作者：謝涵如
智慧安防監控的應用在生活中隨處可見，小至手機上的指紋及人臉識別解鎖，大到高齡者長照，都能透過監視即時反饋現況，守護我們的安全。
但若想更上一層樓，將AI導入智慧安防監控，就必須了解如何依照不同的應用場景，處理蒐集到的數據，並且針對不同情況建立機器學習模型。本次社聚邀請兩位專家，以自身的經驗與應用實例，向觀眾分享該如何訓練、優化AI安防監控，並應用在各種場域之中。
數據 — AI模型成敗關鍵
若水國際以提供AI數據標註服務為主要業務，曾與超過百家AI領域公司合作，領域遍及安防監控、智慧零售、智慧交通、NLP等，經驗相當豐富。提到數據之於AI的重要性，AI數據服務事業部客戶經理林小菁直言：「數據處理得越好，越能降低未來AI誤判的可能性。」
究竟該怎麼做，才能更清楚的掌握數據的特性？林小菁將處理過程分為三大階段：Raw Data、Good Data、Labeled Data。
數據處理三階段（圖片來源：若水國際）
第一步在選擇Raw Data時，資料不只要多，還要具備一定的複雜度與多元性，依照應用場域做全面性考量，盡可能囊括不同屬性資料才能更接近場域實際情形。另外，也可以放入一些不是目標物的Noise，讓模型產生是與不是的概念。
接下來將Raw Data依不同屬性拆分整理後，就能得到Good Data。分析處理過後的資料，日後進入模型時能夠產出更好的訓練效果，分類好的的Good Data階段再經過標記成為Labeled Data。
至於該如何提升Labeled Data標註的精確度，林小菁認為有兩大原則可以依據：「化主觀為客觀」，避免模糊不清的數據原則，最好能運用工具訂定客觀的指標。另外掌握「原則判斷方式和命題的關聯性」，讓原則扣緊命題，也能增加準確度。
使用客觀的數據原則，能提升訓練成果的準確度。（圖片來源：若水國際）
安防監控數據策略 — 結合實際場域
在安防監控的領域，數據大多都在特定的環境，並且以室內居多，如展場、工廠、家中等。資料來源部分，林小菁建議，雖然在網路上通常可找到類似的Open Dataset，但仍需搭配實際場域的情況訓練模型較好。圖資內容部分，以連續型的圖資、圖片數量多。
對於安防監控領域的數據選用策略，一樣必須明確定義需要解決的問題，並且需要特別注意資料是否可持續收集、場景是否會更換的問題，例如工廠的工作器械是否會轉移。
此外，部分場景像是展場、商場等人流變化大，例如商場會有平日假日的差別，收集圖資時需特別留意不同時段、不同場域的變化，以確保模型的適性度。林小菁總結：「清楚掌握數據的優勢與特性，就是AI落地成功的關鍵。」
安防監控的應用場景相當廣泛。（圖片來源：若水國際）
交通科技執法系統 — AI安防監控的創新應用與實現
以安全監控錄影產品製造起家的利凌(LILIN)，近年來積極佈局於智慧影像分析市場，結合邊緣運算技術研發AI產品，打造智慧安防監控系統，並且已應用於車牌辨識、集電弓辨識、口罩辨識等各個領域。最近利凌研發的「整合性AI智慧交通科技執法系統」，成功在台灣南部已經落地實用，不僅為AI應用開創新局，也用智慧科技協助減輕警察的負擔。
利凌開發智慧執法系統，用科技協助執法。（圖片來源：利凌）
「交通科技執法系統需要同時做違規行為的行為偵測及車牌辨識，並生成出四分割畫面的時序圖、車牌特寫圖及影片。」利凌資訊長胡志剛表示，這些要求其實都是技術上需要克服的挑戰。
利凌使用一個攝影機全景監視，兩個攝影機分別做左右車道車牌監視，再透過攝影機影像縫合技術及簡單的自動化軟體，生成所需要的畫面，解決圖片需求。不僅如此，安裝方式也是一大問題，由於現場安裝條件不佳，很多時候都只能裝在現有的門架上，高度無法符合攝影機所需要條件。利凌於是選擇使用25倍的攝影機，用較高的放大倍率調出近距離的畫面。
而生成四格時序圖時，最重要的就是抓準違規行為的時機擷取圖片，胡志剛向觀眾分享：「闖紅燈前的畫面和闖紅燈後的畫面時間要抓得很準，這是這個執法系統的關鍵技術。」此外，還有諸如偵測現場干擾多容易造成系統的誤判，以及跨車道違規左轉的偵測等棘手問題，利凌也都一一解決，並且結合自動化開單軟體，將檔案直接匯入，讓員警系統全面智慧化。
目前科技執法正確率92%，成效相當不錯，未來也有希望能夠應用在更多地方，幫助更多地方執法機構更精確的取締違規行為。
小結
安防監控領域在台灣的發展相對成熟，如今結合AI技術更是如虎添翼，希望未來AI智慧安防監控領域的發展能夠更加進步多元，讓我們的安全更有保障，生活更安心。
- 【活動報導】Edge AI聰明部署關鍵論壇 輕鬆跨越應用瓶頸 - 2022/12/17
- 2022世足賽來臨，足球科技精準協助判定！ - 2022/11/30
- 當3D掃描遇上古蹟，成為珍貴文物保存利器！ - 2022/11/07
.jpg)
.jpg)