دوربینهای مداربسته حالا دیگر مجهز به فناوری هوش مصنوعی شدهاند و شکی نیست که ادغام فناوری هوش مصنوعی (AI) در سیستمهای CCTV شیوه پایش و نظارت ما از محیط اطراف را به طور کلی عوض کرده است. با این حال یک پرسش اصلی مطرح میشود: اینکه تحلیل هوشمند ویدیو در سیستمهای نظارت تصویری بهتر است کجا انجام شود؟ میدانیم که اغلب تصاویر و ویدیوهای ضبطشده به سمت سرورهای ابری میروند و آنجا تحلیل میشوند و بعد نتیجه تحلیل بازگردانده میشود، اما این کار هم زمانبر است و هم پهنای باند زیادی میخواهد، اینجاست که پردازش تصویر در هوش مصنوعی لبه (Edge AI) با مزیتهای فوقالعادهای مانند زمان پاسخدهی بهتر، صرفهجویی در پهنای باند و حفظ امنیت داده، میتواند به عنوان یک راهحل جدید و ثمربخش مورد استفاده قرار گیرد. در این یادداشت همراه ما باشید تا با فناوری Edge AI در سیستمهای نظارت تصویری آشنا شویم.
تحلیل در محل: معرفی فناوری Edge AI در نظارت تصویری
قبل از آنکه بررسی کنیم انتخاب پردازش تصویر در هوش مصنوعی لبه (Edge AI) برای سیستمهای نظارت تصویری بهینه و بهصرفه است، ابتدا باید ببینم که Edge در سیستمهای نظارت تصویری چیست؟ هوش مصنوعی لبه به معنای اضافه کردن و تعبیه قابلیتهای هوش مصنوعی به طور مستقیم در سختافزارهای نظارتی است. به عبارت دیگر در سیستم نظارت تصویری به جای اینکه تصاویر و ویدیوهای ضبط شده برای تحلیل به سرورهای ابری فرستاده شود، توسط الگوریتمهای هوشمند تعبیه شده در دوربین تحلیل میشوند. این قابلیتها بهواسطه تراشههای پردازشی نصبشده روی دستگاه مانند NVIDIA Jetson و Google Coral و اجرای مدلهای یادگیری عمیق مانند YOLOv8، OpenVINO یا نسخههای سفارشی TensorRT امکانپذیر شده است.
وقتی دوربینها میبینند و میفهمند: بینایی ماشین در Edge AI
بینایی ماشین (Computer Vision) یکی از زیرشاخههای هوش مصنوعی است و روی درک و تفسیر محتوای بصری توسط ماشینها متمرکز است. وقتی از کاربرد مدلهای بینایی ماشین در Edge AI حرف میزنیم، منظورمان این است که مدلهای بینایی ماشین روی سختافزار لبهای و بدون وابستگی دائمی به سرورهای ابری کار کنند.
مدلهای بینایی ماشین این وظیفه را برعهده دارند که اشیاء را تشخیص دهند، چهرهها را شناسایی کنند، حرکتها و رفتارها را تحلیل کنند و تصمیمات بلادرنگ بگیرند. درست در همین بخش است که پردازش تصویر بلادرنگ اهمیت زیادی دارد، زیرا که در نظارت تصویری حتی چند میلیثانیه تاخیر هم میتواند دردسرساز شود. بنابراین مدلهای بینایی ماشین در Edge AI باید سبک، سریع و بهینه باشند. این مدلها شامل تشخیص اشیاء، تشخیص چهره، طبقهبندی تصاویر و سایر مدلهای بهینهشده برای Edge هستند.
مزیتهای Edge AI برای سیستمهای نظارت تصویری
هوش مصنوعی لبه، سرعت و امنیت را به دوربینها میآورد و آنها را از یک ابزار صرف به تحلیلگر و تصمیمگیرنده تبدیل میکند. در ادامه با مزایای کلیدی این فناوری آشنا میشوید.
واکنش آنی دوربینها: بدون تاخیر، بدون دغدغه
از آنجا که پردازش تصویر در هوش مصنوعی لبه (Edge AI) روی خود دوربین انجام میشود، تاخیر یا همان Latency به صفر میرسد. هوش مصنوعی لبه کمک میکند واکنش سیستم به صورت آنی و بلادرنگ باشد و تصمیمگیریها بسیار سریع انجام شود. مثلا فناوری تشخیص چهره در Edge AI کمک میکند ورود غیرمجاز را دقیقا در همان لحظه تشخیص دهید، یا رفتارهای مشکوک را بدون نیاز به بازبینیهای بعدی انجام دهید.
کاهش فشار روی شبکه با پردازش محلی
تصور کنید دهها یا صدها دوربین بخواهند ویدیوهای ضبط شده را به سرورهای ابری بفرستند، همین کار مصرف پهنای باند را افزایش میدهد، اما Edge AI با کاهش مصرف پهنای باند باعث میشود اینترنت کمتری مصرف شود، هزینه پایین بیایید و پایداری سیستم نیز افزایش پیدا کند.
حفظ دادهها در خود دوربین: Edge AI و حریم خصوصی
یکی از بزرگترین دغدغهها در نظارت تصویری این است که ممکن است امنیت دادهها با تحلیل تصویر در سرورهای ابری در معرض خطر قرار گیرد، اما با پردازش تصویر در هوش مصنوعی لبه، امنیت داده در Edge AI تضمین میشود و ریسک نشت اطلاعات و دسترسی غیرمجاز به حداقل میرسد.
رشد آسان سیستمها با هوش مصنوعی لبه
اگر از سیستمهای نظارت تصویری استفاده میکنید، به زودی ممکن است با بزرگ شدن شرکت و سازمانتان بخواهید تعداد دوربینها را افزایش دهید. در معماری کلاود، هنگامی که تعداد دوربینها زیاد میشوند باید سرور هم قویتر شود. ولی در Edge AI هر دوربین خودش یک واحد هوشمند است و این یعنی اضافه کردن دوربین به معنای اضافه شدن قدرت پردازش، بدون فشار روی مرکز.
Edge AI آفلاین: هوشمندی بدون اینترنت
یکی از مزایای استفاده از هوش مصنوعی لبه در سیستمهای نظارت تصویری این است که این فناوری حتی به صورت آفلاین هم کار میکند، پس اگر اینترنت قطع شد و دوربینهای مداربسته در محیطهای صنعتی و مناطق دورافتاده نصب شده بود، سیستمهای نظارتی همچنان میتوانند فعال و هوشمند باقی بمانند.
چالشهای پردازش تصویر در Edge AI
با اینکه پردازش تصویر در هوش مصنوعی لبه (Edge AI) مزایای بیشماری دارد، اما بیدردسر هم نیست. این فناوری معمولا با چالشهای اساسی روبهرو است که عمدتا به خاطر محدودیتهای سختافزای، نیاز به پردازش بلادرنگ و وابستگی به شرایط محیطی است. در ادامه به مهمترین چالشها اشاره میکنیم:
چالشهای سختافزاری در پردازش لبه
دستگاههای Edge AI معمولا پردازندههای ضعیفتر، حافظه محدود و منابع انرژی کمتری نسبت به سرورهای ابری دارند. به همین دلیل، اجرای مدلهای سنگین یادگیری عمیق روی این دستگاهها دشوار است و میتواند باعث تاخیر یا مصرف بالای انرژی شود. در نتیجه، استفاده از مدلهای سبک، بهینهسازیشده و مخصوص بینایی ماشین در Edge AI یک ضرورت محسوب میشود.
چالشهای فنی پیادهسازی مدلهای هوشمند در لبه
برخلاف پردازش ابری، توسعه و پیادهسازی هوش مصنوعی روی دستگاههای لبه پیچیدگی بیشتری دارد و بهینهسازی مدلها برای رسیدن به تعادل مناسب بین دقت، سرعت و مصرف انرژی کاری زمانبر است. به همین دلیل هم، تیم فنی علاوه بر اینکه باید شناخت عمیقی از سختافزار و سیستمهای نهفته (Embedded Systems)داشته باشد؛ باید شناخت نسبی درباره مفاهیم هوش مصنوعی و یادگیری ماشین نیز داشته باشد.
چالشهای OTA و نگهداری سیستمهای Edge AI
یکی دیگر از چالشهای پردازش تصویر در هوش مصنوعی لبه (Edge AI) زمانی پیش میآید که صدها دوربین مجهز به این فناوری داشته باشید. در چنین شرایطی بهروزرسانی مدلها و مدیریت نسخههای مختلف به یک چالش جدی تبدیل میشود و نبود زیرساخت مناسب برای بهروزرسانی از راه دور (OTA) میتواند هزینههای نگهداری را بهشدت افزایش دهد.
جمعبندی
پردازش تصویر در هوش مصنوعی لبه (Edge AI) باعث شده دوربینها از یک ابزار صرفا ضبطکننده به یک واحد متفکر و حتی تصمیمگیرنده تبدیل شوند. با وجود این فناوری، اقداماتی مانند تشخیص چهره، ردیابی حرکت و یا شناسایی رفتارهای مشکوک به صورت بلادرنگ در خود دستگاه انجام میشود. در نهایت میتوان گفت این رویکرد باعث میشود نظارت تصویری از یک سیستم واکنشی به یک سیستم فعال، پویا و مستقل تبدیل شود.