Pourquoi la détection d’objets déterminée par l’utilisateur est-elle amenée à être révolutionnaire dans le domaine de la vidéosécurité

Complying with the CRA and NIS2 in your CCTV system

Par Pread Um (Suk Bong), Directeur des produits et du marketing, Hanwha Vision Europe

Il y a seulement quelques années, nous aurions eu du mal à imaginer l’importance cruciale que l’IA serait amenée à jouer dans nos vies. L’IA n’était alors qu’un thème abordé dans les romans de science-fiction. Mais aujourd’hui, l’immense essor de l’IA tant pour l’accessibilité que la simplicité d’utilisation permet de créer des programmes et de les utiliser dans de nombreuses applications par des utilisateurs avec peu ou pas de compétences en la matière. L’IA devenant plus simple à utiliser par tous, il n’est pas surprenant qu’on s’attende à ce que 1,3 million d’entreprises au Royaume-Uni adoptent cette technologie d’ici 2040. 

La vidéosécurité ne fait pas exception, aussi les caméras disposant d’IA déjà « entraînées » aident les opérateurs à obtenir plus d’informations et de matière contextuelle des séquences vidéos. Sur certaines caméras, Hanwha Vision va désormais plus loin en proposant des systèmes de détection d’objets déterminés par l’utilisateur pour permettre aux équipes de sécurité de créer facilement des algorithmes et d’envoyer simplement des images.

Adapter l’IA aux différents besoins

Une révolution pour les équipes de sécurité. Cette fonctionnalité permet d’adapter la détection des objets par IA aux besoins spécifiques des entreprises. Si la plupart des caméras IA peuvent détecter des objets communs tels que les personnes, les visages ou les véhicules, ces nouvelles solutions «entraînées par l’utilisateur » permettent aux opérateurs de former leurs caméras à détecter les objets qu’ils désirent, comme des cartons, des panneaux sur le sol d’un magasin, ou des cônes de signalisation sur une route. 

Néanmoins cela ne signifie pas que vous pouvez intégrer simplement ces fonctionnalités de Machine Learning dans votre organisation et espérer qu’elles fonctionnent immédiatement — ou qu’elles soient parfaitement précises du premier coup. Pour un objet choisi, votre équipe devra former des modèles de reconnaissance à l’aide des meilleures images possible, et agréger suffisamment de données pour obtenir les meilleurs résultats. Le champ de vision et l’arrière-plan de la caméra doivent également être suffisamment clairs pour que l’algorithme puisse distinguer l’objet.

Choisir les objets sur lesquels se concentrer

Les nouvelles capacités de détection telles que celles de la solution WiseDetector d’Hanwha Vision permettent de détecter des objets selon les besoins du projet ou de la situation. Mais cela ne veut pas dire que vous devrez former vos modèles sur un large éventail d’objets. Mieux vaut plutôt se concentrer sur un ou deux objets, de sorte que les algorithmes de Machine-Learning puissent atteindre de bons résultats grâce à de nombreuses images de ces objets. Donnez la priorité aux objets qui doivent être détectés le plus fréquemment par votre organisation. Dans une zone restreinte, par exemple, il peut être judicieux d’aider le contrôle d’accès en entraînant votre système à distinguer les portes ouvertes des portes fermées.

La détection des objets définis par l’utilisateur peut bien entendu être utile dans tous les secteurs, comme la vente au détail, les chaînes de restauration rapide, les banques, les transports, les musées, les usines et les hôpitaux. La caméra peut détecter des logos sur les véhicules entrants ou sortants d’un site, des cartons, des logos dans un entrepôt, ou des cônes de signalisation indiquant une possible obstruction de route. 

Simplicité d’utilisation

Les solutions telles que WiseDetector utilisent une interface simple (Device Manager dans le cas présent) pour permettre aux utilisateurs de sélectionner facilement les images sur lesquelles apparaît l’objet à détecter, puis de marquer cet objet pour que le modèle de Machine Learning puisse l’intégrer dans son apprentissage. Les utilisateurs doivent simplement collecter des images contenant l’objet cible pour former le modèle de Machine Learning à le reconnaître. Plus il y a d’images, meilleure sera leur qualité, et plus le modèle reconnaîtra l’objet avec précision. Ces images doivent être les plus claires possible, et dans l’idéal présenter l’objet sous différents angles pour aider le modèle à « comprendre » ce qu’il doit chercher. Il est également possible de poursuivre ultérieurement l’apprentissage du système et d’affiner ses capacités pour obtenir de meilleurs résultats.

Une avancée parmi bien d’autres

Ces fonctionnalités de Machine Learning formées par l’utilisateur ne sont qu’une des nombreuses avancées récentes du secteur de la vidéosécurité. L’IA et le Machine Learning sont de plus en plus souvent présents dans le secteur – ce qui ne peut être qu’un développement positif compte tenu des nombreux avantages que ces technologies apportent à la sécurité et aux activités de tous ordres. Elles permettent notamment de rechercher facilement et rapidement parmi des vidéos pour identifier des objets ou des personnes spécifiques, et d’identifier les potentiels comportements antisociaux ou criminels. Par ailleurs, les fonctionnalités pouvant être configurées par l’utilisateur, on peut s’attendre à voir arriver sur le marché toujours plus de systèmes IA embarqués (pour lesquels les analyses sont réalisées directement sur l’appareil) et d’algorithmes de Deep Learning. Les algorithmes de Deep Learning réduisent les fausses alarmes en détectant avec précision des objets prédéfinis, comme les personnes et les véhicules, tout en ignorant les mouvements non pertinents comme ceux des arbres, des ombres, et des animaux

Il est temps de se lancer

Sans aucun doute, le moment est bien choisi pour améliorer votre vidéosécurité à l’aide de l’IA. Il peut aussi bien s’agir de former un algorithme de Machine Learning pour détecter des objets que d’installer des appareils embarquant une IA avec des algorithmes préinstallés. Et les évolutions actuelles ne forment qu’une fraction minime de ce que le Machine Learning et l’IA peuvent apporter au secteur de la vidéosécurité. Compte tenu des transformations rapides que traverse le secteur, qui sait ce que la décennie à venir nous réserve.