Künstliche Intelligenz „on the edge“: Das Potenzial der Videoüberwachung
In der Welt der Videoüberwachung wird einer der Hauptvorteile von Edge Computing die Möglichkeit sein, fortschrittliche Analysen mit Künstlicher Intelligenz (KI) und Deep Learning in den Kameras selbst durchzuführen.
Doch was genau meinen wir eigentlich mit „on the edge“?
Die Anzahl der Geräte am Rande (engl. edge) unserer Netzwerke wächst und sie spielen eine immer wichtigere Rolle für unsere Sicherheit. Edge Computing bedeutet, dass mehr Funktionen auf dem angeschlossenen Gerät selbst aufgesetzt werden, sodass die Informationsverarbeitungsleistung so nah wie möglich an der Quelle sitzt.
Für ein Videoüberwachungsnetzwerk bedeutet dies, dass mehr Aktionen auf den Kameras selbst ausgeführt werden können. Die Rolle der KI, des maschinellen Lernens und des Deep Learning in der Videoüberwachung wächst, sodass wir unseren Kameras „beibringen“ können, viel intuitiver zu erkennen, was sie filmen und in Echtzeit analysieren. Handelt es sich bei dem Fahrzeug in der Szene zum Beispiel um ein Auto, einen Bus oder einen LKW? Ist das ein Mensch oder ein Tier neben dem Gebäude? Ist das ein Schatten oder ein Objekt auf der Straße?
Diese Erkenntnisse werden den Menschen hinter der Kamera entlasten, der für die Analyse von Daten und die Entscheidungsfindung erforderlich ist. Letztendlich sollte es die Reaktionszeiten beschleunigen – was möglicherweise Leben retten kann – und wertvolle Erkenntnisse liefern, die die Zukunft unserer Gebäude, Städte und Verkehrssysteme gestalten können.
Wie können wir die traditionelle Videoüberwachung zu „on the edge“ transformieren?
Derzeit zeigen die meisten Edge-basierten Analysen von Überwachungskamerabildern einfach, dass sich etwas oder jemand bewegt. Nach dieser Analyse durch Video Management Systeme (VMS) auf zentralen Servern braucht es einen Menschen, um genau zu interpretieren, was es ist und ob sie eine Bedrohung oder ein Sicherheitsrisiko darstellen.
Um zu verstehen, ob ein Objekt ein Fahrzeug, ein Mensch, ein Tier oder so ziemlich alles sein kann, können wir ein Kamerasystem „trainieren“, um das Objekt zu erkennen und zu klassifizieren. Dies könnte dazu führen, dass uns eine fast unbegrenzte Anzahl von Klassen von Objekten und Kontexten zur Verfügung stehen.
Standard-Analysen würden erkennen, dass ein Fahrzeug einen Alarm ausgelöst hat. Mit einer intelligenten Deep Learning-Ebene darüber können Sie sogar noch weiter ins Detail gehen: Um welche Art von Fahrzeug handelt es sich? Befindet es sich in einem Bereich, der potenzielle Verkehrsprobleme verursacht, oder steht es auf dem Standstreifen und ist nicht in unmittelbarer Gefahr? Oder handelt es sich um einen Bus, der eine Panne hat und wahrscheinlich Menschen beim Aussteigen gefährdet sind?
Die Vorteile von Edge-Analyse
Die höhere Genauigkeit von Edge Analytics – und die Fähigkeit, zwischen mehreren Objektklassen zu unterscheiden – reduziert unmittelbar die Rate der Falschmeldungen. Damit verbunden ist ein geringerer Zeit- und Ressourcenaufwand für die Untersuchung dieser Falschalarme. Edge Analytics eine angemessenere und rechtzeitige Reaktion proaktiv erzeugen.
Zum Beispiel könnten KI-basierte Analysen Objekte auf einer Autobahn identifizieren und Fahrer warnen. Die durch Deep Learning gewonnene Fähigkeit, zwischen einem Menschen und einem Fahrzeug zu unterscheiden, kann dabei helfen, den Schweregrad der Warnung für die Fahrer zu definieren. Wenn Kameras sehen, dass jemand auf der Straße in Gefahr ist, könnten sie automatisch eine Beschilderung aktivieren, um den Verkehr zu verlangsamen und die Rettungsdienste zu alarmieren.
Nach und nach könnten die Entwickler Trends erkennen, die nicht nur für das Verkehrsmanagement und die Planung von Nutzen wären, sondern auch für andere Behörden, die sich bspw. für das Verhalten und den Schutz von Wildtieren interessieren. Die Möglichkeit, die Art des Verkehrs (Fußgänger, Radfahrer, Autofahrer, Nutzfahrzeuge usw.) zu unterscheiden, liefert wertvolle Erkenntnisse über Trends, die Bauingenieuren bei der Planung der intelligenten Städte der Zukunft helfen.
Rohdaten in umsetzbare Analyseergebnisse umwandeln
Ein weiterer entscheidender Vorteil der Edge-Analyse ist, dass die Analyse auf dem qualitativ hochwertigsten Videomaterial stattfindet, das so nah wie möglich an der Quelle ist. Bei einem herkömmlichen Modell – wenn die Analyse auf einem Server stattfindet – wird das Video oft komprimiert, bevor es übertragen wird, und die Analyse wird daher auf einem Video mit reduzierter Qualität durchgeführt.
Wenn die Analyse zentral auf einem Server stattfindet und mehrere Kameras zur Lösung hinzugefügt werden, werden auch mehr Daten übertragen, was dazu führt, dass mehr Server zur Verarbeitung der Datenanalyse benötigt werden. Die Bereitstellung leistungsstarker Analysen am Rand hat den großen Vorteil, dass nur die relevantesten Informationen über das Netzwerk gesendet werden, wodurch die Belastung von Bandbreite und Speicherplatz enorm reduziert wird.
Möchten Sie mehr über unsere Fixed Box-Kameras für erstklassige Leistung und Datenverarbeitung erfahren?