Ваша корзина пуста
Договор о сотрудничестве с компанией Optimus
Наша компания заключила долгожданный и долгосрочный договор о сотрудничестве с компанией Optimus
Компания ООО "Т2 Мобайл" выразила Нам благодарность
Компания ООО "Т2 Мобайл" выразила благодарность компании ООО "Альфа-Строй"
СВОИХ НЕ БРОСАЕМ Z
Наша компания за свои средства приобрела и передала гуманитарную помощь военнослужащим в зоне проведения специальной военной операции
Бренд Optimus получил сертификат CТ-1
Мы рады сообщить, что 85 моделей IP-видеокамер Optimus успешно прошли сертификацию по стандарту СТ-1
НОВИНКА ! Бюджетные видеокамеры от компании Space Technology ST-SK2500 TOWN и ST-SK2501 TOWN
НОВИНКИ!
 В течение сотен лет главными инструментами человека для обнаружения дыма и огня были его глаза и опыт. После появления систем пожарной безопасности актуальность такой детекции, казалось бы, пропала, ведь с этого момента стало возможным распознавать пожар и дым на ранней стадии. Многообразие принципов, на основе которых работают такие детекторы, впечатляет. Тем не менее спектр их применения ограничен. Например, по-прежнему остается актуальной задача детекции дыма и огня на открытых пространствах. Там, как правило, обнаружение пожара происходит, лишь когда уже нанесен значительный ущерб экономике, экологии или здоровью людей. Это происходит потому, что большой объем воздуха и сильные воздушные потоки не позволяют физическим датчикам вовремя обнаружить пожар. Поэтому их установка на открытых пространствах нецелесообразна. Появление на рынке безопасности интегрированных систем позволило добавить в противопожарную систему важнейшую функцию – возможность получить визуальное подтверждение полученной тревоги. По сути, камера превратилась в видеодетектор пожара, что дало толчок для использования видеонаблюдения как неотъемлемой части комплекса пожарной безопасности. Однако необходимость наблюдать за происходящим в поле зрения видеокамеры возвращает нас к самому старому способу обнаружения пожара – с помощью глаз и опыта. К тому же на скорость определения опасной ситуации влияет человеческий фактор. Очевидной становится необходимость в частичной или полной автоматизации детекции огня и дыма по видеоизображению. Стандартных механизмов уже недостаточно Любая видеоаналитика строится на механизме анализа изображения или серии изображений с камеры. И какой бы легкой ни казалась эта задача для человеческого мозга, для компьютера она бывает практически неразрешимой. Основная причина в том, что большая часть современных аналитических программ использует принцип создания математической модели, с помощью которой определяется, есть ли на видео то, что мы ищем. При этом полностью отсутствует возможность опереться на опыт эксплуатации системы и учесть его в будущем. Однако такой принцип идеально подходит для решения многих несложных задач, потому что не требует мощных ресурсов процессора и при этом дает результат с высокой степенью точности. Наилучшим примером может служить детектор движения. Для решения более сложных задач, в том числе для определения огня и дыма, тоже возможно использование такого подхода, но возникает большая проблема. Чем сложнее поведение объекта, тем сложнее его описать математически – соответственно, повышается риск сделать механизм детекции менее точным, а спектр применения конкретной модели ограниченным. Это значит, что при каждой смене условий конкретного объекта будет требоваться специалист высокого класса для адаптации математической модели, иначе она так и останется оптимизированной «под условия и требования любого заказчика». Таким образом, основная проблема подхода с использованием математической модели для обнаружения пожара – отсутствие решений, позволяющих с достаточно высокой точностью определять дым и огонь в различных условиях освещения и фона. Нейронные сети: мыслят, как человек, видят больше, чем человек С тех пор как принцип простой математической модели начал применяться в аналитике, прошло много времени и у него появился конкурент – искусственные нейронные сети. Создание модуля аналитики с использованием этого инструмента состоит из двух шагов: построение архитектуры сети для конкретной проблемы и обучение системы. Для обучения используется принцип, который работает и в человеческом мозге, – сравнение текущего изображения с увиденными ранее, на которых был искомый объект. Уровень развития искусственных нейронных сетей уже позволяет решать специфические задачи по принципу, схожему с механизмом принятия решений человеком. Сам по себе подход не нов, но до недавнего времени его широкое использование было экономически невыгодным и сложно применимым в реальной жизни (представьте себе мощный сервер с одной видеокамерой, которая детектирует, например, только дым). Но с ростом мощностей компьютеров его внедрение становится все более реальным – сейчас на одном сервере уже могут работать несколько десятков камер, решающих различные задачи, в том числе распознавание дыма и огня. Таким образом, нейронные сети – это легко обучаемое и адаптируемое к различным специфическим условиям применения средство, которое с каждым новым объектом, на котором оно применяется, становится более умным и универсальным. И самое главное – видеоаналитика может быть кастомизирована под каждый конкретный объект и задачу. Для этого нужна лишь достаточная для обучения серия кадров с будущего места применения и небольшое (относительно классических математических моделей) время на оптимизацию работы нейросетевого алгоритма. Применение нейронных сетей на текущем этапе развития технологий пока еще не может полностью передать принятие решений машине, но оно позволяет сделать главное – уменьшить влияние человеческого фактора и автоматизировать решение таких задач, которые не решаются с помощью традиционной аналитики. Век датчиков прошел? На вопрос, возможен ли полный отказ от применения датчиков пожарной безопасности в пользу видеодетекторов дыма и огня, однозначно ответить сложно, потому что области применения этих двух решений различны. В закрытых, относительно небольших помещениях, где циркуляция воздуха не очень сильная и концентрация дыма достаточно быстро доходит до уровня его уверенного обнаружения, применение видеодетекторов нецелесообразно, достаточно и стандартных датчиков. Но существует огромный спектр задач, который остро нуждается в видеодетекции дыма и огня, поскольку использование стандартных средств обнаружения там затруднительно. Например, это помещения с большим объемом и площадью: склады, ангары, торговые и выставочные центры, цеха и любые другие помещения с высокими потолками. Для таких объектов видеодетекция – чрезвычайно эффективный инструмент, поскольку она позволяет определить пожар на самой ранней стадии и максимально снизить наносимый им ущерб. А на объектах и территориях, где в принципе невозможно применение обычных датчиков противопожарных систем, видеодетекции нет альтернативы. Это любые открытые территории: лес, стоянка, стадион, стройплощадка, дорога и т. д. Применение видеоаналитики для подобных объектов становится спасением, поскольку позволяет обнаруживать дым и огонь там, где раньше это было практически невозможно. Преимущества видеоаналитики в задачах по определению дыма и огня • Принципиально новый вид аналитики, позволяющий уже сегодня решать задачи, которые вчера решать было невозможно. • Не требуются огромные вычислительные мощности и сложные действия по адаптации алгоритмов под специфические условия заказчика. Решения становятся экономически более выгодными для применения на большом спектре объектов. • Обнаружение возгораний на ранней стадии и существенное снижение урона от пожаров. Технология искусственных нейронных сетей стала значительно доступнее и в совокупности с классическими интегрированными средствами обеспечения безопасности позволяет заметно снизить риск возникновения ситуаций, опасных для жизни человека. Источник |
