISPs: این تکرارها نشان‌دهنده تعهد شرکت به بهبود قابلیت‌های پردازش تصویر برای سیستم‌های آنالوگ و ایجاد دانش بنیادی برای SoCهای دیجیتال آینده بود.

 

گذار دیجیتال: توسعه ISP برای دوربین‌های شبکه (۲۰۱۰)

 

با تغییر چشم‌انداز نظارت تصویری به سمت دوربین‌های تحت شبکه (IP)، هانوا ویژن نیاز به راه‌حل‌های دیجیتال را تشخیص داد.

  • Wisenet 1 و Wisenet 2 ISPs: این‌ها اولین ISPهایی بودند که به طور خاص برای دوربین‌های IP توسعه یافتند و نیازهای منحصر به فرد پردازش ویدیوی دیجیتال را برطرف کردند.

 

عصر Wisenet SoC: پیشبرد قابلیت‌ها (۲۰۱۱-۲۰۲۰)

انقلاب واقعی با توسعه Wisenet S SoC آغاز شد که نشان‌دهنده حرکت هانوا ویژن به سمت طراحی چیپست‌های یکپارچه بود.

  • Wisenet S: اولین SoC کامل که برای دوربین‌های شبکه رده پایه طراحی شد.
  • Wisenet 3: با تکیه بر نسل قبل، این SoC پشتیبانی از رزولوشن بالاتر، کدک H.264، تحلیل‌های ویدئویی هوشمند و عملکرد مه‌زدایی (Defog) را معرفی کرد.
  • Wisenet 5: این تکرار، هانوا ویژن را به سمت تحلیل‌های پیشرفته سوق داد و قابلیت‌هایی مانند طبقه‌بندی صدا، کدک H.265 و فناوری فشرده‌سازی ویدئوی WiseStream را معرفی کرد.
  • Wisenet 7: این SoC که اوج تخصص شرکت تا آن زمان بود، از رزولوشن فوق‌العاده بالا (4K)، رابط‌های چند سنسوری و امنیت سایبری تقویت‌شده پشتیبانی می‌کرد و زمینه را برای تحلیل‌های پیشرفته هوش مصنوعی فراهم کرد.

 

Wisenet 9: انقلاب هوش مصنوعی در لبه (۲۰۲۵)

بر پایه این میراث غنی، هانوا ویژن Wisenet 9 را معرفی می‌کند. این تراشه که حاصل نزدیک به چهار سال توسعه متمرکز است، یک جهش کوانتومی در عملکرد، دقت و امنیت ارائه می‌دهد.

Wisenet 9 با ادغام واحدهای پردازش عصبی (NPU) قدرتمند، عملکرد استنتاج هوش مصنوعی را در مقایسه با Wisenet 7، سه برابر بهبود بخشیده است. این امر، ویژگی‌های پیشرفته‌ای مانند بهبودهای تصویر مبتنی بر هوش مصنوعی برای وضوح برتر، کارایی هوشمند از طریق کاهش حجم داده و حریم خصوصی تقویت‌شده از طریق پوشش حریم خصوصی پویا (DPM) را امکان‌پذیر می‌سازد. نوآوری‌های کلیدی مانند RE-ID برای ردیابی افراد، طبقه‌بندی صدای هوش مصنوعی و امنیت قوی مبتنی بر FIPS 140-3 Level 3، رهبری فناورانه هانوا را که حاصل رویکرد SoC اختصاصی آن است، به نمایش می‌گذارد.

 

آینده Wisenet: پیشتازی در انقلاب امنیت مبتنی بر هوش مصنوعی

تعهد هانوا ویژن به توسعه داخلی SoC، این شرکت را به عنوان یک رهبر در صنعت نظارت تصویری تثبیت کرده است. با افزایش تقاضا برای تحلیل‌های ویدئویی هوش مصنوعی و امنیت تقویت‌شده، تراشه‌های Wisenet، از جمله پیشرفته‌ترین آن‌ها یعنی Wisenet 9، نقشی حیاتی در شکل‌دهی به آینده نظارت تصویری ایفا خواهند کرد؛ آینده‌ای که در آن، دوربین‌ها دیگر تنها ناظران منفعل نیستند، بلکه شرکای هوشمندی هستند که به ما در درک و ایمن‌سازی دنیای اطرافمان کمک می‌کنند.

مقالات

چهره ی تکنولوژی ویدئویی در سال 2019

Posted on by مدیر

تنها در طول چند دهه، صنعت نظارت ویدئویی شاهد تغییراتی اساسی در زمینه تکنولوژی بوده است؛ گذار از دوربین های آنالوگ و سیستم های مداربسته به سوی سیستم های دیجیتال و تکنولوژی های ویدئویی IP که قدرت هوش مصنوعی ﴿AI﴾ را تحت کنترل خود در آورده اند.

بدون شک صنعت تولید سیستم های مدیریت ویدئویی VMS صنعتی رو به رشد است که طبق پیش بینی های صورت گرفته انتظار میرود تا سال 2019 ارزش این صنعت به 5.0$ میلیارد دلار در منطقه آسیا-اقیانوسیه برسد.

هر چه دوربین ها و سنسورها پیشرفته تر شده و تکنولوژی های نوظهوری چون اینترنت اشیاء ﴿IoT﴾ در حجم گسترده تری با سیستم های مدیریت ویدئویی تلفیق میشوند، انتظار میرود که تکنولوژی های مربوط به سیستم های ویدئویی به یک اندازه روی بیزینس ها و بازارها تاثیر بگذارند.

بنابراین در سال پیش رو از صنعت تکنولوژی ویدئویی چه انتظاری باید داشت؟ در این مقاله سه روندی که همچنان باعث تغییر زاویه دید و رویکرد ما در سال 2019 و پس از آن میشود مورد بحث و بررسی قرار خواهد گرفت.

هوش مصنوعی :عامل استمرار تغییر در بازار نظارت ویدئویی

هوش مصنوعی همچنان به بهبود وضعیت دوربین های نظارتی کمک خواهد نمود – این تکنولوژی دوربین ها را مجهز به مغزهایی دیجیتال میسازد که با چشمان آنها هماهنگ بوده و سیستم ها را قادر میسازد تا ویدئوهای زنده و ضبط شده را در حجم های بالاتر آنالیز کنند.

در گذشته از دوربین ها به عنوان اجسامی منفعل و مجهول یاد میشد، اما با کمک تحلیل رفتاری و بینش های پیشگیرانه همان دوربین ها حال به سرمایه هایی فعال و ارزشمند تبدیل شده اند. به عنوان مثال در شهرهایی چون سنگاپور و گویانگ کره، سیستم-های مجهز به تکنولوژی ویدئوی هوشمند در حال بکار گرفته شدن در مراکز فرماندهی و مراکز نظارتی هستند تا با کارایی و کارآمدی بیشتری به مبارزه با جرائم پرداخته شود.

در شهر سنگاپور، با کمک آگاهی نسبت به شبکه های عظیمی از دوربین های نظارتی موجود در جزیره های این کشور، تکنولوژی تشخیص چهره در حال مورد آزمایش قرار گرفتن است. سیستم ویدئویی مجهز به هوش مصنوعی قادر به تشخیص چهره ی افراد در یک محیط شلوغ و همچنین جدا کردن افراد موردنظر در لیست پیگیری نیروهای پلیس میباشد.

در شهر گویانگ نیز بکارگیری و مدیریت یکپارچه  و 24 ساعته سیستم های نظارتی-امنیتی به کمک سیستم های مجهز به هوش مصنوعی امکان پذیر شده است؛ این سیستم ها با استفاده از آنالیتیک های ویدئویی به انجام این دست کارهای دشوار میپردازند و به هر یک از کارکنان اجازه میدهند تا به بازبینی همزمان حدود 100 دوربین  پرداخته و به حفظ منابع ارزشمند شهری کمک کنند.

با پیشرفت صنعت نظارت، تکنولوژی ویدئویی مجهز به هوش مصنوعی تاثیر به مراتب بیشتر و عمیقتری روی صنعت نظارت ویدئویی میگذارد. طبق تخمین های صورت گرفته، تا سال 2020 حدود 1 میلیارد دوربین ویدئویی متصل به پلتفرم های  هوش مصنوعی وجود خواهد داشت و در سال 2019 این روند به صورت گسترده شروع به قدرت گرفتن خواهد نمود.

تکنولوژی ویدئویی: یک باید در استراتژی آی.تی هر شرکت

در شرکت های مدرن امروزی، پیشگامان بیزینسی و تصمیم گیرندگان کلیدی علاوه بر اهمیت قائل شدن برای ایمنی و امنیت سرمایه های کمپانی ها، روی آگاهی بهتر نسبت به فرآیندها و محیط های بیزینسی تاکید میکنند. دقیقا اینجاست که تکنولوژی ویدئویی هوشمند قادر به بهبود عملکرد بیزینسی و کاستن هزینه های عملیاتی خواهد بود.

بخش خرده فروشی نمونه ای از صنعتی است که به صورت کامل آماده ی استفاده از مزیت های تکنولوژی ویدئویی پیشرفته میباشد.

این صنعت راه زیادی را از گذشته تا به کنون آمده است؛ درگذشته به دوربین های ویدئویی تنها به عنوان سرمایه های ایمنی و امنیتی نگاه میشده است. در واقع خرده فروشان امروزی از گستره ی عظیمی از ابزارآلات و قابلیت های قدرتمند برخوردار هستند؛ اینترنت اشیاء (IoT) و سیستم های آنالیتیک ویدئویی از جمله این ابزارآلات و قابلیت ها هستند که به خرده فروشان اجازه میدهند تا آگاهی بیشتری نسبت به رفتار مشتریان خود و مسیر حرکت آنها در داخل مغازه کسب کنند.

به عنوان مثال، ویدئوی هوشمند قادر به تشخیص ورود یک فرد به فروشگاه و دنباله روی حرکات او در داخل فروشگاه میباشد. این کار باعث شکل گرفتن نقشه ای حرارتی میشود که به خرده فروشان اجازه میدهد تا متوجه شوند که هر یک از افراد به چه مدتی به یک ویترین نگاه کرده اند، قسمت های موردپسند فروشگاه کجا هستند و اینکه خریداران کدام قسمت ها را نادیده گرفته اند. این موضوع به خرده فروشان کمک میکند تا متوجه شوند چه کسی محصولات را بهتر معرفی و ارائه کرده و به صورت کارآمدتری شروع به انجام کارهای فروشگاه میکند و همچنین اینکه چه کسی روی کمپین های بازاریابی تاثیر بیشتری میگذارد.

همچنین ویدئوها قادر به تشخیص صف افراد هستند، بدین شکل خرده فروشان میتوانند زمان های بخصوصی که به پرسنل بیشتری نیاز است را متوجه شوند و در زمان هایی که به صورت غیرمنتظره سر پرسنل با تعداد زیاد مشتریان شلوغ میشود به پرسنل خود نسبت به باز کردن یک گیشه ی جدید آموزش دهند. همه ی این موارد به خرده فروشان کمک میکند تا از منابع انسانی خود به صورت بهینه استفاده کنند.

برای خرده فروشان، چنین استراتژی داده-محوری باعث کاهش هزینه های مربوط به نگهداری از مشتریان و زمان لازم برای ایجاد پروفایل های کاربران میشود. از سوی دیگر با کمک این استراتژی، مشتریان مزایای مضاعفی از لحاظ خدمات و محصولات بهتر دریافت میکنند.

ویدئو و اینترنت اشیاء نیروهای متصل به یکدیگری که از طریق نوآوری های تکنولوژی باعث تغییر بیزینس ها میشوند.

با افزایش تعداد دستگاه های متصل به یکدیگر از طریق تکنولوژی IoT و فوران کل داده های تولید شده، آنالیتیک های ویدئویی باعث افزایش سرعت خودکارسازی حجم بالای داده های غیرساختارمند میشوند؛ بدین شکل بینش و دانشی ایجاد میگردد که به کمک آن میتوان کاری انجام داد و ارزش های بیزینسی را قفل گشایی نمود.

طبق پیش بینی گارتنر، تا سال 2020 به جای آنالیز محتواهای (ویدئویی/تصویری) شرکتی توسط انسانها، حدود 99 درصد از این محتواها توسط ماشین ها آنالیز میگردند، بیشتر از 30 درصد در سال 2018. این پیش بینی با کمک جمع آوری پیشرفته داده ها و اتوماسیون سیستم ها، سرویس و نرم افزارها به واقعیت تبدیل خواهد شد، چرا که این کارها همچنان باعث افزایش میزان ویدئوها و نوآوری های آنالیتیکی ویدئویی میشوند.

به عنوان مثال در هارتفورد، ایالت کانکتیکات آمریکا، مجریان قانون این منطقه با بکارگیری تکنولوژی ویدئویی توانستند یک مرکز مواد مخدر را با کمک حجم بالای ترافیک مشکوک اطراف آن خانه شناسایی کنند. کارگاهان مربوطه، به جای بکارگیری تعداد زیادی از منابع خود برای تحت نظر گرفتن محل موردنظر در خودروها و یا در پشت بام ها توانستند در کمتر از یک دقیقه شواهد کافی را برای حمله به خانه موردنظر به دست آورند و بدین شکل حدود 32 ساعت کاری در انجام این ماموریت صرفه-جویی کنند.

آینده ی ویدئوها

پیشرفت های صورت گرفته در صنعت نظارت ویدئویی، ارگان های مختلف را بر آن داشته است که روی رویکرد خود نسبت به سیستم های ویدئویی تجدیدنظر کنند. از امن نگه داشتن شهرهای هوشمند گرفته تا بهینه سازی فروشگاه های خرده فروشی، آینده-ی ویدئوها امیدوارکننده به نظر میرسد. هنگامی که بیزینس ها شروع به دیدن موارد کاربرد بخصوص و عملی سیستم های نظارت ویدئویی میکنند، شاهد بکارگیری وسیع ویدئوهایی فراتر از امنیت در صنایع مختلف خواهیم بود.

منبع: مجله a&s

مقالات

هوش مصنوعی و خودروهای خودگردان

Posted on by مدیر

هوش مصنوعی (AI)، صنعت خودروسازی را تحت کنترل خود گرفته است تا بدین شکل تولید خودروهای خودگردان سطح-4 و سطح-5 کلید بخورد. شاید این سوال برای شما پیش بیاید که چرا علیرغم پیدایش و مطرح شدن هوش مصنوعی از سال 1950، این تکنولوژی به تازگی سر زبانها افتاده و شهرت یافته است؟ به صورت ساده شاید بتوان گفت که دلیل رشد سریع تکنولوژی هوش مصنوعی، وجود حجم بالای داده هایی است که امروزه در اختیار افراد قرار دارد. با کمک دستگاه ها و سرویس های متصل به هم، افراد میتوانند در هر صنعتی به جمع آوری داده ها بپردازند و در نتیجه آنچه را که برای آغاز انقلاب هوش مصنوعی AI لازم است تامین کنند. علیرغم تلاش های صورت گرفته برای بهبود سریع سنسورها و دوربین ها برای تولید داده های مربوط به خودروهای خودگردان، شرکت انویدیا در ماه اکتبر سال 2017 از نخستین کامپیوتر هوش مصنوعی خود پرده برداری کرد تا امکان یادگیری عمیق، بینایی رایانه ای و الگوریتمهای محاسباتی موازی را فراهم سازد. تکنولوژی هوش مصنوعی AI به بخش مهمی از تکنولوژی خودروهای خودگردان تبدیل شده است و دانستن چگونگی کارکرد این تکنولوژی در خودروهای خودگردان و متصل به یکدیگر حائزاهمیت است.

هوش مصنوعی چیست؟

مهندس کامپیوتری به نام جان مک کارتی، اصطلاح «هوش مصنوعی» را در سال 1955 ساخت. تعریفی که از هوش مصنوعی ارائه میشود بدین شرح است: توانایی یک برنامه کامپیوتری یا ماشین برای فکر کردن، یادگیری و اتخاذ تصمیمات. در استفاده ی کلی، این اصطلاح به معنای ماشینی است که قوه ی فهم انسانی را جعل میکند. با کمک تکنولوژی هوش مصنوعی AI، برنامه های کامپیوتری و ماشین ها قادر به انجام کارهایی میشوند که پیشتر انسان ها انجام میداده اند. این برنامه ها و ماشین ها با حجم زیادی از داده های تجزیه و تحلیل و پردازش شده تغذیه میشوند تا در نهایت قادر به تفکر به صورت منطقی  و انجام کارهای انسانی شوند. فرآیند خودکارسازی کارهای تکراری انسان ها تنها بخش کوچکی از کوه یخی بزرگ به نام هوش مصنوعی را تشکیل میدهد. تجهیزات مربوط به تشخیص بیماریها و خودروهای خودگردان همگی با هدف نجات جان انسانها، شروع به بکارگیری تکنولوژی هوش مصنوعی AI نموده اند.

رشد هوش مصنوعی در صنعت خودروسازی

طبق گزارش های موجود پیش بینی شد که در سال 2017 بازار AI در صنعت خودروسازی ارزشی برابر 783$ میلیون دلار داشته و تا سال 2025 با ترکیب نرخ رشد سالانه ای برابر 38.5٪ این ارزش به 11$ هزار میلیون دلار خواهد رسید.  طبق پیش بینی آی.اچ.اس مارکیت، در مقایسه با نرخ بکارگیری ۸ درصدی سیستم های AI-محور در خودروهای جدید، انتظار میرود که تا سال 2025 این نرخ تا 109٪ افزایش پیدا کند. سیستم هایAI-محور در خودروهای جدید تبدیل به یک استاندارد خواهند شد، مخصوصا در دو دسته زیر:

  1.   واسط سرگرمی و اطلاع رسانی بین انسان و ماشین که شامل تشخیص صدا، تشخیص رفتار، دنباله روی مسیر حرکت چشم و بازبینی راننده، راهنمای مجازی و واسط های زبان طبیعی (پردازش زبان‌های طبیعی یکی از زیرشاخه‌های بااهمیت در حوزه گسترده علوم رایانه، هوش مصنوعی است که به تعامل بین کامپیوتر و زبان‌های (طبیعی) انسانی می‌پردازد) میشود. سیستم های پیشرفته راهنمای راننده ﴿ADAS﴾ و خودروهای خودگردان که شامل سیستم های دید ماشینی دوربین-محور، واحدهای تشخیص رادار-محور، ارزیابی شرایط راننده و واحدهای کنترل موتور و ترکیب سنسورها میشود.
  2.          تکنولوژی یادگیری عمیق که یک تکنیک برای بکارگیری یادگیری ماشین ﴿رویکردی برای رسیدن به هوش مصنوعی AI﴾ است، انتظار میرود که بزرگترین و پرسرعت ترین تکنولوژی از لحاظ رشد در بازار هوش مصنوعی خودروها باشد. در حال حاضر این تکنولوژی در حال بکار گرفته شدن در بخش هایی چون تشخیص صدا، جستجوی صدا، موتورهای پیشنهادکننده و توصیه گر، تجزیه و تحلیل احساسات، تشخیص تصاویر و تشخیص حرکت در خودروهای خودگردان میباشد.

چگونگی کارکرد هوش مصنوعی در خودروهای خودگردان

این روزها واژه ی هوش مصنوعی به اصطلاحی رایج تبدیل شده است، اما سوالی که پیش می آید این است که این تکنولوژی دقیقا چطور در خودروهای خودگردان عمل میکند؟

نخست باید به زاویه دید یک انسان نسبت به راندن یک خودرو با استفاده از عملکردهای حسی چون بینایی و شنوایی برای دیدن جاده و سایر خودروهای موجود در جاده نگاهی انداخت. هنگامی که در مقابل یک چراغ قرمز ترمز میکنیم یا منتظر عبور یک عابر پیاده از عرض خیابان هستیم، در واقع در حال استفاده ازحافظه خود برای اتخاذ چنین تصمیات سریعی هستیم. تجربه ی  به دست آمده از سالها رانندگی، ما را نسبت به جستجو برای چیزهای کوچکی که اغلب در جاده ها با آنها مواجه میشویم ﴿ شاید یک راه بهتر برای رسیدن به اداره و یا شاید یک برآمدگی بزرگ در مسیر جاده﴾ عادت میدهد.

خودروهای خودگردانی که خودشان کار راندن را انجام میدند در حال تولید و ساخته شدن هستند، اما چیزی که حائزاهمیت است ساختن خودروهایی است که همچون رانندگان انسانی به راندن خودروها میپردازند. این به معنای تعبیه نمودن یک سری عملکرد در این وسایل نقلیه است که عملکردهای حسی، عملکردهای فکری ﴿حافظه، تفکر منطقی، تصمیم گیری و یادگیری﴾ و قابلیت های اجرایی که انسانها برای راندن وسایل نقلیه مورد استفاده قرار میدهند را شامل شود. صنعت خودروسازی به صورت مداوم در حال رشد و تکامل است تا در طی چند سال اخیر موفق به نیل این هدف شود.

به نقل از گارتنر تا سال 2020 حدود 250 میلیون خودرو قادر خواهند شد که از طریق سیستم های مختلف V2X (تکنولوژی ارتباط خودرو با همه چیز) به یکدیگر و زیرساخت های پیرامون خود متصل شوند. فناوری V2Xیا Vehicle-to-Everything ارتباط بین یک خودرو را با هر چیزی که دراطرافش از آن تأثیر می‌گیرد، ممکن می‌سازد که این ارتباط می‌تواند شامل «سایر خودروها» یا خودرو با خودرو/ V2V، زیرساخت‌های مرتبط و پیرامون خودرو/ V2I یا حتی موبایل / V2P باشد که درنتیجه سیستم خودرو با یک فرد موبایل به‌دست به‌عنوان عابر یا راننده خودروی کناری ارتباط برقرار کرده و بدین ترتیب خودروی شما با هر چیز ممکنی به‌صورت لحظه‌ای ارتباط می‌گیرد تا تعاریف استاندارد را اجرا کند. هر چه میزان داده های داده شده به واحدهای IVI ﴿in-vehicle infotainment به مجموعه ای از سخت افزارها و نرم افزارهای موجود در خودردوها گفته میشود که سرگرمی های صوتی و ویدئویی را ارائه میکنند﴾ یا سیستم های برقراری ارتباط از راه دور بیشتر شود، خودروها بیشتر قادر خواهند شد که به صورت همزمان با وقوع رخداد به ضبط و به اشتراک گذاری وضعیت داخلی سیستم ها و داده های مربوط به مکان خودرو و هرگونه تغییرات صورت گرفته در اطراف خودرو بپردازند. خودروهای خودگردان در حال مجهز شدن به دوربین ها، سنسورها و سیستم های ارتباطی هستند تا وسیله نقلیه مربوطه را قادر به تولید حجم بالایی از داده ها کنند. با بکارگیری تکنولوژی هوش مصنوعی AI، وسایل نقلیه قادر به دیدن، شنیدن، فکر کردن و اتخاذ تصمیماتی چون تصمیمات رانندگان انسانی میشوند.

چرخه درک عمل AI در خودروهاي خودگردان

هنگامي كه خودروي خودگردان از فضاي اطراف خود داده توليد ميكند و اين داده ها را در اختيار يك عامل هوشمند قرار ميدهد، يك لوپ تكرارشونده به نام چرخه درک عمل ايجاد ميشود. در مبحث هوش مصنوعی، عامل هوشمند به موجودی گفته می‌شود که در یک محیط، اطراف خود را شناخته و اعمالی را روی محیط انجام می‌دهد و کلیه اعمالی که انجام می‌دهد در جهت نیل به اهدافش می‌باشد. این سیستم‌ها امکان یادگیری دارند و سپس از دانش اکتسابی خود برای انجام اهداف خود استفاده می‌کنند. این کنشگرها ممکن است بسیار ساده یا پیچیده باشند. بطور مثال ماشین‌های کوکی که با برخورد به دیوار، راه خود را عوض می‌کنند نمونه‌ای از کنشگرهای هوشمند هستند. با توجه به تعریف اراده شده، این عامل هوشمند با استفاده از داده هاي ارائه شده شروع به تصميم گيري كرده و خودروي خودگردان موردنظر را قادر به انجام يك سري عمليات خاص در آن محيط ميسازد. اين فرايند به سه بخش اصلي تقسيم ميشود:

بخش ١: سيستم هاي جمع آوري داده و سيستم هاي ارتباطي داخل خودرو

خودروهای خودگردان مجهز به تعداد زیادی سنسور، رادار و دوربین هستند که برای تولید حجم عظیمی از داده های محیطی مورد استفاده قرار میگیرند. تمامی این سیستم ها به وسیله نقلیه خودگردان کمک میکنند تا به دیدن، شنیدن و حس کردن جاده، زیربناهای جاده ای، سایر وسایل نقلیه و هرشیء دیگر موجود در/نزدیک جاده کمک میکند؛ دقیقا همانطوری که یک راننده ی انسانی به هنگام رانندگی به جاده توجه میکند. این داده ها در مرحله ی بعد توسط سوپرکامپیوترها مورد پردازش قرار میگیرند و سیستم های ارتباطی داده ها برای تبادل امن اطلاعات (ورودی) ارزشمند به پلتفرم ابری رانندگی خوگردان استفاده میشوند. وسیله نقلیه خودگردان ابتدا فضای رانندگی و/یا شرایط رانندگی بخصوص را به پلتفرم رانندگی خودگردان مخابره میکند.

بخش ٢: پلتفرم رانندگي خودگردان (ابري)

پلتفرم رانندگي خودگردان كه در فضاهاي ابري قرار دارد داراي يك عامل هوشمند است كه از الگوريتم هاي هوش مصنوعي براي اتخاذ تصميمات منطقي و معنادار استفاده ميكند. اين پلتفرم به عنوان سياست كنترل يا مغز خودروهاي خودگردان عمل ميكند. عامل هوشمند نيز به يك پايگاه داده متصل ميشود كه به عنوان يك حافظه كه تجربيات رانندگي هاي پيشين در آن ذخيره ميگردد عمل ميكند. اين داده ها به همراه  داده هاي ورودي همزمان با وقوع رخداد ارائه شده توسط خودروي خودگردان و محيط اطراف آن، به عامل هوشمند كمك ميكنند تا تصميمات دقيقي در رانندگي بگیرد. حال خودروي خودگردان دقيقا ميداند كه براي رانندگي در چنين فضاهايي و يا در برخي شرايط بخصوص چه كاري بايد انجام بدهد. 

بخش ٣: عملكردهاي AI-محور در خودروهاي خودگردان

بر اساس تصميمات گرفته شده توسط عامل هوشمند، خودروي خودگردان قادر به تشخيص اشياء در خيابان، داشتن عملكرد در ترافيك آن هم بدون دخالت افراد و ايمن رسيدن به مقصد موددنظر خود ميباشد. همچنين خودروهاي خودگردان مجهز به سيستم هاي كاربردي AI-محوري چون تشخيص صدا و كلام، كنترل حالت بدن، دنباله روي مسير چشم و ساير سيستم هاي بازبيني رانندگي، راهنماي مجازي و سيستم هاي تشخيص مسير و مكان و سيستم هاي امنيتي ميباشند. اين سيستم هاي كاربردي تنها برخي از سيستم هاي بكار گرفته شده در خودروهاي خودگردان هستند. همچنين اين عملكردها بر اساس تصميمات اتخاذشده توسط عامل هوشمند موجود در پلتفرم رانندگي خودگردان انجام ميشوند. اين سيستم ها ساخته شده اند تا يك تجربه ي كاربري عالي را به مشتريان خود ارائه كنند و از آنها در جاده ها محافظت كنند. تجربه هاي رانندگي به دست آمده از هر بار رانندگي، ضبط و در پايگاه داده ذخيره ميشوند تا به عامل هوشمند در تصميم گيريهاي دقيقتر در آينده كمك كنند. 

اين لوپ داده كه چرخه درک عمل نيز ناميده ميشود به صورت مداوم تكرار ميشود. هر چه تعداد دفعات تكرار چرخه های درک عمل بيشتر باشد، عامل هوشمند مربوطه هوشمندتر شده و در نتيجه تصميات مربوطه، مخصوصا در شرايط رانندگي دشوار با دقت بيشتري گرفته ميشود. هر چه تعداد دستگاه هاي متصل شده بيشتر باشد، تعداد تجربيات رانندگي بيشتري ضبط ميشود. اين تجربيات به عامل هوشمند كمك ميكنند تا بر اساس داده هاي ايجادشده توسط چندين دستگاه خودگردان مختلف تصميم گيري كند. اما اين موضوع بدان معنا نيست كه هر دستگاه خودگردان لزوما بايد در يك شرايط رانندگي پیچيده قرار بگيرد پيش از آنكه قادر به فهمیدن آن شود. 

هوش مصنوعي، مخصوصا شبكه هاي نوروني و  يادگيري عميق به موضوعي اساسي در عملكرد درست و ايمنی خودروهاي خودگردان تبديل شده است. هوش مصنوعي در حال باز كردن راه براي راه اندازي خودروهاي خودگردان سطح ٥ است. در اين نوع خودروها ديگر نيازي به فرمان، پدال گاز يا ترمزها نخواهد بود. 

مقالات

ویدئوآنالیتیک های AI-محور تا چه حد هوشمند هستند؟

Posted on by مدیر

در حال حاضر صحبت های زیادی حول استفاده از هوش مصنوعی ﴿AI﴾ در آنالیتیک های ویدئویی وجود دارد. به طوری که بسیاری از ارائه کنندگان راهکارهای امنیتی، واژه ی هوش مصنوعی را به عنوان یک ضرورت در تولید و عرضه محصولات خود میبینند. اگر بخواهیم منصفانه صحبت کنیم باید بگوییم که راهکارهای آنالیتیک ویدئویی راه زیادی را از نخستین روزهای ورود خود آمده اند. با این حال این سوال مطرح میگردد که آنالیتیک های ویدئویی تا چه حد هوشمند هستند؟

هوش مصنوعی در کجای صنعت امنیت جای میگیرد؟

هوش مصنوعی (AI﴾، یادگیری عمیق، آنالیتیک های ویدئویی همگی از جمله کلمات رایجی هستند که به دیدن آنها عادت کرده ایم.

علیرغم تمامی بحث ها و تبلیغات های صورت گرفته در مورد هوش مصنوعی، اغلب افراد ذهنیتی مبهم نسبت به اجزای تشکیل دهنده ی این تکنولوژی دارند. نکته جالب توجه اینجاست که این موضوع در بحث امنیت ساختمان های مسکونی و تجاری که در چند سال اخیر بیشتر مطرح شده صادق است.

همچنین اینکه اصطلاحات نزدیکی چون آنالیتیک ها، یادگیری ماشین و یادگیری عمیق چگونه زیرمجموعه، گونه جهش یافته یا زیرشاخه ای از هوش مصنوعی (AI﴾ محسوب میشوند نیز برای اکثر متخصصین امنیتی و مشتریان همچون یک راز تلقی میگردد. علاوه بر آن، به احتمال زیاد برای این افراد انجام یک سری عملیات پیچیده توسط ربات ها به قطع مستلزم درجه ای از هوش مصنوعی خواهد بود.

هوش مصنوعی یک اصلاح گسترده است که برای توصیف هر چیزی که همچون مغز یک انسان عمل میکند استفاده میشود. یادگیری ماشین تکنیکی است که در آن یک کامپیوتر میتواند با پردازش حجم بالایی از داده ها در مورد عملیات مربوطه، قدرت خود را برای انجام یک عملیات بهبود بخشد. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که از شبکه های نورونی بهره میگیرد. یک لایه از شبکه های نورونی پس از پردازش داده ها، نتیجه این پردازش را به لایه ی بعد منتقل میکند که این لایه نیز پس از انجام عملیات، پاسخ خود را به لایه بعد میفرستد. این دست از شبکه های نورونی به عنوان شبکه های نورونی پیچیده یا CNN مشهور هستند.آنالیتیک های نظارت ویدئویی نمونه ای عالی از بکارگیری هوش مصنوعی و یادگیری عمیق هستند که با ورود GPUها ﴿واحدهای پردازش گرافیکی﴾ امکان پذیر شده اند.

چرا هوش مصنوعی، آنالیتیک ها، سرویس های ابری و امنیت سایبری، فرصت های جدیدی را برای نصاب ها فراهم میکنند؟

به قطع آنالیتیک های ویدئویی یکی از رایجترین راه های بکارگیری هوش مصنوعی در کاربردهای امنیتی است. به همین شکل، سیستم های مدیریت اطلاعات مربوطه به امنیت فیزیکی ﴿PSIM﴾ که با تلفیق داده های امنیتی گوناگون باعث آگاهی موقعیتی میشوند نیز از تکنولوژی هوش مصنوعی بهره میگیرند.

ربات های بادوام و هوشمندی را تصور کنید که مجهز به چنین الگوریتم های پیشرفته و سنسورهای پردازش و هوشمند شوند. این ربات ها یک چشم انداز امنیتی وسیع را باز میکنند که با کمک آن تهدیدات انسانی به حداقل رسیده و مکان ها و ابعاد دوری را که غیرقابل دسترسی بوده اند، برای آنالیز، ارزیابی و پاسخگویی به صورت همزمان با وقوع رخداد مورد دسترس قرار میگیرند.

صنعت امنیت چگونه میتواند از هوش مصنوعی بهره مند شود؟

به تدریج با بهبود یافتن دستگاه ها و پایین آمدن قیمت ها، کاربری های این تکنولوژی گسترده تر خواهد شد. همچنین انواع مختلف تکنولوژی هوشمند مصنوعی به احتمال زیاد در اغلب جنبه های زندگی روزانه ما نفوذ خواهد کرد.

برعهده گرفتن آن دسته از کارهایی که از لحاظ فکری نیازمند انرژی چندانی نیستند توسط ماشین ها به روندی بزرگ برای سالهای پیش رو تبدیل خواهد شد. شرکت آمازون در حال بکارگیری این تکنولوژی در مغازه های خرده فروشی خود است که در آنها مفهوم گیشه پرداخت قیمت کالا با مشتریانی که خارج میشوند جایگزین شده است. تولید این نوع از ابزارهای فکری در مراحل اولیه خود به سر میبرند، با این حال این ابزارها به رسیدگی به مسائل و ایجاد ارزش ادامه خواهند داد. انقلاب صنعتی هوشمند در حال وقوع در اطراف ما است. شاید این انقلاب بسیار آشفته به نظر آید، اما در عین حال بسیار هوشمند و رهایی بخش است.

پتانسیل آنالیتیک های ویدئویی به مراتب سودمندتر از سیستم های قاعده-محور قدیمی است. با شهرت یافتن بیشتر GPUها در اجرای سیستم های AI، تولیدکنندگان بزرگی چون NVIDIA و حتی استارتاپ های کوچکتر شاهد سرمایه گذاری بیشتری در این زمینه هستند.

در سالهای اخیر یادگیری عمیق توجه های زیادی را جلب خود نموده است، چرا که این تکنولوژی عملکردهای گوناگونی را ارائه میکند که موردپسند مشتریان قرار گرفته است. به عنوان مثال، الگوریتم های جستجوی تصویری به مشتریان اجازه میدهد تا به جستجوی اشیاء، حیوانات بخصوص و یا سایر چیزهای دیگر بپردازند.

توانایی این تکنولوژی در داشتن هوش کافی برای کار کردن در جهت گیری ها و شرایط نوری مختلف است که آن را به یک تکنولوژی تاثیرگذار تبدیل نموده است. تکنولوژی یادگیری عمیق در واقع در سالهای 2012 و 2013 به صورت پررنگ مطرح شد. این تکنولوژی در کنار قدرت GPUهایی که قادر به انجام آن دسته از کارهایی هستند که در گذشته به صورت بازدارنده ای زمانگیر و طاقت فرسا بودند، به عنوان سوختی تلقی میگردد که موج نوآوری را امکان پذیر ساخته است.

هنگامی که صحبت از شبکه های نورونی میشود، منظور یک تکنولوژی یادگیری عمیق صرف نیست که متشکل از شبکه های عمیقی باشد که افراد از آنها به عنوان شبکه های نورونی پیچیده یاد میکنند. در حال حاضر شبکه های نورونی قدرتمندتر و توانمندتر از قبل شده اند و منابع و ابزارآلات بسیار خوبی نسبت به گذشته در اختیار افراد قرار گرفته است.

شرکت های فعال در این زمینه

با توجه به پتانسیل مشهود تکنولوژی هوش مصنوعی AI، برخی از غول های تکنولوژی نیز مشتاق ورود به این زمینه و جستجوی فرصت ها هستند. این شرکت ها تا حد زیادی به عنوان پیشگامان این زمینه عمل میکنند و توسعه و بکارگیری راهکارهای هوشمندتر را تشویق میکنند.

به قطع شرکت های بزرگ فعال در زمینه تکنولوژی همچون گوگل، با ارائه مدل TensorFlow خود کمک بزرگی در این زمینه  نموده اند. شرکت اینتل نیز دارای ابزارآلاتی عالی است که با بکارگیری مدل TensorFlow و وارد کردن آن، از هر منبعی که روی آن است (چیپ هایی که با کمک آنها به اجرای برنامه ها میپردازید) خروجی تهیه میکند. بنابراین شما یک ترکیب انعطاف پذیر از CPU و GPU را در اختیار دارید. حال منابعی در اختیار شما قرار دارد که این کار را برای شما هدف قرار میدهد. در مرحله بعد، شما تمام افرادی را دارید که روی راه هایی برای فعالسازی و توسعه مراکز آموزش که از اهمیت بالایی برخوردارند کار میکنند. در نتیجه چیزی شبیه به یک اکوسیستم کامل حول این مسئله که چگونه ماشینها دیدن و فهمیدن را یاد میگیرند شکل میگیرد.

برای انجام این کار ابعاد و لایه های زیادی وجود دارد، چرا که اساسا این کار همان جمع آوری و نام گذاری داده ها است. کامپایلرهای متعددی که قادر به اجرای کارآمد مدل های شما در چیپ-ست های مختلف هستند، ابزارآلات تحلیل داده ای که برای تهیه خروجی از آنها بدان احتیاج پیدا خواهید کرد، همگی به پتانسیل تکنولوژی هوش مصنوعی AI در آنالیتیک های ویدئویی کمک میکنند.

برگرفته از مجله a&s و سکیوریتی-سیلز

مقالات

بکارگیری AI در نظارت ویدئویی

Posted on by مدیر

با آگاهی بیشتر مشتریان نسبت به لزوم و مزایای راهکارهای امنیتی، تعداد دوربین های بکار گرفته شده رو به افزایش است. با این حال، این موضوع مشکلات مختص خود را نیز به همراه می آورد.

در گذشته تعداد دوربین های بکارگرفته شده چندان زیاد نبوده است و پرسنل امنیتی میتوانستند با نشستن مقابل یک مانیتور به بازبینی ویدئوهای ضبط شده بپردازند. علیرغم ناکارآمدی چنین فرآیندی، گزینه ی دیگری هم وجود نداشته است.

خوشبختانه در حال حاضر ورود تکنولوژی هوش مصنوعی در حال تغییر دادن همه چیز است. طبق جدیدترین پست منتشر شده توسط شرکت پژوهشی مموری، یک گارد امنیتی مجهز به نرم افزار هوش مصنوعی-محور با داشتن تعداد چشمان بیشمار و بازه زمانی توجه بی انتها قادر به دنباله روی 24 ساعته تمامی فعالیت های صورت گرفته در جریان های ویدئوی میباشد. هنگام تشخیص یک مسئله توسط هوش مصنوعی، این تکنولوژی میتواند به هشداردهی به مسئولین مربوطه بپردازد و از صورت گرفتن اقدامات مربوطه اطمینان حاصل کند.

به نقل از پست منتشرشده توسط مموری: «مواردی چون ورود افراد غیرمجاز بدون اعمال هرگونه رفتار خشونت آمیز، به سرقت رفتن یک کالای ناامن، قرار داده شدن یک بسته ی مشکوک داخل یک سطل آشغال و بسیاری از شرایط مهم دیگر ممکن است که از چشمان یک فرد که در تلاش برای بررسی و اسکن چندین جریان ویدئویی مختلف است جا بمانند. هزینه استخدام پرسنل امنیتی کافی برای مدیریت تعداد دوربین های در حال افزایش بسیار بالا تمام خواهد شد. حتی هنگام وقوع یک رخداد، جستجو در تمامی ویدئوهای ضبط شده جهت جمع آوری شواهدی که به پرسنل امنیتی در شناسایی افراد مظنون و فهم توالی رخدادها کمک کند، بسیار دشوار و زمانگیر است».

در یکی از گزارشات اخیر ارائه شده توسط شرکت مموری، از رسیدگی به حجم در حال افزایش ویدئوهای نظارتی ایجاد و ضبط شده به عنوان امری بسیار دشوار برای سیستم های مجری قانون فعلی یاد شده است. با افزایش تعداد دوربین ها تا 12 درصد به صورت سالیانه، این حجم از ویدئوها بیشتر نیز خواهد شد. مسئله ی جالب اینجاست که در صورت عدم وجود راه هایی برای بازبینی و دنباله روی جریان های ویدئویی در حال تولید، هیچ تعداد دوربینی کارآمد نخواهد بود. و در حال حاضر ریسک بزرگی برای از دست دادن اطلاعات مهم وجود دارد، چرا که هیچ راه قابل اعتمادی برای بازبینی این اطلاعات وجود ندارد.

بکارگیری هوش مصنوعی AI

اهمیت هوش مصنوعی در زمینه سیستم های نظارتی بدون هیچ بحثی قابل قبول است. با این حال، پرسنل امنیتی باید بدانند که استفاده کارآمد از هوش مصنوعی به معنای خرید، نصب و به فراموشی سپردن یک راهکار نیست. همچون انسانی که پشت یک کامپیوتر مینشیند، هوش مصنوعی نیز باید آموزش داده شده و سفارشی سازی شود تا نسبت به نیازها، شرایط و محیط شما آگاهی پیدا کند.

به نقل از مموری :«نخستین بخش بکارگیری نظارت ویدئویی AI-محور شامل افزودن موتورهای آنالیتیکی به جریان های ویدئویی مختلف میشود که به نسبت ساده است. بخش دوم این کار پیکربندی این سیستم ها برای داشتن عملکرد دقیق و درست است که میتواند به مراتب پیچیده تر و زمانبرتر باشد. هر مکان دارای ویژگی های منحصر بفرد خود میباشد، حتی این امکان وجود دارد که مکانهای کاملا مشابه که از قوانین آنالیتیکی مشابهی استفاده میکنند، با توجه به یک سری الزامات عملیاتی بخصوص خود، نیازمند ارائه نتایجی کاملا متفاوت باشند. حتی در یک سیستم AI-محور خودآموز نیز شاید نیاز به تغییر تنظیمات مربوط به مناطق تشخیص و ماسک ها، زوایای دوربین و دورنمای آنها باشد. این بخش دوم بکارگیری این سیستم هاست که مانع بکارگیری آنها شده است».

هوش مصنوعی AI چقدر هوشمند است؟

تکنولوژی هوش مصنوعی AI روز به روز در حال قوی تر شدن است. اما آیا این تکنولوژی به قدری قدرتمند است که قادر به جایگزین کردن چشمان بشر باشد؟ علیرغم اینکه سوال پیشتر مطرح شده و سوالاتی چون اینکه آیا هوش مصنوعی متضمن بازگشت سرمایه است همچنان پرسیده میشوند، در حال حاضر به نظر میرسد که توافقی کلی روی اینکه آنالیتیک های ویدئویی قابلیتی بیش از آنچه راهکارهای قاعده-محور دارند صورت گرفته است.

به نقل از گزارش تهیه شده توسط مموری: « این کار تا حد زیادی به خاطر پیشرفت های بزرگ صورت گرفته در ساختار نیمه رساناها اتفاق افتاده است که باعث پردازش به مراتب سریعتری میشود؛ با استفاده از الگوریتم های یادگیری عمیق و یادگیری ماشین، تجزیه و تحلیل داده ها با سرعتی بیشتر از آنچه پیشتر امکان پذیر بود صورت میگیرد. سرمایه داران صنایع مختلف هم اکنون در حال تزریق میلیون ها دلار پول برای تامین سرمایه شرکت های تولیدکننده چیپ های هوش مصنوعی  AI و نرم افزارهای آنالیتیکی هستند.

موضوع اصلی احساس نیاز جدی به استفاده ی کامل از حجم بزرگ داده های ایجاد شده توسط دوربین های نظارت ویدئویی است و راهکارهای هوش مصنوعی-محور تنها پاسخ عملی هستند.

ساختار چیپ های مدرن مجهز به نرم افزارهای هوش مصنوعی به گونه ای است که قادر به جستجو و بررسی حجم بالای داده ها و افزایش امنیت، ایمنی و عملکرد کلی افراد، ساختمان ها و تشکیلات بیزینسی هستند.

علیرغم تمام پیشرفت های صورت گرفته هنوز هم پیشرفت های زیادی را در این زمینه اتفاق خواهد افتاد و مسیر این راه کاملا واضح و روشن است.

منبع: مجله a&s

مقالات

کارخانه هوشمند چیست؟

Posted on by مدیر

شاید یکی از رایجترین کلمات این دهه، واژه “هوشمند” باشد. هیچ صنعتی از این مفهوم مستثنی نیست. از تلفن ها گرفته تا منازل و ساختمان ها همگی در تلاش برای گنجاندن این مفهوم و برچسب در خود هستند. یکی از صنایعی که به صورت جدی نسبت به این امر علاقه نشان داده، صنعت تولید است. شناخته شده با عناوینی چون هوشمند، کارخانه های هوشمند و مفهوم گسترده تری چون صنعت 4.0، آهسته آهسته بخش تولید شاهد انقلابی است که میتواند روی بسیاری از بخش های دیگر تاثیرگذار باشد.

در قلب کارخانه های هوشمند موضوع هوشمندی قرار دارد و هوشمندی مکانی بخش مهمی از این کارخانه ها را تشکیل میدهد: در صورتی که چیزی حرکت کند و فرآیند انجام آن از اهمیت بالایی برخوردار باشد، ابتدا باید دید که این اتفاق در کدام مکان به وقوع پیوسته و در حال انجام چه کاری است. صنعت 4.0 محیطی را توصیف میکند که در آن فرآیندهای انعطاف پذیر و هوشمند با بهره گیری از داده های به دست آمده از سنسورهای متصل به تمامی بخش های یک زنجیره ی ارزش به صورت همزمان با وقوع رخداد استفاده میکند تا فرآیندهای بیزینسی بهینه سازی شوند. این سیستم های سایبری-فیزیکی از قدرت آنالیتیک های کلان داده ای برای ترجمه دید عملیاتی کامل به سرعت عمل و کارآمدی بی سابقه در امر تولید استفاده میکنند.

اما همواره گروهی از افراد وجود دارند که معتقدند بسته به مکان مورد بررسی از اصطلاحات متفاوتی استفاده میشود، با این حال مفهوم اصلی همچنان ثابت باقی می ماند.

بسته به منطقه و مکانی که این موضوع در آن مطرح میگردد، تعاریف مختلفی میتوان ارائه کرد. با این حال با انداختن نگاهی فراتر ازتعاریف مرسوم ارائه شده برای اصطلاحاتی چون “کارخانه هوشمند” یا “صنعت 4.0″، این اصطلاحات منعکس کننده ی تغییرات بنیادینی با توجه به چگونگی تغییر چهره ی فرآیندهای تولید از طریق “ساختارهای متصل به یکدیگر” هستند. امروزه مراحل مختلف فرآیندهای تولید، از همان ابتدا از پایین ترین سطح یک ماشین یا تجهیزات، مستقیما از طریق سنسورها/اینترنت اشیاء (IoT﴾ به یکدیگر متصل شده و مستقیما قادر به تعامل با یکدیگر هستند و در نتیجه این امر کل زنجیره ی تولید شفاف و کارآمدتر میشود. در حال حاضر این ماشین ها و تجهیزات را میتوان طوری برنامه ریزی کرد که علاوه بر تعامل با یکدیگر، با سیستم های بالاتر و پایین تر خود نیز به تعامل بپردازند و مستقل از مداخله نیروی انسانی، تصمیماتی هوشمندانه اتخاذ کنند. این دقیقا تعریف کارخانه هوشمند مدرن است.

کارخانه هوشمند به صنعتی گفته میشود که از دستگاه های متصل به اینترنت اشیاء ﴿IoT) برای بهبود کارایی، پیوستگی و امنیت عملیات های خود بهره میگیرد. تعامل به صورت همزمان و دورادور بین اجزای تولید و اپراتورها، کارخانه جات را به ویترینی برای اتوماسیون و اتوماتیک سازی تبدیل میکند. مفهوم کارخانه هوشمند را میتوان در دو فاز مجزا تعریف نمود. به عنوان مثال، کارخانه هوشمند بخشی از صنعت 4.0 است. صنعت 4.0 شامل فاز طراحی، فاز تولید و فاز لجستیک میشود. تمام این فازها به عنوان صنعت 4.0 نامیده میشوند، اما کارخانه هوشمند به نقطه ی میانی این فرآیند تبدیل میشود.

کارخانه های هوشمند حداقل به چهار عنصر نیاز دارند. عنصر اول، یکپارچه سازی ماشین با ماشین (M2M﴾ است. عنصر دوم مربوط به دانش حوزه مربوطه میشود. عنصر سوم مربوط به هوشمندی بیزینسی در بخش های بیرونی و داخلی این کارخانه ها است. عنصر چهارم نیز به تقاضای بازار برمیگردد.

این چهار عنصر از چهار حوزه ی متفاوت می آیند؛ این بدان معناست که اگر بخواهیم کارخانه هوشمند را در یک کلمه تعریف کنیم، میتوانیم از آن به عنوان تلفیق و یکپارچه سازی یاد کنیم.

ایده ی تقسیم این مفهوم به چهار دسته مختلف به نظر میرسد که در این صنعت بسیار شناخته شده باشد. صنعت 4.0 شامل چهار ستون میشود که کارخانه هوشمند یکی از این ستون ها را تشکیل میدهد. علاوه بر کارخانه هوشمند، تجربه دیجیتال مشتریان، زنجیره ی تامین متصل به یکدیگر و تشکیلات دیجیتال سایر ستون های صنعت 4.0 را تشکیل میدهند. هر صنعت 4.0 ابتدا با یکی از این ستون ها شروع میشود و سپس به سرعت به سوی سایر حوزه های دارای هم پوشانی حرکت میکند.

نقش دوربین ها در کارخانه های هوشمند

کارخانه های هوشمند میتوانند از دامنه ی گسترده ای از اطلاعات ورودی برای تغذیه قابلیت های تصمیم گیری خود استفاده کنند – ویدئوهای ضبط شده یکی از این منابع را تشکیل میدهند. از این ویدئوها میتوان برای سنجش و برای کنترل فرآیند استفاده کرد ﴿به عنوان مثال، اطمینان حاصل نمودن از اینکه برخی مناطق مشخص که در آن فرآیندهای تولید صورت میگیرند توسط اشیاء خارجی مسدود نشده باشند﴾، به علاوه اینکه این ویدئوها برای تست و آزمایش نیز کارایی دارند ﴿به عنوان مثال، اطمینان حاصل نمودن از اینکه تمام پیچ های موردنیاز برای سر هم کردن یک کیس در کالای تولید شده تعبیه شده است.﴾

داده های ویدئویی نیازمند تفاسیر زیادی هستند و زمانی بهترین عملکرد را از خود نشان میدهند که فرآیند و توضیحات مربوط به آن به خوبی محدود شده باشند و در نتیجه به الگوریتم های پردازش تصاویر امروزی اجازه دهند که با نرخ های خطای پایین عمل کنند. در مواردی که این فرآیندها به آن اندازه محدود نشده باشند، روش های مستقیم شناسایی و تشخیص اشیاء، یعنی سیستم های RFID ترجیح داده میشوند.

دوربین های داخل کارخانه های هوشمند برای کاربری هایی چون جلوگیری از ضرر، بازبینی دورادور، فرآیندهای عملیاتی، ایمنی و امنیت مورد استفاده قرار میگیرند. به عنوان مثال شرکت مارلنکا اینترنشنال که یک شرکت تولیدکننده کیک های عسلی واقع در کشور جمهوری چک است، به خاطر الزامات استانداردهای صنعتی، با قرار دادن دوربین در بالای خطوط تولید اقدام به بازبینی حرکات تسمه نقاله ای و فرآیند پخت خمیر نموده است. بخش های دیگری از این شرکت که در آنها از دوربینها استفاده شده است، بخش بسته بندی محصولات و بخش ارسال، برای بازبینی میزان ترافیک میباشد.

به عنوان مثال دیگری از چگونگی بکارگیری دوربین ها در تاسیسات هوشمند میتوان به شرکت زامپرا اسپول، یک شرکت مهندسی بین المللی واقع در کشور جمهوری چک اشاره کرد. این شرکت عمدتا به دلایل امنیتی مرسوم و همیشگی، همچون محافظت از فضاهای پیرامونی، جلوگیری از سرقت و بازبینی، از دوربین ها استفاده نموده است. این دوربین ها در امر بازبینی امنیت در کار و برخی از فرآیندهای کاری مشخص خود را نشان داده اند؛ با بکارگیری این دوریبن ها، تعداد صدمات ناشی از کار و غیاب های گزارش نشده در محیط کار کاهش یافته است. با این وجود خیلی زود مشخص شد که کیفیت مثال زدنی و قابلیت های نرم افزاری دوربین های بکار گرفته شده، همچون جستجوی آسان برای فایل های ضبط شده، این کار را ممکن ساخت که از این دوربین ها برای اقدامات دیگری که تا حد زیادی باعث بهینه سازی عملیات های تولید میشدند استفاده نمود.

از زمان بکارگیری دوربین ها در این کارخانه ها، افزایش قابل توجهی در کیفیت تولید، رشد در تولید و کاهش صدمات کاری و غیاب های گزارش نشده در محیط کار مشاهده شد.

در کارخانه جات هوشمند از دوربین ها در دو سناریوی مختلف استفاده میشود. سناریوی اول، کنترل و بررسی بروز هرگونه خطا. کار اصلی دوربین های صنعتی، بررسی و کنترل میزان دقت یا مقاومت موردنیاز است. سناریوی دوم ، بحث نظارت است که کاربرد استاندار برای امنیت تلقی میگردد.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/how-to-define-smart-factories

مقالات

چگونه یادگیری عمیق، شهرها را به جایی امنتر تبدیل میکند؟

Posted on by مدیر

سیستم های ویدئویی تبدیل به پایه ای مهم در امر ایمنی و امنیت شهرها شده اند، اما در حال حاضر این سیستم ها در حال تولید ویدئوهایی به مراتب بیشتر از آنچه شهرها قادر به استفاده از آن باشند هستند. از گذشته تا کنون یافتن کارکنانی که به بازبینی ویدئوهای ضبط شده و جستجو در آرشیوها بپردازند به عنوان چالشی همیشگی مطرح بوده است. با بکارگیری تعداد بیشتری از دوربین ها، این مشکل نیز در حال بزرگ تر شدن است.

به نقل از سین لین، مدیر فروش شرکت ژئوویژن: «این امکان وجود دارد که برای سفارشی سازی یک الگوریتم هوش مصنوعی (AI﴾ برای یک کاربری جدید و یا برای یک محل جدید، بین چهار تا شش ماه زمان برای یک تیم تحقیق و توسعه لازم باشد». «و ممکن است که نتایج به دست آمده ناامیدکننده و به همراه تعداد آلارم های خطا یا سایر خطاهای دیگر باشد». وی اینگونه ادامه داد که «چیزی که شهرها بدان احتیاج دارند، یافتن راهی آسانتر برای اپراتورهاست که به وسیله آن بتوانند به تعیین آنچه که در یک ویدئوی مهم به دنبال آن هستند بپردازند».

ظهور راهکارهای یادگیری عمیق به شکل قابل توجهی در حال ارتقاء بینایی رایانه ای و آنالیتیک های ویدئویی است. امروزه این سیستم ها به مراتب قدرتمندتر و آسانتر برای بکارگیری بوده و بیشتر از قبل در دسترس افراد قرار دارند.

با تکنولوژی یادگیری عمیق، مدل های مختلف را میتوان با توجه به ویژگی های محیطی که دوربین ها در آن نصب شده اند آموزش داد. الگوریتم ها اساسا برای هر کدام از شرایط موجود سفارشی سازی شده اند، بدون آنکه نیازی به بازنویسی باشد.

نمیتوان گفت که حجم بالای داده ها یک عامل بازدارنده است، چرا که این داده ها به عنوان یک کمک تلقی میشوند. یادگیری عمیق میتواند به صورت مداوم به تزریق داده هایی بپردازد که باعث تطبیق سیستم شما با شرایط و الزامات جدید میشود.

تغییر بازی با ورودی یادگیری عمیق

با کمک یادگیری عمیق، تکنیک های بینایی رایانه ای همچون تشخیص چهره یا تشخیص حرکت بسیار پیچیده تر شده اند و امر نظارت و سایر کارکردهای ویدئویی را دچار دگرگونی نموده اند.

در یک محیط کنترل شده الگوریتم های قدیمی عملکرد خوبی از خود نشان میدهند، اما این نوع الگوریتم ها معمولا برای برخی از موارد استفاده ی خاص نوشته و طراحی شده اند. به عنوان مثال، تشخیص شیء یا فردی که در حال عبور از یک خط مجازی از پیش تعریف شده اساسا به عنوان یک الگوریتم ساده ی بله یا خیر تلقی میگردد. زمانی استفاده ازاین الگوریتم ها چالش برانگیز میشود که در سناریوهای به مراتب پیچیده تری مورد استفاده قرار بگیرند.

لین با ذکر مثالی این موضوع را اینگونه توضیح داد که: «زمانی که یک الگوریتم قدیمی را در مکان دوربین های مختلف بکار میگیرد – امکان دارد که برخی از این دوربین ها در پارک و برخی دیگر در خیابان قرار داشته باشند – این محیط ها در ویدئوهای ضبط شده به صورت متفاوتی دیده و ظاهر میشوند. الگوریتم های قدیمی از پس تشخیص چنین ظرافت هایی بر نمی آیند».

«از آنجایی که در یک خیابان شلوغ افراد به صورت مداوم در حال حرکت هستند، این امکان وجود دارد که سیستم های تشخیص حرکت یا آلارم های ورود غیرمجاز دچار آلارم های خطای زیادی شوند».

سناریوی معمول دیگر مربوط به تشخیص چهره در مکانی میشود که پلیس در آن فردی موردتعقیب را شناسایی نموده است. «با کمک یادگیری عمیق میتوان چهره ی این فرد را تنها با یک عکس یا ویدئو در پایگاه داده ثبت کرد. پس از آن، نرم افزار ما به صورت خودکار در تمامی ویدئوهای نظارتی ضبط شده در طول یک یا دو ماه گذشته به جستجو میپردازد و به صورت خودکار فرد موردنظر را برای مامورین پیدا میکند».

بنا بر پیشبینی لین، به زودی این کار با داشتن تنها یک طرح اولیه به جای عکس امکان پذیر خواهد شد. شاید دادن یک طرح اولیه به پایگاه داده باعث پایین آوردن دقت تشخیص شود، این درحالی است که با استفاده از الگوریتم های قدیمی این کار به هیچ وجه امکان پذیر نیست.

این دقیقا جایی است که راهکار مدیریت ویدئوی هوشمند ژئوویژن (GV-VMS﴾ مطرح میشود و این مدل هوش مصنوعی ﴿AI﴾ را یک گام جلوتر برده و امکان آنالیز پیچیده و شدیدتری را فراهم میسازد. الگوریتم هاییادگیری عمیق را میتوان متناسب با شرایط گوناگون آموزش داد:

شمارش افراد یا اشیاء در حال حرکت در دو مسیر مختلف

شناسایی و تشخیص چهره ی افراد برای کاربردهای مختلف

پوشاندن چهره افراد به هنگام تشخیص آنها در ویدئو، به خاطر حفظ حریم شخصی

«مه زدایی» ویدئوهای ضبط شده در شرایط مه گرفته برای مشاهده ی تصاویر به صورت واضح

وصل کردن و چسباندن ویدئوهای ضبط شده از دوربین های مختلف در یک نمای پانورامای واحد

متعادل سازی ویدئو در یک محیط پر از لرزش

شمارش افراد در مکان های با محدودیت کد اشغال (نوعی طبقه بندی ساختمان ها)

از میان بردن اعوجاج های ایجاد شده توسط لنزهای با زاویه دید گسترده

جستجوی هوشمند برای یک رخداد در یک منطقه پر از حرکت

یک راهکار جامع و کامل

قابلیت یادگیری عمیق منحصربفرد ژئوویژن، یک سیستم جامع و کامل است که از دوربین ها، سرورهای ضبط و یک مرکز کنترل ویدئو تشکیل شده است. این عملکرد باعث میشود که دوربین های ژئوویژن و دوربین های ساخت سایر شرکت ها از طریق یک پروتکل استاندارد، همانطور که در شکل 1 ترسیم شده، به یکدیگر متصل شوند. این کار با کمک پردازنده های اینتل امکان پذیر شده است که کارایی پردازش ویدئو و قابلیت های یادگیری عمیق را افزایش میدهند.

طبق ساختار Intel® x86، دستگاه GV-VMS به صورت کامل از پردازنده ی Intel® Core™ بهره میگیرد. با بکارگیری Intel® OpenVINO™ toolkit، عملکرد آنالیتیک های ویدئویی بین 8 تا 10 برابر افزایش پیدا میکند. با این کار، بدون نیاز به چیزهای دیگر، فضای به مراتب بیشتری برای پردازش ویدئوها به صورت همزمان فراهم میگردد.

دوربین های ژئوویژن قادر به یادگیری عمیق روی شبکه هستند. این دوربین ها میتوانند به جای ارسال تمام ویدئوهای ضبط شده به یک ایستگاه مرکزی، به محض تشخیص هر چیز به اعلام و ارسال هشدار بپردازند و پیش از ترتیب اثر دادن هرگونه اقدامی، میزان تاخیر صورت گرفته را پایین آورند.

بیشتر شهرها دارای سیستم های ویدئویی هستند که دوربین ها، درگاه ها و نرم افزارهایی را از قبل در خود دارند. اینترفیس های برنامه ریزی اپلیکیشن ژئوویژن (APIs) و یک کیت توسعه دهنده ی نرم افزار (SDK﴾، امکان برقراری اتصال بین سخت افزارهای موجود و نرم افزارها را فراهم میسازد. مرکز کنترل ژئوویژن، یک نرم افزار مدیریت ابری واحد را ارائه میکند و تمامی دوربین های تحت شبکه  IP را در یک سیستم امنیتی و مدیریتی کلی با یکدیگر ادغام میکند.

به عنوان مثال، شهر واتیکان برای دهه ها است که از سیستم های نظارت ویدئویی استفاده میکند. در طول این سال ها، دوربین ها، درگاه ها و ابزارهای نرم افزاری گوناگونی از فروشندگان مختلف خریداری شده است. شهر واتیکان، با همکاری با شرکت ژئوویژن توانست به صورت استراتژیک تمامی دوربین ها و نرم افزارهای قدیمی خود را تحت یک راهکار نظارتی مرکزی با یکدیگر ادغام کند. دوربین های موجود در ساختمان های دولتی مهم، کلیساها، نیایشگاه ها و تقاطع ها همگی تحت کنترل مرکزی هستند. راهکار ژئوویژن یک سیستم واحد را ایجاد میکند – این راهکار در شهر رم به بازبینی ویدئوهای ضبط شده از 140 مکان مختلف میپردازد.

هوشمند و مقیاس پذیر

این راهکار را میتوان با توجه به هر سطحی از استفاده از ویدئو به شکلی کارآمد مقیاس بندی نمود. بکارگیری این راهکار شما را قادر میسازد تا سقف 57.600 جریان ویدئویی را مدیریت کنید. این سیستم، داده های ویدئویی را به یک سیستم مدیریت ابری واحد انتقال میدهد که قادر به بازبینی و کنترل بیش از 1000 سیستم GV-VMS میباشد. از سوی دیگر، با استفاده از سرورهای پردازنده-محور اینتل، حافظه های بیگ دیتا یا کلان داده در مرکز داده مشتریان یا در فضاهای ابری در دسترس قرار دارند.

علاوه بر این، راهکار مدیریت ویدئوی هوشمند ژئوویژن را میتوان با سایر سیستم ها – سیستم های تشخیص آتش یا سیستم های کنترل دسترسی – تلفیق نمود و عملکرد کلی این راهکار را افزایش داد. به عنوان مثال با ادغام با سیستم های کنترل دسترسی، این راهکار میتواند با بهره گیری از سیستم های تشخیص چهره، ورود افراد را به مناطق دارای محدودیت – دسترسی به ساختمان ها یا پارکینگ های محدود – کنترل کند.

با ادغام یادگیری عمیق و قابلیت تلفیق این راهکار با سایر سخت افزارها و نرم افزارها، شهرها میتوانند با استفاده از راهکارهایی چون راهکارهای ارائه شده توسط ژئوویژن به ارتقاء سطح نظارت ویدئویی بپردازند. یادگیری عمیق باعث ارتقاء عکس العمل های اتوماتیک سازی شده و تلفیق باعث ارتقاء سطح کارآمدی عملیاتی میشود و مقیاس پذیری برای یک شهر به معنای عدم از دست دادن قابلیت های سیستم های ویدئویی است.

به نقل از لین: «هنگامی که صحبت از یک سناریوی شهری میشود، یک راهکار نظارت ویدئویی قدیمی پاسخگوی تمامی نیازهای اولیه است. اما به محض رشد یک پروژه در مقیاس شهری، تنها در یک روز، هزاران ساعت ویدئو ضبط میشود. برای تشخیص چیزی که به دنبال آن در ویدئوها هستید، زمان و افرادی زیادی لازم است. اما این راهکار، کار را برای اپراتورها آسانتر میسازد تا تنها روی فرد یا چیزی که به دنبال آنند متمرکز شوند».

منبع: ژئوویژن

http://www.didarc.com/fa/news/how-deep-learning-makes-cities-safer

متفرقه

چگونگی انتخاب یک دوربین متناسب با کار خود

Posted on by مدیر

درمقایسه با گذشته، از دوربین های دام گرفته تا دوربین های بولت، امروزه گزینه های بیشتری از دوربین های نظارتی در بازار وجود دارد. با افزایش عملکرد دوربین ها، این سوال مطرح میگردد که چگونه یک مسئول امور امنیتی در مورد دوربین مناسب با تاسیسات خود باید تصمیم گیری کند؟

  • از خود این سوال را بپرسید که چرا میخواهید در این مکان دوربین نصب کنید؟

یکی از مهمترین بخش های انتخاب یک دوربین، تعیین محدوده منطقه تحت پوشش و هدف نظارت شما است. دوربین های پانوراما و چندسنسوره امکان پوشش دهی وسیع را فراهم میسازند، اما استفاده و بکارگیری چنین دوربین هایی در یک ساختمان اداری کوچک لزومی ندارد. از سوی دیگر، این دوربین ها از قابلیت زوم دیجیتال روی یک صحنه برخوردارند، قابلیتی که در بازبینی ویدئوها برای یافتن حقیقت رویدادهای صورت گرفته کارآمد است. هدف گذاری درست به شما کمک میکند تا بین الزامات موردنظر خود و الزاماتی که واقعا به آنها احتیاج دارید، تفاوت بگذارید.

  • چه الزامات فنی برای برآورده سازی اهداف نظارتی نیاز است؟

بکارگیری دوربین در یک منطقه میتواند نیازمند برخی عملکردهای خاص باشد؛ برخی از این عملکردها شامل داشتن کارکرد تحت شرایط نوری پایین، قابلیت ضدآب یا ضدضربه بودن میشود. در صورتی که یک فضای گسترده نیازمند پوشش دهی باشد، باید نسبت به تفاوت های دوربین های PTZ، پانوراما و چندسنسوره آگاهی پیدا کرد. دوربین های PTZ مجهز به یک ویژگی فنی هستند که به آنها اجازه میدهد تا بدون تکیه بر قابلیت زوم دیجیتال، روی چیزهایی که در فواصل دور قرار دارند زوم کنید. از سوی دیگر دوربین های چندسنسوره که از مگاپیکسل های بالا برخوردارند تنها با استفاده از یک دوربین، چه در طول ضبط زنده و چه پس از بازبینی ویدئوها بعد از وقوع یک رخداد، قابلیت پوشش دهی فضاهای بزرگ و زوم دیجیتال را فراهم میکنند. قابلیت های مختلف، نیازهای متفاوت را برآورده میسازند.

  • آیا زیربنای تحت شبکه موجود از دوربین شما پشتیبانی میکند؟

به محض فکر کردن در مورد الزامات فنی و انتخاب دوربین احتمالی، زیربنای تحت شبکه موجود باید مورد بررسی و تجزیه و تحلیل قرار بگیرد. احتمال دارد که زیربنای موجود قادر به پشتیبانی از حجم بالایی از داده ها که از چند دوربین نظارتی باکیفیت به دست آمده نباشد. در این صورت، بکارگیری یک سیستم فیبر-محور را میتوان به عنوان یک گزینه در نظر گرفت، البته در صورتی که هزینه های سیم کشی های جدید سنگین تمام نشود.

  • دوربین شما چه تاثیری بر قابلیت های ضبطتان دارد؟

هر چه تعداد مگاپیکسل های ویدئوها و تصاویر ضبط شده توسط یک دوربین بالاتر باشدْ، به ظرفیت ذخیره سازی بالاتری نیز احتیاج خواهد بود. مشتریان از ایده ی دوربین های 4k استقبال میکنند اما این امکان وجود دارد که دستگاه های ضبط آنها دارای ظرفیت ذخیره سازی لازم برای پشتیبانی از این دوربین ها نبوده و استانداردهای موردنیاز برای نگهداری از ویدئوهای ضبط شده در طی چند روز را برآورده نسازد. در صورتی که یک مشتری دارای استاندار مربوط به ویدئوهای ضبط شده در طی چند روز باشد و با این حال در دوربین های با رزولوشن پایین تر برای رسیدن به این استاندارد دچار مشکل شود، به احتمال زیاد افزودن یک دوربین با رزولوشن بالاتر نمیتواند مقرون به صرفه ترین یا کارآمدترین راهکار باشد.

  • آیا زیبایی ظاهری سیستم اهمیت دارد؟

پس از انتخاب یک دوربین با توجه به نیازها و الزامات فنی، این امکان وجود دارد که برخی تصمیم گیرندگان نامرتبط به بخش امنیت در مقابل این انتخاب مقاومت نشان دهند. به عنوان مثال، شاید در یک لابی بیزینسی، به خاطر کیفیت تصویری که بیزینس مربوطه به دنبال آن است، از یک دوربین PTZ استفاده شود، اما بکارگیری چنین دوربینی در این محیط میتواند بسیار در چشم باشد. در چنین شرایطی، استفاده از یک دوربین چندسنسوره ی کوچکتر که کمتر در چشم باشد میتواند به عنوان یک گزینه ی جایگزین در نظر گرفته شود. همچنین در نظر گرفتن سایر پایه های نصب همچون پایه های کوتاه و فرورفته یا رنگ آمیزی خود دوربین برای تناسب پیدا کردن با فضایی که در آن قرار گرفته شده نیز به عنوان گزینه های دیگر مطرح هستند. در صورت عدم امکان بکارگیری چنین گزینه هایی، شاید نیاز باشد که دوربین دیگری انتخاب شود. به هنگام انتخاب یک دوربین، موارد زیادی را، از بحث های فنی گرفته تا بحث های زیبایی شناختی باید در نظر گرفت. تعیین یک هدف از قبل، تضمین کننده ی آن خواهد بود که اقدامات مختلف روی یک چشم انداز مشترک در حال کار شدن هستند تا بدین شکل بهترین راهکاری را که مطابق نیازها و تقاضاهای شماست پیدا کنید.

 

منبع: سکیوریتی نت

http://www.didarc.com/fa/news/how-to-choose-the-best-camera-for-your-job

مقالات

تغییر دورنمای نظارت با دوربین های چندسنسوره

Posted on by مدیر

دوربین های نظارتی شاید یکی از مشهودترین جنبه های سیستم های امنیتی برای عموم باشد. این دوربین ها در فضای بیرونی ساختمان ها، در راهروهای طول و دراز، در مراکز بهداشتی، مدارس و داخل فروشگاه های خرده فروشی نصب میشوند. با این حال در سالهای اخیر به دلایلی کاملا قابل قبول، تعداد دوربین های امنیتی بکار گرفته شده در فضاهای مختلف به تدریج کاهش یافته است.

با مطرح شدن موضوع دوربین های چندسنسوره، دورنمای سیستم های نظارتی دچار تحول شد؛ دوربین های مجهز به این تکنولوژی در مقایسه با همتایان تک سنسوری خود از میدان دید بزرگتری برخوردار هستند. در گذشته برای پوشش دهی 360 درجه یک مکان یا منطقه به چهار دوربین نیاز بود، اما در حال حاضر این کار را میتوان با کمک تنها یک دوربین چندسنسوره انجام داد. این روند از حدود سه سال گذشته شروع به رشد کرده است.

یک دوربین مجهز به تکنولوژی سیستم های چندسنسوره قادر به تهیه تصاویر و ویدئوها به صورت 360 درجه است. هر یک از دوربین های چندسنسوره مجهز به چهار سنسور لنز ثابت هستند و هریک از این سنسورها به دوربین های چندسنسوره کمک میکنند تا کار چهار دوربین مجزا را انجام دهند.

استفاده از دوربین های چندسنسوره، مزایای زیادی را برای کاربران نهایی سیستم های امنیتی به ارمغان می آورد. نخست، با استفاده از این دوربین ها، هزینه دوربین های نظارتی را میتوان به شکل قابل توجهی کاهش داد و در عین حال پوشش دهی نظارتی کاملی را برای کاربران نهایی فراهم نمود. به عنوان مثال، خرید دو دوربین دام استاندارد میتواند هزینه ای تقریبا مشابه یک دوربین مجهز به سنسورهای چندگانه داشته باشد. یعنی در صورتی که در یک منطقه تحت کنترل به سه یا چند دوربین مختلف برای به دست آوردن یک تصویر کامل نیاز باشد، با تنها یک دوربین چندسنسوره میتوان به همان میزان پوشش دهی فراهم نمود. که این خود به معنای هزینه های کمتر برای صدور مجوز است، چرا که این هزینه با توجه به تعداد دوربین های استفاده شده محاسبه میشود، نه تعداد سنسورهای استفاده شده در دوربین! در درجه دوم با استفاده از این دوربینها، کاربران نهایی میتوانند انتظار کاهش هزینه های نصب را داشته باشند. به جای نصب چهار دوربین مجزا در چهار مکان مختلف و افزایش دوربین های نصب شده و مدت زمان لازم برای نصب، در بسیاری از موارد میتوان با نصب یک دوربین در نبش یک ساختمان یا در مرکز یک فضای بزرگ این کار را انجام داد.

این تکنولوژی جدید به خاطر آسودگی استفاده و عملکرد آن، در حال جایگزین کردن دوربین های PTZ است. یکی از مشکلات ذاتی دوربین های PTZ، نیاز آن به اپراتور است؛ برای تشخیص رخدادها، اپراتور مربوطه باید در جهت درست به مشاهده ی رخدادها بپردازد. در صورتی که جهت دوربین مربوطه روی دو درجه تنظیم شده باشد و اتفاقی در درجه 200 بیافتد، دوربین مربوطه از مشاهده ی این رخداد باز میماند. حال در صورتی که به جای این دوربین ها، یک دوربین چندسنسوره روی هر60 درجه  تنظیم شود، پوشش دهی کاملی به صورت تمام وقت فراهم میشود. استفاده از دوربین های چندسنسوره مخصوصا برای بیزینس هایی سودمند است که فاقد نیروهای امنیتی برای بازبینی دوربین های PTZ هستند. در واقع، دوربین های چندسنسوره کار چهار دوربین مختلف را به اضافه ی یک اپراتور انسانی انجام میدهند.

به صورت کلی، دوربین های چندسنسوره از مزایای زیادی برخوردار هستند، اما پیش از سرمایه گذاری بر دوربین های چندسنسوره، کاربران نهایی باید یک سری سوال کلیدی از خود بپرسند. آیا نصب این دوربین، به خاطر هزینه خرید کمتر آن، سود بیشتری را در دراز مدت از آن شما میکند؟ یا اینکه در صورت بزرگ نبودن فضایی مورد پوشش دهی، آیا فضای مربوطه ارزش نصب یک دوربین چندسنسوره را دارد؟ در اینجا تعداد دوربین های سنتی موردنیاز برای پوشش دهی یک فضا، به عاملی تعیین کننده تبدیل میشود. در صورتی که به این نتیجه برسید که دوربین سومی مورد نیاز است، انتخاب دوربینی چندسنسوره که بتواند جای این سه دوربین عملکرد داشته باشد، انتخاب شما خواهد بود.

منبع: سکیوریتی-نت

http://www.didarc.com/fa/news/how-multi-sensor-cameras-are-changing-the-surveillance-landscape

مقالات

نکاتی برای انتخاب دوربین های چندسنسوره

Posted on by مدیر

دوربین های چندسنسوره از مزیت های بسیار زیادی برخوردارند که از جمله ی این مزایا میتوان به پوشش دهی مناطقی وسیع با تعداد دوربین های کمتر، زحمات نصب و راه اندازی و هزینه های نگهداری کمتر اشاره کرد. اما همچون سایر دستگاه های IT یا الکترونیکی، به هنگام انتخاب یک دوربین چندسنسوره، موارد گوناگونی را باید موردتوجه قرار داد. در این مقاله، علاوه بر این موارد، نکاتی برای نصب ارائه خواهد شد که به کمک کاربران نصابان خواهد آمد.

اساسا برای انتخاب یک دوربین چندسنسوره باید نسبت به نیازها و تقاضاهای خود کاربران آگاهی پیدا کرد. در ادامه این مقاله برخی از مواردی که کاربران باید به هنگام انتخاب یک دستگاه مطلوب مورد توجه قرار دهند، آورده شده است.

دوربین ثابت یا چندسویه

دوربین های چندسنسوره در دو نوع لنز ثابت و قابل تنظیم ارائه میشوند. دوربین های چندسنسوره با لنز ثابت، میدان دیدی 180، 270 و 360 درجه ای را فراهم میکنند. کاربران باید دوربینی را انتخاب کنند که زاویه دید آن به بهترین نحو با مورد استفاده ی آنها هماهنگی داشته باشد. به عنوان مثال، یک محوطه ی باز یا یک محوطه ی پارکینگ میتواند بیشترین استفاده را از یک لنز 360 درجه ای ببرد. اما برای یک خیابان طول و دراز یک لنز 180 درجه ای نیز کفایت میکند.

از سوی دیگر، یک دوربین چندسنسوره که مجهز به لنزهای قابل تنظیم باشد به کاربر اجازه میدهد که چندین مسیر و جهت مختلف را یکجا ببیند. یک دوربین چندسنسوره مجهز به لنزهای قابل تنظیم، در شرایطی که نیازی به یک دید پیوسته نداشته باشید و ترجیح شما استفاده از دوربین برای متمرکز شدن روی برخی مناطق خاص باشد، انعطاف پذیری بیشتری را به دست میدهد. در این شرایط، هری ک از دوربین ها را میتوان به صورت مجزا تنظیم کرد. به عنوان مثال، یکی از دوربین ها میتواند رو به ورودی درب باشد و سایر دوربین ها برای مشاهده برخی مناطق بخصوص از یک اتاق بزرگ استفاده شوند.

فشرده سازی

در صورتی که منطقه موردبازبینی شما پر از تکانه های مختلف بود، انتخاب دوربینی که فشرده سازی آن خوب باشد، راهی مناسب برای صرفه جویی در مصرف پهنای باند و فضای ذخیره سازی خواهد بود. با ترکیب کدگزاری هوشمند و فشرده سازی H.265، نرخ بیتی چهار دوربین 4K کمتر از یک دوربین 4K دارای فشرده سازی H.264 میشود. چهار لنز قابل جابجایی قادر به پایین آوردن تعداد نقاط کور بوده و اشکال مختلفی از تقاطع ها را در مراکز شهر بازبینی میکنند.

مقاوم در برابر شرایط آب و هوایی دشوار و هرگونه ضربه

برای کاربردهای مخصوص فضای باز، دوربین مربوطه باید در برابر شرایط آب و هوایی دشوار و هرگونه ضربه مقاوم باشد. برای دوربین های نصب شده در فضای باز که در معرض شرایط آب و هوایی دشوار قرار دارند، استاندارد حفاظت نفوذ IP66 یا بالاتر ایده آل به نظر می آید.

دامنه دینامیکی گسترده ﴿WDR﴾/شرایط نوری پایین   

در کاربردهای مخصوص فضای باز، علاوه بر موارد گفته شده، مجهز بودن دوربین های چندسنسوره به دامنه دینامیکی گسترده ﴿WDR﴾ و داشتن عملکرد مناسب در شرایط نوری پایین برای متناسب بودن با شرایط نوری متفاوت، ایده آل به نظر می آید. دوربین های چندسنسوره همان دوربین های امنیتی هستند که ملزم به استخراج اطلاعات از صحنه های با شرایط نوری چالش برانگیزاند. بنابراین برای میزان جزئیاتی که نیاز دارید باید به دنبال رزولوشن کافی، دامنه ی دینامیکی گسترده و داشتن عملکرد در شرایط نوری پایین باشید و دوربین هایی را پیدا کنید که به صورت فعال قادر به تطبیق خود با این شرایط متغیر باشند.

در صورتی که شرایط نوری منطقه ی موردبازبینی شما به صورت همزمان سایه دار و بسیار روشن است، معمولا دامنه ی دینامیکی گسترده ای برابر 120 دسی بل بهترین میزان توازن تصویری را ارائه میکند. در صورت تقاضای کاربر برای تهیه تصاویر رنگی واضح از یک منطقه با شرایط نوری پایین، انتخاب یک مدل دوربینی که دارای روشنایی ال.ای.دی در هر یک از پایه های تراز نگهدارنده دوربین چندسنسوره باشد، عاقلانه به نظر می آید.

نکاتی برای نصب

به صورت کلی، ، دوربین های چندسنسوره با داشتن یک کابل و یک آدرس آی.پی برای نصب آسان هستند و همین موضوع است که در نگاه اول این دوربین ها را برای کاربران جالب توجه میکند. با این حال، در این قسمت ازمقاله به برخی نکات نصب اشاره شده است که شاید برای نصابان و کاربران مفید باشد.

دوربین های چندسنسوره به بهترین شکل در ارتفاعی بالاتر از سه متر و با فاصله ای حداقل سه متر از اشیاء در حال حرکت در صحنه نصب میگردند تا میدان دیدی گسترده را فراهم سازند. دوربین های چندسویه نیز باید در مکان هایی نصب شوند که از آنجا بتوانید مناطق موردنظر را پوشش دهید.

جهت دهی و قرارگیری درست دوربین های چندسنسوره و قابل تنظیم برای به دست آوردن حداکثر میزان پوشش دهی حیاتی است – به عنوان مثال، دوربین ها نباید دقیقا کنار یک دیوار قرار داده شوند، چرا که با این کار دید جانبی کاملا گرفته خواهد شد.

علیرغم اهمیت نکات بررسی شده، آگاهی کامل نسبت به نیازهای مشتریان یک پیش نیاز مهم است. معمولا بهتر است که نصاب ها پیش از پیشنهاد دادن محل های نصب، تقاضاها و انتظارات مشتریان را ارزیابی کنند. این موضوع حائزاهمیت که مشتری انتظار دید چه چیزی را دارد. در برخی از موارد، انتظارتی غیرمنطقی مطرح میگردد.

برگرفته از مجله a&s