Hoewel analytics in videobewaking geen nieuw begrip is – de eerste analytics-toepassing in Axis-camera's dateert van ruim 20 jaar geleden – zijn er de afgelopen jaren dankzij technologische vooruitgang op het gebied van analytics grote stappen vooruit gezet. En met toekomstige innovaties in hardware, software en platformen zullen de mogelijkheden om geavanceerde edge-analytics te gebruiken voor videobewaking in welke sector dan ook alleen nog maar verder toenemen. Een belangrijke focus van Axis is het ontwikkelen van bewakingscamera's van de beste kwaliteit, maar samen met zijn partners ontwikkelt het ook een reeks analytics waarmee klanten hun hardware-investering optimaal kunnen laten renderen. We spraken met Petra Bennermark, Manager Analytics Solutions bij Axis, en blikten met haar terug op de geschiedenis van analytics in Axis-oplossingen en vooruit naar het toekomstige potentieel ervan.
'Analytics' lijkt een begrip dat door iedereen in de beveiligings- en bewakingssector wordt genoemd, Petra. Maar, voor we dieper ingaan op de betekenis ervan, kun je ons kort de geschiedenis van Axis en analytics schetsen?
Jazeker. Iedereen kent Axis als een bedrijf dat bewakingscamera's van de hoogste kwaliteit ontwikkelt en produceert. Dat doen we al sinds we de eerste netwerkbewakingscamera maakten in 1996. Omdat onze focus lag op het inspelen op de behoeften en use cases van onze klanten op het gebied van bewaking, zagen we al snel na het maken van de eerste netwerkcamera de kans om analytics aan de camera toe te voegen. Het was duidelijk dat de mogelijkheid om video-informatie van de camera te analyseren en een bepaalde actie of een alarm te genereren op basis van het resultaat, de beveiligings- en bewakingssystemen van onze klanten efficiënter zou maken.
In 2000 voegden we bewegingsdetectie toe aan onze camera's, wat het mogelijk maakte om alarmen naar operators te sturen en video-opnames te triggeren bij bewegingsdetectie in een anders statische omgeving. Enkele jaren later was er de introductie van de AXIS 242S video-encoder, die revolutionair was omdat hij de mogelijkheid bood om analytics direct op de videofeed van de camera toe te passen en partnertoepassingen te ontwikkelen. In 2009 richtten we het AXIS Camera Application Platform (ACAP) op, dat meer structuur bood en een ruimere groep van partners de kans gaf om analytics-toepassingen voor onze camera's te ontwikkelen.
Tegenwoordig heeft de verwerkingskracht van camera's, wat steeds meer machine en deep learning mogelijk maakt, voor een transformatie gezorgd op het gebied van analytics-mogelijkheden. Het fundament van effectieve video-analytics zijn hoogwaardige camera's met een hoge verwerkingscapaciteit. En voor ons begint dat met de voordelen van het ontwerpen van onze eigen chip, ARTPEC.
Waarom is het ontwerpen van een eigen chip zo belangrijk voor analytics?
Simpel gezegd kunnen we een chip ontwerpen die 100% is geoptimaliseerd voor netwerkvideo. En zo krijg je, naast enkele andere voordelen, een hardwareplatform dat ideaal geschikt is voor video-analytics.
Sinds de introductie van de ARTPEC-chip in 1999 lag deze aan de basis van veel innovaties en verbeteringen die Axis heeft ingevoerd in de sector, zoals Axis Lightfinder, Axis Wide Dynamic Range (WDR) en Axis Zipstream. ARTPEC dient hoofdzakelijk als platform voor het leveren van de allerbeste videokwaliteit, wat cruciaal is voor hoogwaardige analytics.
Door onze eigen chip te ontwerpen zijn we erin geslaagd bewakingscamera's te maken met een ongelooflijke verwerkingskracht. Hierdoor kunnen we optimaal profiteren van steeds slimmere analytics aan de rand ('edge') van het netwerk – op de camera's zelf.
Analytics op de camera zelf, dicht bij waar de video wordt vastgelegd, biedt meerdere voordelen. Het maakt snellere alarmen, beslissingen en reacties mogelijk. Er wordt minder bandbreedte, opslagruimte en serverinfrastructuur verbruikt; opschalen is dus gemakkelijker. Omdat de hoeveelheid verzonden gegevens kan worden beperkt, blijven ook gevoelige gegevens veilig. En het uitvoeren van analytics op niet-gecomprimeerde video aan de rand ('edge') betekent dat er geen informatie verloren gaat bij de compressie.
Edge-analytics maken het systeem efficiënter en effectiever. Daarnaast maken moderne ontwikkelingstools een hybride architectuur mogelijk, waarbij optimaal gebruik wordt gemaakt van serveromgevingen op de edge, in de cloud en op locatie. Dit betekent dat edge-apparaten het leeuwendeel van de analytics kunnen uitvoeren, dat de resultaten kunnen worden gecombineerd met gegevens van andere bronnen, en verder kunnen worden geanalyseerd op servers in de cloud of op locatie. Het verspreiden van de verwerking over het hele systeem verlaagt de kosten en leidt tot een betere gebruikerservaring met een hogere klantwaarde.
Axis levert al vele jaren analytics, maar is het bedrijf door de groei ervan ook een ander soort bedrijf geworden?
Dat denk ik niet. Onze visie van innovatie, met als doel de wereld slimmer en veiliger te maken, blijft in elk geval onveranderd. Dankzij voortdurende verbeteringen aan ons cameraplatform, met de ARTPEC-chip als fundament, kunnen we meer en betere geïntegreerde originele analytics ontwikkelen en kunnen onze partners meer toepassingen maken. Ook dit past in onze doelstelling om in te spelen op de behoeften en use cases van onze klanten op het gebied van beveiliging, veiligheid en operationele efficiëntie.
Onze engineers streven er voortdurend naar om de analytics-mogelijkheden van ons platform uit te breiden. Het gaat zowel om het verbeteren en uitbreiden van onze edge-analytics als over de sterk verbeterde mogelijkheid om beelden te doorzoeken en te analyseren na de opname. In beide domeinen zullen in de nabije toekomst grote stappen vooruit worden gezet. Dit komt grotendeels omdat meer metadata aan de rand worden gegenereerd, naast de video zelf.
Oh ja, 'metadata', nog zo'n term die we de laatste tijd veel horen. Kun je ons vertellen wat dit betekent en waarom het zo nuttig is?
Metadata zijn, simpel gezegd, data over andere data. Bij videobewaking beschrijven metadata informatie over wat er in de video te zien is. Bijvoorbeeld, de classificatie van objecten in de scène – waaronder voertuigen en personen - en de bijbehorende kenmerken van deze objecten, zoals de kleur van voertuigen en kleding of de rijrichting.
Dit kan ongelooflijk waardevol zijn bij het doorzoeken van grote hoeveelheden beelden en betekent dat operators bijvoorbeeld zoekopdrachten kunnen uitvoeren als “zoek alle beelden in die specifieke wijk waarop een rode auto te zien is tussen 18.00 en 22.00 uur op woensdag 25 maart”. In de toekomst zullen ze ook een centrale rol spelen in het vaststellen van patronen en trends en zo hun nut bewijzen op het gebied van organisatorische planning.
Het potentieel op het gebied van business intelligence is vrijwel oneindig. We verwachten dat onze partners hiermee aan de slag zullen gaan en een groot aantal toepassingen zullen ontwikkelen die efficiëntieverbeteringen voor onze klanten opleveren.
Welke toekomstige ontwikkelingen zullen analytics een duw in de rug geven?
Ik zie twee drijvende krachten voor innovatie, die sterk aan elkaar gekoppeld zijn: verdere verbeteringen in de verwerkingsmogelijkheden 'on the edge', wat kansen biedt om nieuwe analytics-toepassingen te maken; en een focus op bruikbaarheid om ervoor te zorgen dat de voordelen van analytics optimaal worden benut.
We hebben al een aantal camera's die de vruchten plukken van analytics op basis van deep learning of artificiële intelligentie, om de ruimere term te gebruiken. Met de volgende generatie van onze ARTPEC-chip zullen nog meer van onze camera's ondersteuning bieden voor deep learning met hardwareversnelling. Daardoor zullen camera's een veel grotere verwerkingscapaciteit hebben voor beeldverwerking, compressie en analytics met een grote energie-efficiëntie.
Terwijl bewakingsoplossingen van klanten over het algemeen een hybride mix van omgevingen zullen zijn – edge en servers op locatie en in de cloud – zullen hoogwaardige edge-analytics op basis van deep learning zich verder verspreiden. Natuurlijk staan we nog ver af van menselijke intelligentieniveaus en moeten we wijzen op de beperkingen van analytics – maar hoe nauwkeuriger de detecties en hoe rijker de data-outputs van deep-learning analytics worden, hoe waardevoller het zal blijken voor menselijke operators. Kortom, het zal de veiligheid en beveiliging verbeteren en de operationele efficiëntie verhogen.
Dat gezegd hebbende, analytics zijn alleen van waarde als ze effectief worden geïmplementeerd en gebruikt. Het werk van klanten en system integrators zo eenvoudig mogelijk maken, is altijd ons streven geweest. Centraal hierin staat het zo snel en eenvoudig mogelijk configureren en gebruiken van analytics en het bieden van open interfaces en ondersteunende tools.
Natuurlijk doet Axis er alles aan om het analytics-platform dat we via onze camera's aanbieden optimaal te benutten, maar ons wereldwijde netwerk van softwareontwikkelingspartners wordt de echte katalysator voor de innovatie van analytics. Door ACAP verder te innoveren zullen meer ontwikkelaars dan ooit gebruik kunnen maken van het Axis-cameraplatform. Het potentieel voor computer vision-toepassingen op basis van het Axis-platform is bijna oneindig. We zijn dan ook enorm enthousiast om te zien wat de verbeeldingskracht van onze partnercommunity gaat opleveren.