Inteligência Artificial na Borda: possibilidades para o videomonitoramento - NetSeg

Inteligência Artificial na Borda: possibilidades para o videomonitoramento

Monitoramento | 2021-08-20

A computação em borda permite realizar análises avançadas utilizando Inteligência Artificial (AI) e Deep Learning dentro das próprias câmeras.

Por Sergio Fukushima, gerente de Soluções da Axis Communications.

Computação em borda significa mais capacidade para dispositivos conectados. Em um sistema de videomonitoramento, representa que mais ações podem ser realizadas nas próprias câmeras. O papel da inteligência artificial (IA) (aprendizado de máquina e aprendizado profundo) em vigilância por vídeo vem ganhando força, uma vez que podemos 'ensinar' nossas câmeras a serem mais intuitivas sobre o que filmam e analisam em tempo real. Por exemplo, o veículo na cena é um carro, ônibus ou caminhão? É um humano ou um animal próximo ao prédio? São essas sombras ou um objeto na estrada?

Os avanços reduzem a necessidade do envolvimento humano na análise de dados e tomada de decisões. Em último caso, deve acelerar o tempo de resposta, o que poderá salvar vidas e fornecer informações valiosas que podem moldar o futuro dos edifícios, cidades e sistemas de transporte.

Como podemos transformar a vigilância por vídeo?

Atualmente, a maior parte das análises de imagens de câmeras de segurança na borda apenas mostram quando algo ou alguém está em movimento. Após essa análise inicial do sistema de gerenciamento de vídeo (VMS) em servidores centralizados, é preciso um ser humano para interpretar exatamente o que é o evento e se apresenta alguma ameaça ou risco à segurança.

Para entender se um objeto é um veículo, um ser humano, um animal ou qualquer coisa, podemos "treinar" um sistema de vídeo para detectar e classificar o objeto. A análise detectaria que um veículo acionou um alerta e com a tecnologia de aprendizado profundo (Deep Learning) inteligente poderíamos entrar em mais detalhes: que tipo de veículo é? Esta é uma área que pode causar problemas em potencial ou há perigo imediato? É um ônibus quebrado que pode colocar as pessoas em perigo durante o desembarque?

Benefícios da análise na Borda

A maior precisão da análise de borda e a capacidade de distinguir entre várias classes de objetos reduzem a taxa de falsos positivos. Com isso, diminui também o tempo e os recursos para investigar falsos alarmes. De forma proativa, a análise de borda cria uma resposta mais apropriada e efetiva. Por exemplo, a execução de análises de IA na borda pode identificar objetos em uma rodovia e alertar os motoristas.

Ainda assim, a capacidade de aprendizagem ajuda a distinguir entre um ser humano e um veículo, podendo ajudar a definir o nível de gravidade dos avisos emitidos aos motoristas. Se as câmeras avistassem alguém em perigo na estrada, poderiam ativar automaticamente e de maneira autônoma a sinalização para reduzir a velocidade do tráfego e alertar os serviços de emergência.

Com o tempo, os desenvolvedores por trás da análise são capazes de identificar tendências úteis para o planejamento e gerenciamento de tráfego, assim como para outras autoridades interessadas no comportamento e conservação de animais silvestres que possam atravessar a pista, por exemplo. Ser capaz de diferenciar o tipo de tráfego (pedestres, ciclistas, motoristas, veículos comerciais) fornece informações valiosas sobre tendências que colaboram com o trabalho dos engenheiros civis no planejamento das cidades inteligentes do futuro.

Converta dados brutos em informações analíticas

Outro benefício importante da análise de borda é que o processo é realizado nas imagens de vídeo da mais alta qualidade, o mais próximo possível da fonte. Em um modelo tradicional, quando a análise ocorre em um servidor, o vídeo geralmente é compactado antes de ser transferido, portanto, a análise é feita em vídeo de qualidade reduzida.

Além disso, quando a análise é centralizada, ocorrendo em um servidor, quanto mais câmeras são adicionadas à solução, mais dados são transferidos, criando a necessidade de adicionar mais servidores para lidar com a análise. Implementar análises poderosas na extremidade significa que apenas as informações mais relevantes são enviadas pela rede, reduzindo o uso da largura de banda e de armazenamento.