Wie die benutzerdefinierte Objekterkennung dieVideoüberwachung grundlegend verändern wird

Complying with the CRA and NIS2 in your CCTV system

Von Pread Um (Suk Bong), Produkt- und Marketing-Leiter, Hanwha Vision Europe

Vor ein paar Jahren war es noch schwer vorstellbar, wie allgegenwärtig KI in unserem Leben werden würde. Wir dachten eigentlich, dass KI ein Konstrukt von Science-Fiction-Romanen bleiben würde. Nun ist KI aber in die Reichweite von vielen Unternehmen gerückt. KI lässt sich einfach einrichten, sogar von Personen mit wenig bis gar keinen Programmierkenntnissen. Damit ist KI nun in vielen verschiedenen Bereichen nutzbar. Da KI auch für Laien immer einfacher einzurichten ist, überrascht es kaum, dass erwartet wird, dass bis 2040 1,3 Millionen Unternehmen in Großbritannien diese Technologie einsetzen werden.

Die Videoüberwachung ist da keine Ausnahme: Mit vortrainierten KI-Kameras können Bediener mehr Einblicke und Kontext aus den Bildern der Kamera gewinnen. Hanwha Vision geht noch einen Schritt weiter: Das Unternehmen bietet jetzt eine benutzerdefinierte Objekterkennung in einigen seiner Kameras an, mit der Sicherheitsteams mit wenigen Klicks und Bild-Uploads Algorithmen trainieren können.

KI an unterschiedliche Bedürfnisse anpassen

Das verändert das Einsatzspektrum für Sicherheitsteams. Es macht es einfacher, eine KI-gestützte Objekterkennung an spezifische Geschäftsanforderungen anzupassen. Während die meisten KI-gesteuerten Videokameras gewöhnliche Objekte wie Personen, Gesichter und Fahrzeuge erkennen können, ermöglichen die neuen „benutzertrainierten“ KI-Lösungen es den Betreibern, ihre Kameras so zu trainieren, dass sie benutzerdefinierte Objekte erkennen, darunter potenzielle Gefahren wie Kisten und Schilder in einer Werkstatt und Verkehrskegel auf einer Straße.

Das heißt jedoch nicht, dass Sie diese maschinellen Lernfunktionen einfach in Ihr Unternehmen bringen und erwarten können, dass sie sofort funktionieren oder dass sie 100 % präzise sind. Ihr Team muss die Erkennungsmodelle mit den besten verfügbaren Bildern trainieren, die ein gewähltes Objekt enthalten, und mit genügend Daten, um die besten Ergebnisse zu erzielen. Das Sichtfeld der Kamera und der Hintergrund müssen außerdem klar genug sein, damit der Algorithmus zwischen Hintergrund und Objekt unterscheiden kann.

Wissen, an welchen Objekten man trainieren kann

Neue Kamerafunktionen, wie z. B. die WiseDetector-Lösung von Hanwha, bieten Flexibilität bei der Erkennung von Objekten basierend auf Projekt- und Situationsanforderungen. Das bedeutet aber nicht, dass Sie Ihre Modelle auf eine große Auswahl an Objekten trainieren sollten. Konzentrieren Sie sich lieber auf ein oder zwei Objekte, damit die maschinellen Lernalgorithmen gute Ergebnisse von vielen Bildern dieser Objekte erzielen können. Setzen Sie Prioritäten für die Objekte, die in Ihrem Unternehmen am häufigsten erkannt werden müssen. In einem gesperrten Bereich könnte es sich beispielsweise als vorteilhaft erweisen, Ihr System darauf zu trainieren, offene und geschlossene Türen zu erkennen und so die Zugangskontrolle zu unterstützen.

Die benutzerdefinierte Objekterkennung ist natürlich in nahezu jeder Branche anwendbar, z. B. im Einzelhandel, bei Fast-Food-Ketten, Banken, im Transportwesen, in Museen, Fabriken und Krankenhäusern. Sie kann Logos an Fahrzeugen erkennen, die auf ein Gelände fahren bzw. das Gelände verlassen oder bestimmte Kisten und Logos in einem Lagerhaus oder Kegel erkennen, die ein mögliches Hindernis auf einer Straße darstellen.

Bedienerfreundlich

Lösungen wie WiseDetector haben eine einfache Benutzeroberfläche (in diesem Fall der Gerätemanager), über die Benutzer leicht Bilder mit dem zu erkennenden Objekt erfassen können. Anschließend kann das Objekt für das maschinelle Lernmodell markiert werden, damit es daraus lernen kann. Benutzer müssen nur Bilder sammeln, die ein Zielobjekt enthalten, um das maschinelle Lernmodell auf die Erkennung des Objekts zu trainieren. Je mehr Bilder, desto besser, aber auch die Qualität der Bilder, die hochgeladen werden, spielt eine wichtige Rolle. Die Bilder sollten so klar wie möglich sein und im Idealfall das Objekt aus verschiedenen Blickwinkeln zeigen, damit das maschinelle Lernmodell wirklich „versteht“, wonach es sucht. Sie können das System auch erneut trainieren und seine Fähigkeiten verfeinern, um noch bessere Ergebnisse zu erhalten.

Einer von vielen Fortschritten

Diese maschinell lernenden, benutzertrainierten Funktionen sind nur einer von vielen Fortschritten, die heute in der Videoüberwachung gemacht werden. Maschinelles Lernen und KI sind in der Videoüberwachung zunehmend präsent – und das kann dank der vielen Vorteile, die sie für die Sicherheit und den Betrieb im Allgemeinen bringen, nur eine positive Entwicklung sein. Diese umfassen die einfache und schnelle Durchsuchung von Videos, um Objekte und Personen von Interesse zu identifizieren und mögliches asoziales oder kriminelles Verhalten zu erkennen. Neben benutzertrainierten Funktionen können Sie davon ausgehen, dass mehr Edge-KI – bei der die Analyse lokal auf einem Gerät erfolgt – sowie Deep-Learning-Algorithmen auf den Markt kommen werden. Deep-Learning-Algorithmen reduzieren Fehlalarme, indem sie vordefinierte Objekte wie z. B. Personen und Fahrzeuge genau erkennen und irrelevante Bewegungen, z. B. vom Wind verwehte Bäume, Schatten oder Tiere, ignorieren.

Zeit zum Mitmachen

Es ist zweifellos eine spannende Zeit, KI zur Verbesserung Ihrer Videosicherheit einzusetzen. Das kann durch das Trainieren eines maschinellen Lernalgorithmus zur Erkennung von Objekten oder durch die Installation von Edge-KI-Geräten mit vorinstallierten Algorithmen geschehen. Die aktuellen Entwicklungen sind nur ein kleiner Ausschnitt dessen, was maschinelles Lernen und KI der Videoüberwachungsbranche bringen kann. Die Branche befindet sich in einem rasanten Wandel. Wer weiß, was das nächste Jahrzehnt bringen wird.