تحلیل ویدئویی بلادرنگ در سامانه‌های نظارتی؛ از پایش تصاویر تا تصمیم‌گیری هوشمند

دوربین‌های نظارتی در طول شبانه‌روز حجم زیادی از تصاویر تولید می‌کنند، اما بررسی مداوم تمام این تصاویر توسط اپراتورها دشوار است. در بسیاری از سازمان‌ها، فیلم‌های ضبط‌شده زمانی بررسی می‌شوند که رویدادی رخ داده و نیاز به یافتن جزئیات آن وجود دارد. در چنین شرایطی، اطلاعات موجود در تصاویر همیشه به‌موقع به تصمیم‌گیری عملیاتی کمک نمی‌کنند.

تحلیل ویدئویی بلادرنگ (Real-Time Video Analytics) با استفاده از پردازش تصویر و هوش مصنوعی، محتوای جریان ویدئو را هنگام دریافت بررسی می‌کند. این فناوری می‌تواند اشیا، حرکت‌ها و رویدادهای تعریف‌شده را شناسایی کند و نتیجه را برای بررسی در اختیار اپراتور قرار دهد.

برای مثال، در یک انبار صنعتی می‌توان ورود غیرمجاز به یک محدوده یا عبور وسایل نقلیه از مسیر مشخص را تشخیص داد. به‌جای مشاهده پیوسته تصاویر تمام دوربین‌ها، سامانه رویدادهای مرتبط را مشخص می‌کند تا نیروی انسانی روی موقعیت‌های نیازمند بررسی تمرکز کند. البته دقت این فرایند به کیفیت تصویر، شرایط محیطی و مدل تحلیلی بستگی دارد.

تحلیل ویدئویی بلادرنگ چیست و چه تفاوتی با نظارت تصویری سنتی دارد؟

نظارت تصویری سنتی بر مشاهده زنده و ضبط تصاویر تمرکز دارد. تحلیل ویدئویی، لایه‌ای پردازشی به این ساختار اضافه می‌کند تا از تصاویر، اطلاعات قابل استفاده استخراج شود.

برای نمونه، دوربین ورودی یک مرکز توزیع می‌تواند تصاویر را ضبط کند؛ اما سامانه تحلیل ویدئو قادر است عبور خودروها از یک خط مجازی را نیز تشخیص دهد و تعداد عبورها را ثبت کند.

این فناوری، بسته به نوع راهکار، قابلیت‌هایی مانند تشخیص و شمارش اشیا، ردیابی حرکت، شناسایی ورود به محدوده‌ای مشخص و تولید هشدار را فراهم می‌کند. «بلادرنگ» نیز به معنای نبود مطلق تأخیر نیست؛ بلکه تحلیل باید با سرعت متناسب با نیاز عملیاتی انجام شود.

بیشتر بخوانید:

مزایای اتاق کنترل هوشمند برای سرویس بی‌سیم واکه چیست؟

تحلیل ویدئویی بلادرنگ چگونه کار می‌کند؟

فرایند تحلیل معمولا شامل دریافت تصویر، پردازش داده، شناسایی الگوها و ارسال نتیجه به سامانه مدیریت ویدئو یا اپراتور است. معماری دقیق به تعداد دوربین‌ها، نوع تحلیل و منابع پردازشی بستگی دارد.

دریافت تصویر تا تشخیص رویداد

در مرحله نخست، تصویر از دوربین دریافت می‌شود. وضوح تصویر، نور محیط، زاویه دوربین و پنهان‌شدن بخشی از افراد یا اشیا پشت موانع، بر کیفیت تحلیل تأثیر می‌گذارند.

سپس الگوریتم‌های بینایی ماشین (Computer Vision) تصویر را بررسی می‌کنند. بسته به کاربرد، سامانه ممکن است انسان و خودرو را از یکدیگر تشخیص دهد، حرکت اشیا را دنبال کند یا ورود به منطقه‌ای مشخص را ثبت کند.

نتیجه تحلیل می‌تواند به شکل فراداده (Metadata)، مانند نوع شیء، زمان رویداد یا موقعیت آن در تصویر، ذخیره شود. این اطلاعات جست‌وجو و گزارش‌گیری را ساده‌تر می‌کنند. در صورت تطبیق شرایط با قواعد تعریف‌شده نیز امکان ارسال هشدار وجود دارد؛ البته اقدام‌های بعدی به قابلیت‌های سامانه مقصد وابسته‌اند.

پردازش لبه‌ای یا پردازش متمرکز؟

در پردازش لبه‌ای (Edge Processing)، تحلیل روی دوربین یا دستگاهی نزدیک به منبع تصویر انجام می‌شود. این روش می‌تواند نیاز به انتقال همه تصاویر خام و استفاده از سرور مرکزی را کاهش دهد.

در مقابل، پردازش متمرکز روی سرور یا زیرساخت ابری، امکان تجمیع جریان‌های تصویری و استفاده از منابع محاسباتی مشترک را فراهم می‌کند. این معماری برای برخی پروژه‌های بزرگ یا تحلیل هم‌زمان چندین دوربین مناسب است، اما به ظرفیت شبکه، توان پردازشی و فضای ذخیره‌سازی نیاز دارد.

در بسیاری از پروژه‌ها، ترکیب این دو روش نیز قابل بررسی است. انتخاب معماری باید بر اساس حجم تصاویر، حساسیت زمانی، هزینه زیرساخت و الزامات نگهداری داده انجام شود. مستندات تحلیل ویدئویی Axis نیز به کاربرد تحلیل روی دوربین و استفاده از داده‌های استخراج‌شده برای تصمیم‌گیری اشاره می‌کند.

بیشتر بخوانید:

راهنمای جامع اقتصاد API و نقش کلیدی آن در تحول دیجیتال سازمانی

کاربردهای تحلیل ویدئویی بلادرنگ در سازمان‌ها

پایش امنیت فیزیکی و محدوده‌های حساس

در کارخانه‌ها، انبارها و تأسیسات سازمانی، تحلیل ویدئویی می‌تواند برای تشخیص حضور افراد در محدوده‌های مشخص، عبور از خطوط مجازی یا شناسایی حرکت در ساعات تعریف‌شده به کار رود.

برای مثال، اگر منطقه‌ای پس از پایان شیفت کاری باید خالی باشد، سامانه می‌تواند حضور انسان را تشخیص دهد و رویداد را برای بررسی اپراتور ثبت کند. این قابلیت به نظارت هدفمندتر کمک می‌کند، اما جایگزین تمام کنترل‌های امنیتی نیست و به پوشش مناسب دوربین و تنظیم صحیح قواعد نیاز دارد.

مدیریت تردد و عملیات صنعتی

تحلیل تصاویر می‌تواند برای شمارش افراد و وسایل نقلیه، بررسی جریان تردد و شناسایی برخی شرایط محیط کار استفاده شود. در یک مرکز توزیع، اطلاعات مربوط به تردد خودروها ممکن است به شناسایی ساعات پرترافیک و برنامه‌ریزی بهتر عملیات کمک کند.

در محیط‌های صنعتی نیز می‌توان ورود افراد به مناطق محدود یا حضور آن‌ها در مسیر حرکت تجهیزات را شناسایی کرد. بااین‌حال، استفاده از تحلیل تصویری در کاربردهای حساس ایمنی باید با آزمون عملی و ارزیابی خطا همراه باشد؛ زیرا خطای تشخیص می‌تواند پیامدهای مهمی داشته باشد.

پلتفرم NVIDIA Metropolis نمونه‌ای از زیرساخت توسعه کاربردهای هوش مصنوعی بینایی است که حوزه‌هایی مانند تولید، لجستیک، خرده‌فروشی و حمل‌ونقل را پوشش می‌دهد.

بیشتر بخوانید:

هوش مصنوعی در مدیریت ناوگان؛ فراتر از یک ردیابی ساده

مزایای تجاری تحلیل ویدئویی بلادرنگ

مهم‌ترین ارزش این فناوری، تبدیل بخشی از اطلاعات موجود در تصاویر به داده‌هایی است که می‌توان آن‌ها را جست‌وجو، شمارش و تحلیل کرد.

نخست، شناسایی خودکار رویدادهای تعریف‌شده می‌تواند وابستگی به مشاهده پیوسته تصاویر را کاهش دهد و توجه اپراتورها را به هشدارهای مهم‌تر معطوف کند.

دوم، ثبت فراداده و رویدادها به یافتن سریع‌تر بخش‌های مرتبط فیلم کمک می‌کند. به‌جای مرور دستی تمام تصاویر، کاربر می‌تواند بر اساس زمان یا نوع رویداد جست‌وجو کند؛ مشروط بر اینکه سامانه این اطلاعات را به‌درستی ثبت کرده باشد.

سوم، داده‌های حاصل از شمارش و تحلیل جریان تردد می‌توانند در برنامه‌ریزی منابع و بررسی عملکرد عملیات مفید باشند. برای مثال، مدیر یک مرکز توزیع می‌تواند الگوی تردد در ساعات مختلف را بررسی کند و آن را در کنار اطلاعات مربوط به شیفت‌ها و ظرفیت تجهیزات قرار دهد.

البته توجیه اقتصادی پروژه باید با درنظرگرفتن هزینه تجهیزات، نرم‌افزار، پردازش، نگهداری و نتایج قابل‌اندازه‌گیری انجام شود. صرف وجود قابلیت هوش مصنوعی به معنای مناسب‌بودن آن برای همه سازمان‌ها نیست.

بیشتر بخوانید:

از داده تا جاده؛ تلماتیک مسیری تازه برای مدیریت ناوگان!

۵ مزیت اصلی تصمیم‌گیری مبتنی‌بر داده برای کسب‌وکارها

چالش‌های پیاده‌سازی تحلیل ویدئویی

عملکرد سامانه فقط به الگوریتم هوش مصنوعی وابسته نیست. نور نامناسب، زاویه دوربین، انسداد دید و کیفیت پایین تصویر می‌توانند احتمال تشخیص اشتباه را افزایش دهند. بنابراین، پیش از توسعه پروژه باید عملکرد سامانه در محیط واقعی آزمایش شود.

زیرساخت شبکه و پردازش نیز اهمیت دارد. افزایش تعداد دوربین‌ها و وضوح تصویر می‌تواند بار انتقال داده و نیاز محاسباتی را بالا ببرد. پردازش لبه‌ای در برخی سناریوها این بار را کاهش می‌دهد، اما انتخاب تجهیزات باید با حجم واقعی کار سازگار باشد.

حریم خصوصی نیز باید از ابتدا در طراحی لحاظ شود. سازمان لازم است سطح دسترسی کاربران، مدت نگهداری تصاویر و نحوه استفاده از داده‌ها را مشخص کند. قابلیت‌هایی مانند تشخیص چهره یا شناسایی هویت، ملاحظات جداگانه‌ای دارند و نباید با تشخیص عمومی اشیا یکسان در نظر گرفته شوند.

در نهایت، سازگاری دوربین‌ها، نرم‌افزار مدیریت ویدئو و سامانه‌های مقصد باید بررسی شود. وجود قابلیت تحلیل در یک محصول، به معنای سازگاری خودکار آن با همه تجهیزات و نرم‌افزارهای دیگر نیست.

بیشتر بخوانید:

اعتماد دیجیتال چیست؟ نقش امنیت API در ایجاد اعتماد در سازمان‌ها

چگونه پروژه تحلیل ویدئویی را در سازمان آغاز کنیم؟

شروع پروژه با تعریف یک مسئله عملیاتی مشخص، معمولا از خرید تجهیزات یا انتخاب مدل هوش مصنوعی مفیدتر است.

۱. هدف را مشخص کنید: تعیین کنید قرار است چه رویدادی شناسایی شود و چه کسی مسئول رسیدگی به نتیجه است.

۲. زیرساخت موجود را ارزیابی کنید: کیفیت دوربین‌ها، ظرفیت شبکه، امکانات پردازش و سامانه مدیریت ویدئو را بررسی کنید.

۳. آزمایش محدود اجرا کنید: یک محیط نماینده انتخاب کنید و دقت تشخیص، هشدارهای اشتباه و تأخیر سامانه را بسنجید.

۴. امنیت و هزینه را بررسی کنید:  مسیر انتقال داده، سطح دسترسی، مدت نگهداری تصاویر و هزینه نگهداری را در طراحی لحاظ کنید.

۵. نتایج را پیش از توسعه بسنجید: اگر عملکرد سامانه با نیاز عملیاتی سازگار نیست، پیش از گسترش پروژه، مدل، تنظیمات یا معماری را اصلاح کنید.

این مراحل به سازمان کمک می‌کنند تصمیم‌گیری را بر اساس شواهد حاصل از محیط واقعی انجام دهد، نه صرفا بر اساس مشخصات اعلام‌شده محصول.

بیشتر بخوانید:

شبکه 5G در تولید هوشمند؛ از اتوماسیون تا کارخانه هوشمند

کلام آخر

تحلیل ویدئویی بلادرنگ می‌تواند تصاویر نظارتی را به منبعی برای استخراج اطلاعات عملیاتی تبدیل کند. از تشخیص ورود به محدوده‌های مشخص تا بررسی جریان تردد در مراکز صنعتی و تجاری، این فناوری زمانی ارزش ایجاد می‌کند که خروجی آن به یک نیاز روشن سازمانی پاسخ دهد.

بااین‌حال، نتیجه مطلوب تنها به انتخاب مدل هوش مصنوعی وابسته نیست. کیفیت تصویربرداری، محل پردازش، ظرفیت شبکه، دقت تشخیص، امنیت داده‌ها و نحوه رسیدگی به هشدارها باید در کنار یکدیگر بررسی شوند. به همین دلیل، سازمان‌ها پیش از اجرای گسترده این فناوری باید نیازهای عملیاتی و زیرساخت موجود خود را ارزیابی کنند.

در این میان، زیرساخت انتقال تصاویر نیز بخش مهمی از طراحی سامانه‌های نظارتی است. سرویس راهکار یکپارچه نظارت تصویری ایرانسل برای انتقال تصاویر زنده دوربین‌های مداربسته به مراکز مانیتورینگ معرفی شده است. این سرویس بر بهینه‌سازی پهنای باند، مدیریت تأخیر و نوسان تصویر و امکان مدیریت متمرکز کاربران تمرکز دارد. چنین قابلیت‌هایی در کنار انتخاب سامانه تحلیلی مناسب می‌توانند در طراحی زیرساخت نظارت تصویری سازمان‌ها مورد توجه قرار گیرند.

برای آشنایی بیشتر با کاربردهای هوش مصنوعی در تحلیل ویدئویی بلادرنگ و بررسی راهکارهای متناسب با نیاز سازمان خود، با کارشناسان راهکارهای سازمانی ایرانسل از طریق کد دستوری *3# از خطوط ایرانسل یا ایمیل EB@mtnirancell.ir در ارتباط باشید.

منابع:

https://www.nvidia.com/en-us/autonomous-machines/intelligent-video-analytics-platform/

https://www.axis.com/products/analytics