Beveiliging
Van theorie naar praktijk
Het automatisch vaststellen van onregelmatigheden of inbreuken op een terrein via camera's. Dit laat je toe om dag en nacht toezicht te houden over je terrein zonder dat een persoon de camerabeelden constant moet nakijken.
Toepassingen
Hoewel er op veel plaatsen beveiligingscamera's aanwezig zijn, betekent dat niet automatisch dat onregelmatigheden opgemerkt worden. Om onregelmatigheden op te merken, moet er klassiek gezien iemand de camerabeelden eerst controleren. Deze personen zijn echter niet altijd aanwezig.
Door middel van AI-gestuurde beeldherkenning kun je specifieke mensen en objecten detecteren in videobeelden. Deze systemen zijn nuttig voor bijvoorbeeld perimeter inbraakdetectiesystemen. Waar je voordien enkel algemeen onregelmatigheden vaststelde, kun je nu ook rekening houden met de specifieke aard van die onregelmatigheden. Zo wil je misschien liever geen waarschuwing krijgen wanneer een dier per ongeluk je bedrijfsterrein betreedt, maar wel wanneer een mens dat doet. Een camera met beeldherkenning kan dat onderscheid makkelijk maken.
Met behulp van gezichtsherkenning, kun je overigens ook een onderscheid maken tussen verschillende personen. Zo doen werknemers bijvoorbeeld geen alarm afgaan wanneer ze op het terrein zijn, maar onbekende personen wel. Dezelfde technologie laat ook toe om waarschuwingen te geven wanneer zich gevaarlijke situaties (bv. werknemers die geen veiligheidsvestjes dragen) voordoen op het bedrijfsterrein (zie ook de toepassing terreinbeheer).
Supermarkten hebben doorgaans al camera's ter beveiliging. Door deze uit te rusten met beeldherkenningstechnologie, kunnen ze een stuk slimmer worden. Het Amerikaanse Walmart benut deze technologie om te registreren wanneer klanten producten in hun zakken stoppen. Je moet natuurlijk wel altijd bewust omgaan met hoe je deze technologie implementeert, zodat je niet onschuldige klanten per ongeluk bestempelt als dief.
Vereisten
Data
- Beeldmateriaal met en zonder inbreuken
Hardware
- Capaciteit voor opslag en verwerking van beelddata
- Camera
Algoritme
- Classificatie-algoritme voor beelddata
- ~Convolutioneel neuraal netwerk
- ~Recurrent neuraal netwerk
Aandachtspunten
- Ethische aspecten moeten overwogen worden. Het constant monitoren van een omgeving is ethisch gezien een erg gevoelig topic. Zorg ervoor dat (1) je zeker bent dat de veiligheidsrisico’s groter zijn dan de privacy risico’s (2) duidelijke afspraken maakt met interne stakeholders en (3) voldoende maatregelen neemt om het geregistreerde materiaal af te schermen en tijdig te verwijderen. Je zal dit beeldmateriaal namelijk niet onbeperkt mogen bewaren.
- Toepassingen uit gerelateerde domeinen kunnen je oplossing een boost geven. Oplossingen die gebaseerd zijn op computervisie met neurale netwerken kunnen gebruik maken van het zogenaamde “transfer learning”. Hierbij ga je een model dat reeds getraind is op een andere (grotere) dataset downloaden en vervolgens verder trainen op je eigen data. Er is aangetoond dat dit vaak tot betere resultaten leidt dan een model dat volledig getraind is op je eigen (vaak beperktere) dataset.
- Gebruik realistische, relevante en representatieve data tijdens het trainen. De beelddata die je gebruikt tijdens training en validatie van je model moeten overeenkomen met realistische data die je straks ook in een werksetting verwacht. M.a.w. het is mogelijk nodig om een volledige periode te voorzien waarbinnen je enkel en alleen data capteert via je camera-installatie. Het bouwen van een model doe je dan pas nadat je voldoende data gecapteerd hebt en deze data hebt kunnen annoteren.
- Leg eenduidig vast wat het algoritme dient te voorspellen. Er is weinig verschil tussen een oplossing die moet melden “of” er een inbreuk plaatsvindt en een oplossing die ook meldt welke inbreuk (of inbreuken) gedetecteerd wordt. Indien er verschillende inbreuken mogelijk zijn, heb je voor beide varianten evenveel beelddata nodig. De oplossing wordt ietwat complexer wanneer je ook wenst aan te geven op welke plaats in beeld er een bepaald type inbreuk plaatsvindt. In dat geval ga je je algoritme leren om een rechthoek te tekenen rond te inbreuk. Je annotaties per beeld zijn dan niet meer enkel labels, maar ook de coördinaten op het beeld waar de inbreuk plaats vindt.
Stappenplan
- Afstemmen met ethische commissie
- Opstellen of herwerken van surveillantieprocessen inclusief AI-component
- Selecteren en installeren van camera-apparatuur
- Verzamelen van beelddata
- Voorverwerken van beelddata
- ~Manuele annotatie van compliant en non-compliant werken
- ~Opdelen van beelddata in trainingsdata en test data
- ~Normaliseren van beelddata
- Trainen van neuraal netwerk
- ~Model bouwen a.h.v. trainingsdata
- ~Model verfijnen a.h.v. validatiedata
- Evalueren van performantie
- ~Evalueren van performantie a.h.v. test set
- ~Go/No go beslissing
- Ontwikkelen van nodige front-end systemen en/of koppeling met back-end
- Operationaliseren van oplossing
- ~Operationaliseren van data pipeline
- ~Deployen van AI-model
- ~Integreren in front-end en/of back-end
- Change management m.b.t. nieuw bedrijfsproces
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
