هوش مصنوعی

هوش مصنوعی و کاربرد آن در سیستم های نظارت تصویری

هوش مصنوعی یکی از مقوله هایی است که طی سالهای اخیر با گسترش تکنولوژی و سرعت پیشرفت فناوری بسیار مورد توجه قرار گرفته است. بسیاری از صنایع همواره در تلاشند تا از این تکنولوژی در تولیدات خود استفاده کنند. یکی از صنایعی که به خوبی از این فناوری بهره برده و روز به روز با پیشرفت همراه است، سیستم های نظارت تصویری و سیستم های ذخیره سازی است. این صنایع در صدد هستند تا بر اساس این قابلیت محصولات جدید ابداع کنند و یا محصولات قدیمی خود را ارتقا ببخشند.

یکی از کمپانی های پیشرو در زمینه ادغام هوش مصنووعی با سیستم های مداربسته، شرکت هایک ویژن است . این شرکت فناوری ابداعی خود در زمینه هوش مصنوعی  را Deep learning نامگذاری کرده است. هایک ویژن تلاش کرده است تا با بکارگیری تکنولوژی هوش مصنوعی در محصولات خود بسیاری از نارسایی های سیستم های هوشمند قدیمی در تجزیه و تحلیل داده ها برطرف کند.

محبوبیت فناوری Deep Learning به دلیل  توانایی پردازش داده ها در مقیاس زیاد، قدرت محاسباتی فوق العاده و ساختار شبکه ای است .
فرآیند تشخیص چهره در دوربینهای مداربسته یکی از قابلیت های مهم و کارآمد این دستگاه هاست که دارای الگوریتم های مختلف و پیچیده ای است. این فرآیند دارای دو مرحله کلیدی ارزیابی سوژه ودسته بندی اطلاعات به دست آمده است

ارزیابی سوژه و بدست آوردن اطلاعات لازم

ارزیابی سوژه فاکتور بسیار مهمی است که مستقیما بر روی دقت الگوریتم تاثیر می گذارد. بیشتر کارهای پردازشی و محاسباتی مربوط به این بخش است. در دوربین های هوشمند قدیمی طراحی الگوریتم ها توسط متخصصین نرم افزار انجام می شد که بیشتر بر اساس شاخصه های از پیش تعیین شده و ذهنی بود. به همین دلیل تعریف بسیاری از ویژگی های انتزاعی به طرزی که برای انسان قابل درک باشد بسیار سخت بود و از بین می رفت. در این دسته از دوربین ها با قابلیت تشخیص چهره بسیاری از فاکتورهای محیطی اعم از مکان نصب دوربین، زاویه دید، میزان نور در محیط بر روی کارایی این قابلیت تاثیر گذار هستند که این یک نکته منفی در آن محسوب می گردد. در الگوریتم هایی که بر اساس هوش مصنوعی طراحی شده اند اما سعی شده تا به نکات ظریف و جزئی دقت شود.

دسته بندی اطلاعات جمع آوری شده

سوژه های مختلف اعم از وسایل نقلیه، اشیا مختلف، افراد، حیوانات و … دارای ویژگی های ظاهری مختلفی هستند و تشخیص هر کدام بر اساس الگوریتم های تعریف شده متفاوتی است. از آنجایی که ویژگی های ظاهری یک وسیله نقلیه پیچیدگی خاصی نداشته و نهایتا شامل شاخصه هایی نظیر نوع آرم، ابعاد، رنگ و …است، دوربین های هوشمند قدیمی در تشخیص اشیا و وسایل نقلیه بسیار موفق عمل می کردند.
اما در مورد کاراکترهای ظاهری انسان به دلیل آنکه اغلب به دلیل تنوع بالا و پیچیدگی زیاد دچار خطا می شدند و بازده خوبی ندارند.

به همین دلیل افزایش درک عمقی بواسطه طراحی الگوریتم های پیچیده تر در هوش مصنوعی به شدت لازمه کارکرد بهتر قابلیت تشخیص چهره در دوربین های مداربسته است.

مزایای DEEP Learning چیست و مقایسه الگوریتم های آن چگونه است؟

این تکنولوژی بر اساس پارامتر ها و الگوریتم هایی برای تشخیص المان های ظاهری پیچیده طراحی شده است. این بدین معنی است که طراحی ها دیگر توسط شخص انجام نمیشود و می توان آن را بر عهده ماشین ها گذاشت.
نکته جالب توجه اینکه طراحی این تکنولوژی بر اساس عملکرد سیستم عصبی مغز انسان انجام شده و همانطور که مغز توانایی یادگیری موضوعات و دسته بندی آنها را در لایه و سطوح مختلف خود دارد Deep learning نیز می تواند کاراکترهای متنوع را درک و دسته بندی کرده و اقدام لازم را در مورد آنها انجام دهد. کارایی این سیستم در جایی بارز و مشخص می گردد که می تواند اطلاعات اضافی و کم اهمیت را نیز تشخیص داده و در صورت لزوم حذف کند(object abstraction) و یا اینکه اطلاعات جدیدی خلق یا بازیابی(recreation) نماید. در زیر به برخی از راهکارهای مفید ارائه شده در Deep learning می پردازیم:

تبدیل الگوریتم های سطحی به الگوریتم های عمیق

مدل های الگوریتمی در Deep learning برخلاف انواع قدیمی تر که دارای ساختاری دو یا سه لایه بودند دارای صد ها لایه متعدد است. به همین سبب این سیستم ها قادرند تا حجم وسیعی از اطلاعات را پردازش و دسته بندی کنند. همانطور که گفتیم مدل Deep learning منشا گرفته از سیستم یادگیری در مغز انسان است و از فرآیند انتزاعی لایه لایه تبعیت می کند.
هر لایه دارای شاخص و حجم پردازشی متفاوتی است و هر چه شاخص بالاتری داشته باشد مولفه های تعریف شده برای آن اختصاصی تر خواهند بود. مثال فرآیند یادگیری در این غالب بدین گونه است که یک پیام خارجی به محض دریافت از لایه های مختلف عبور کرده و پس از پردازش به صورت یک مفهوم و درک عمیق از سوژه مورد نظر برای انسان به صورت قابل درکی نمایش داده خواهد شد.

تغیییر الگوریتم های مصنوعی به الگوریتم های هوشمند

در مدل هوش مصنوعی Deep learning هیچگونه دخالت دستی انسان وجود ندارد و تمامی عملکردها به صورت کامپیوتری انجام می شود. این مدل قابلیت این را دارد که حجم بسیار زیادی از اطلاعات را مورد پردازش قرار دهد. طبقه بندی اطلاعات در آن به این صورت است که هرچه سوژه مورد نظر دارای جزئیات بیشتری باشد به صورت خیلی دقیق تری برای دستگاه قابل تشخیص خواهد بود.

مزایای الگوریتم هوش مصنوعی

  • دقت تشخیص بالا در تشخیص سوژه که می تواند با قدرت مغز انسان برابری کرده و حتی در مواردی عملکرد بهتری نیز داشته باشد.
  • قابلیت تشخیص دقیق سوژه های مختلف از یکدیگر
  • قابلیت تشخیص و دسته بندی هزاران ویژگی از سوژه های مختلف

کارایی محصولات مبتنی بر  Deep Learning

به دلیل رشد و پیشرفت تکنولوژی های صوتی تصویری اهمیت ابداع مدل هایی مانند Deep Learning  بسیار افزایش می یابد. با استفاده از این الگو در قابلیت های هوشمند مانند تشخیص چهره، تشخیص نفوذ، ردیابی و تعقیب سوژه و … می توان به طور کامل انتظارات و نیاز های کاربران را برآورده ساخت. در زیر به بسیاری از کاربردهای این مدل در سیستم های نظارت تصویری اشاره شده است:

  • تشخیص چهره
  • شناسایی چهره
  • تشخیص وسیله نقلیه مختلف اعم از موتوردار یا بدون موتور (دوچرخه و …)
  • تشخیص آرم تجاری وسیله نقلیه
  • تشخیص عابر پیاده
  • تشخیص ویژگی های بدن انسان
  • تشخیص ویژگی های غیر طبیعی صورت
  • تجزیه و تحلیل رفتاری جمعیت، ردیابی چند هدف

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *