【活動報導】打造高效、精準的AI安防監控

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。

Author: 謝涵如

喜歡窩在自己的一方世界裡寫作閱讀,也喜歡四處旅遊找驚喜,希望能多接觸學習各種知識,從中拼湊出世界的全貌。

Share This Post On

發表

跳至工具列