Por: Escrito por Paul Kong, director técnico de Hanwha Techwin America
Hay varias opciones a considerar cuando se trata de análisis para sistemas de videovigilancia: implementar análisis en el borde «en la cámara» o utilizar un servidor dedicado. También utilice un enfoque híbrido que aproveche las implementaciones perimetrales y de servidor.
El poder del análisis en la cámara
A medida que se desarrollan conjuntos de chips más potentes en la cámara, los
dispositivos de borde continúan evolucionando. Son capaces de utilizar potentes análisis que pueden informar a los operadores sobre una amplia gama de eventos de video o audio en tiempo real que requieren atención.
▶ Entrevista a Hanwha Techwin en Feria Internacional de Seguridad ESS+ 2022
Algunas cámaras incluyen análisis de video como merodeo, cruce de línea, detección de rostros, entrada / salida y detección de dirección. La clasificación de audio puede advertir de roturas de vidrio, disparos y gritos. Los análisis más sofisticados, como la gestión de colas y los mapas de calor, brindan nuevas oportunidades para la inteligencia empresarial y de tráfico.
El siguiente paso en la evolución es la IA (Inteligencia Artificial), que usa algoritmos de Deep Learning. El aprendizaje profundo lleva a la enseñanza automática a un nuevo nivel basada en la teoría de redes neuronales que imita la complejidad del cerebro humano.
Anteriormente solo estaba disponible como un proceso del servidor, que requería la descompresión y procesamiento del video. Ahora, los algoritmos y los conjuntos de datos generados a partir del aprendizaje profundo se pueden incorporar en la cámara para realizar detecciones y alertas en tiempo real para reconocer objetos en diferentes ambientes.
Si bien los dispositivos de borde no pueden continuar auto-aprendiendo, pueden proporcionar una función útil para reconocer objetos o comportamientos conocidos. Todavía en su infancia, esta tecnología llevará el análisis en la cámara a un nuevo nivel tanto para casos de uso de seguridad como para inteligencia de negocios.
Los servidores desempeñan un rol importante
Incluso con el aumento de la potencia analítica disponible en el borde, hay ciertas tareas que se benefician de ejecutarse en un servidor potente. Como ejemplo, el reconocimiento de matrículas exige más que el reconocimiento óptico de caracteres, también requiere una interfaz con una gran base de datos donde las placas se pueden almacenar, cruzar y marcar. Del mismo modo, el reconocimiento facial requiere análisis sofisticados de bases de datos por las mismas razones.
Los servidores dedicados son más caros que los dispositivos perimetrales con analíticas incorporadas, por lo que es importante comprender claramente las necesidades de una empresa: ¿Necesitamos detectar un objeto o una persona específica?
Por ahora, el aprendizaje automático y los algoritmos de DeepLearning que aprenden continuamente requieren la potencia computacional y el almacenamiento que solo un servidor puede proporcionar.
Limitaciones de ancho de banda: Borde Vs. Servidor
Por muy poderosos que sean los servidores, tienen límites. Si un servidor va a analizar vídeo, primero debe decodificarlo, lo que consume una cantidad fija de recursos de CPU/GPU. Después de que el video se decodifica, se puede analizar. A medida que crece el número de canales de video, es posible saturar un servidor potente muy rápidamente.
Los dispositivos de borde son inmunes a este problema porque los análisis generalmente se ejecutan justo después de capturar la imagen y antes de que se codifique en una secuencia de video IP. Los resultados de los análisis se pasan como datos al VMS, NVR o sistema de grabación como metadatos, que es bastante pequeño en comparación con una secuencia de video.
Entremos al híbrido
Por las razones anteriores, es posible plantear que, para procesos de análisis potentes, como matrículas o reconocimiento facial, se puede obtener mejor con la combinación del análisis en borde con el procesamiento del servidor.
Este enfoque híbrido ya está en uso por algunos proveedores como una forma de ofrecer análisis potentes a una fracción del costo anterior. Para permitir esto, algunos fabricantes de cámaras han reservado espacio en sus cámaras para permitir que se instalen análisis de complementos de terceros que pasan datos directamente al servidor.
El video no necesita ser decodificado, lo que ahorra valiosos ciclos de CPU / GPU. Esto representa un escenario ideal que utiliza lo mejor de ambos mundos: análisis en borde que recopila datos antes de codificar el video y servidores que reciben metadatos ligeros desde la cámara para realizar procesos complejos.
Mientras que un solo servidor podría ser capaz de decodificar y analizar 20 canales de video, el mismo servidor que procesa los metadatos proporcionados por las cámaras podría analizar más de 250 canales. El ahorro de costos de tal implementación es sustancial.
- Guía Completa sobre Sistemas de Supresión de Incendios con Agentes Gaseosos: Innovación y Seguridad
- Blindaje de Autos con Protección Balística: Todo lo que Necesitas Saber para Aumentar tu Seguridad
- Plataformas de Comando y Control para Centros de Operaciones Tácticas: Optimice su Estrategia con Tecnología Avanzada
- Protocolos Esenciales para el Manejo Seguro de Maquinaria Peligrosa: Guía Completa
- Descubre las Ventajas de las Radios DMR en Redes de Telecomunicaciones Industriales
Conclusión
El borde continuará ofreciendo capacidades de análisis convincentes que se adaptan a la mayoría de los casos de uso.
La evolución de la IA y el aprendizaje profundo acelerará las capacidades de las cámaras y servidores a nuevos niveles en nuestra industria. Para los análisis más exigentes, los procesos de bases de datos y las implementaciones de IA, un enfoque híbrido puede generar el mejor valor comercial.
