En el mundo de la videovigilancia, uno de los principales beneficios de la computación de borde será la capacidad de realizar análisis avanzados utilizando inteligencia artificial (IA) y aprendizaje profundo dentro de las propias cámaras.

En primer lugar, ¿qué queremos decir “al borde”?

La cantidad de dispositivos en el borde de nuestras redes de seguridad está creciendo y están desempeñando un papel cada vez más crítico en nuestra seguridad y protección. La computación al borde significa desarrollar más capacidad en el dispositivo conectado, por lo que la potencia de procesamiento de información se encuentra lo más cerca posible de la fuente.

Para una red de videovigilancia, esto significa que se pueden realizar más acciones en las propias cámaras. El papel de la inteligencia artificial (IA), el aprendizaje automático y el aprendizaje profundo en la videovigilancia está creciendo, por lo que podemos «enseñar» a nuestras cámaras a ser mucho más intuitivas acerca de lo que filman y analizan en tiempo real. Por ejemplo, ¿el vehículo en la escena es un automóvil, un autobús o un camión? ¿Es un humano o un animal junto al edificio? ¿Son esas sombras o un objeto en el camino?

Estos conocimientos reducirán la carga de la participación humana necesaria para analizar datos y tomar decisiones. En última instancia, debería acelerar los tiempos de respuesta, lo que podría salvar vidas, y proporcionar información valiosa que pueda dar forma al futuro de nuestros edificios, ciudades y sistemas de transporte.

¿Cómo podemos transformar la videovigilancia en el borde?

Actualmente, la mayoría de los análisis de borde de las imágenes de las cámaras de vigilancia simplemente muestran que algo o alguien se está moviendo. Después de este análisis por sistemas de gestión de video (VMS) en servidores centralizados, se necesita un ser humano para interpretar exactamente qué es y si presentan alguna amenaza o riesgo de seguridad.

Para comprender si un objeto es un vehículo, un ser humano, un animal o prácticamente cualquier cosa, podemos «entrenar» un sistema de cámara para detectar y clasificar el objeto. Esto podría llevarnos a comprender un número casi ilimitado de clases de objetos y contextos.

Los análisis estándar detectarían que un vehículo ha activado una alerta. Con una capa de aprendizaje profundo inteligente además de eso, puede entrar en más detalles: ¿Qué tipo de vehículo es? ¿Está en un área que causará problemas potenciales, o está en el arcén y fuera de peligro inmediato? ¿Es un autobús averiado y que pueda poner en peligro a las personas al desembarcar?

Beneficios de las analíticas en el borde

La mayor precisión de la analítica perimetral, y la capacidad de distinguir entre múltiples clases de objetos, reduce inmediatamente la tasa de falsos positivos. Con eso viene una reducción relacionada en tiempo y recursos para investigar estos falsos positivos. De manera más proactiva, la analítica de borde puede crear una respuesta más apropiada y oportuna.

Por ejemplo, ejecutar análisis de inteligencia artificial en el borde podría identificar objetos en una autopista y alertar a los conductores. Pero la capacidad que aporta el aprendizaje profundo para distinguir entre un ser humano y un vehículo puede ayudar a definir el nivel de gravedad de las advertencias emitidas a los conductores. Si las cámaras veían que había alguien en peligro en la carretera, podían activar automáticamente la señalización para reducir la velocidad del tráfico y alertar a los servicios de emergencia.

Con el tiempo, los desarrolladores detrás de la analítica pudieron ver tendencias que serían útiles no solo para la gestión y planificación del tráfico, sino también para otras agencias interesadas en el comportamiento y la conservación de la vida silvestre. Poder diferenciar el tipo de tráfico (peatones, ciclistas, automovilistas, vehículos comerciales) proporciona información valiosa sobre tendencias que ayuda a los ingenieros civiles a planificar las ciudades inteligentes del futuro.

Convertir datos sin procesar en información analítica procesable

Otro beneficio clave de la analítica al borde es que el análisis se realiza en secuencias de video de la más alta calidad, lo más cerca posible de la fuente. En un modelo tradicional, cuando la analítica tiene lugar en un servidor, el video a menudo se comprime antes de ser transferido, por lo que el análisis se realiza en video de calidad degradada.

Además, cuando la analítica está centralizada, teniendo lugar en un servidor, cuando se agregan más cámaras a la solución, se transfieren más datos, y esto crea la necesidad de agregar más servidores para manejar la analítica. La implementación de análisis potentes en el borde significa que solo se envía la información más relevante a través de la red, lo que reduce la carga sobre el ancho de banda y el almacenamiento.

¿Desea obtener más información sobre nuestras cámaras de caja fija para un rendimiento y procesamiento superiores?

Más información