حلول تحليل الفيديو المدعومة بالذكاء الاصطناعي: التقنيات والاستخدامات ودليل الاختيار
كيف تعمل حلول تحليل الفيديو المدعومة بالذكاء الاصطناعي؟ نستعرض اكتشاف الأجسام وتتبع الأشخاص والمركبات وتحليل السلوك والذكاء الاصطناعي الطرفي وتحليلات الفيديو المعتمدة على الخوادم وإدارة الإنذارات الذكية والتكامل مع أنظمة CCTV الحالية، مع التركيز على المعايير الفنية وتوصيات الاختيار.

تعالج حلول تحليل الفيديو المدعومة بالذكاء الاصطناعي لقطات كاميرات الأمن باستخدام خوارزميات الرؤية الحاسوبية والتعلم الآلي، لتحليل الأشخاص والمركبات والأجسام وأحداث محددة تلقائياً. وتعزز هذه الحلول وظائف المشاهدة والتسجيل الأساسية في أنظمة CCTV التقليدية، فتنتج بيانات ذات معنى لتطبيقات الأمن وإدارة العمليات وذكاء الأعمال.
تُستخدم أنظمة تحليل الفيديو المدعومة بالذكاء الاصطناعي اليوم في قطاعات متنوعة، من مراكز التسوق والمصانع إلى مرافق الخدمات اللوجستية والمطارات ومتاجر البيع بالتجزئة والبنى التحتية الحيوية.
تتيح هذه الأنظمة التحليل التلقائي للدخول غير المصرح به إلى مناطق محددة، وحركة الأشخاص والمركبات، وترك الأجسام، وكثافة الزوار، وبعض حالات الخطر المحددة مسبقاً.
لكن امتلاك كاميرا الأمن ميزات للذكاء الاصطناعي لا يعني أنها تدعم جميع تطبيقات تحليل الفيديو أو أنها ستعمل بالدقة نفسها في كل بيئة. فالأداء الفعلي يعتمد على موضع الكاميرا وجودة الصورة والخوارزمية المستخدمة وقدرة المعالجة وظروف الموقع.
ما تحليل الفيديو المدعوم بالذكاء الاصطناعي؟
تحليل الفيديو المدعوم بالذكاء الاصطناعي هو الكشف التلقائي عن أجسام أو حركات أو أحداث أو أنماط بصرية محددة، عبر معالجة لقطات الفيديو الرقمية بخوارزميات الذكاء الاصطناعي.
تُسمى هذه التقنية باللغة الإنجليزية AI Video Analytics أو AI-Powered Video Analytics.
في أنظمة تحليل الفيديو التقليدية، يمكن إنشاء أحداث استناداً إلى اكتشاف الحركة أو تجاوز خط افتراضي أو تغيّرات محددة في الصورة.
وقد تتمكن الأنظمة المدعومة بالذكاء الاصطناعي أيضاً من تصنيف الأجسام وتتبعها عبر إطارات متعددة وربطها بقواعد أحداث محددة.
فعلى سبيل المثال، قد يعتبر نظام تقليدي لاكتشاف الحركة أغصان الأشجار التي تتحرك بفعل الرياح إنذاراً.
أما نموذج الذكاء الاصطناعي المدرّب على اكتشاف الأشخاص، فيمكنه في الظروف المناسبة تمييز حركة البشر عن حركة الأجسام المتحركة الأخرى.
يمكن أن يساعد هذا النهج في الحد من الإنذارات غير الضرورية، لكنه لا يلغي احتمال الإنذارات الكاذبة أو تفويت الأحداث.
كيف تعمل أنظمة تحليل الفيديو المدعومة بالذكاء الاصطناعي؟
تتألف آلية عمل أنظمة تحليل الفيديو بالذكاء الاصطناعي من مراحل فنية متعددة، تبدأ بالتقاط الصور وتنتهي بالإبلاغ عن الأحداث.
1. التقاط لقطات الفيديو
يتلقى النظام بث فيديو من كاميرا أمن IP أو من مصدر تصوير آخر مدعوم.
يمكن معالجة هذه اللقطات بواسطة معالج الكاميرا نفسها أو NVR أو خادم تحليل محلي أو بنية سحابية مناسبة.
تؤثر دقة الكاميرا ومعدل الإطارات وطريقة الضغط والعدسة وظروف الإضاءة في أداء التحليلات.
2. اكتشاف الأجسام (Object Detection)
تحاول خوارزمية الذكاء الاصطناعي اكتشاف فئات محددة من الأجسام داخل الصورة.
بحسب النموذج المدعوم، قد تشمل الأجسام التي يمكن اكتشافها ما يلي:
الأشخاص
السيارات
الشاحنات والحافلات
الدراجات النارية والدراجات الهوائية
أنواع معينة من الحيوانات
الحقائب والطرود
أنواع معينة من معدات الوقاية الشخصية
لا تدعم جميع الخوارزميات كل فئات الأجسام.
3. تصنيف الأجسام (Object Classification)
تُصنّف الأجسام المكتشفة وفقاً للفئات التي دُرّب النموذج عليها.
فقد يحدد النظام، مثلاً، ما إذا كان الجسم المتحرك في الصورة شخصاً أم مركبة.
لكن تصنيف الأجسام لا يعني تحديد هوية شخص بعينه.
4. تتبع الأجسام (Object Tracking)
يمكن تتبع حركة الأجسام المكتشفة عبر إطارات الفيديو.
ويتيح ذلك تحليل اتجاه حركة الجسم، وما إذا كان يدخل منطقة محددة أو يتجاوز خطاً افتراضياً.
يمكن إجراء تتبع الأجسام ضمن مجال رؤية كاميرا واحدة، كما يمكن تطبيقه بين كاميرات مختلفة في الأنظمة الأكثر تطوراً.
تتطلب مطابقة الأجسام أو الأشخاص بين كاميرات مختلفة خوارزميات إضافية وطرقاً مناسبة لمعالجة البيانات.
5. تحليل الأحداث والسلوك
تُربط الأجسام المكتشفة بقواعد أحداث محددة مسبقاً.
على سبيل المثال:
دخول أشخاص إلى منطقة محظورة،
توقف مركبة في منطقة محددة،
ظهور جسم كما لو أنه تُرك في مكانه لمدة محددة،
عبور شخص خطاً محدداً،
ازدياد كثافة الأشخاص في منطقة ما
يمكن تحليل حالات من هذا القبيل.
تعتمد هذه العمليات على الميزات التي تدعمها الخوارزمية والقواعد المحددة.
6. الإنذارات وإعداد التقارير
عند وقوع حدث محدد، يمكن للنظام إصدار إنذار أو إشعار أو سجل للحدث أو إحصائية.
يمكن إرسال هذه البيانات، عبر عمليات تكامل مناسبة، إلى أنظمة إدارة الفيديو (VMS) أو مراكز العمليات الأمنية أو منصات إعداد التقارير.
الاختلافات بين تحليل الفيديو التقليدي وتحليل الفيديو المدعوم بالذكاء الاصطناعي
توجد اختلافات مهمة بين أنظمة تحليل الفيديو التقليدية والحلول المدعومة بالذكاء الاصطناعي من حيث الأساليب المستخدمة والقدرات التحليلية.
الخاصية الفنية | تحليل الفيديو التقليدي | تحليل الفيديو المدعوم بالذكاء الاصطناعي |
|---|---|---|
النهج الأساسي | تغيرات الصورة والقواعد المحددة | الخصائص البصرية المتعلّمة والقواعد |
تصنيف الأجسام | محدود عموماً | متقدم للفئات المدعومة |
التمييز بين الأشخاص والمركبات | غير متوفر في جميع الأنظمة | ممكن باستخدام نماذج مناسبة |
تتبع الأجسام | محدود أو قائم على القواعد | ممكن باستخدام نماذج متقدمة |
تحليل السلوك | يقتصر على الأحداث المحددة مسبقاً | يعتمد على النموذج والتطبيق |
الإنذارات الكاذبة | قد تتأثر بحركة عناصر البيئة | يمكن الحد منها في ظروف مناسبة |
متطلبات المعالجة | أقل عموماً | تعتمد على النموذج والأجهزة |
المعايرة | قد تكون مطلوبة | قد تكون مطلوبة |
التحقق من الأداء | يلزم الاختبار الميداني | يلزم الاختبار الميداني |
مهم: لا يشكل تحليل الفيديو التقليدي وتحليل الذكاء الاصطناعي فئتين منفصلتين تماماً. ويمكن للأنظمة الحديثة الجمع بين اكتشاف الأجسام بالتعلم الآلي وتحليل الأحداث التقليدي القائم على القواعد.
استخدامات حلول تحليل الفيديو المدعومة بالذكاء الاصطناعي
أمن المحيطات والحدود
يمكن تحليل حركة الأشخاص أو المركبات حول المصانع ومنشآت الطاقة ومراكز الخدمات اللوجستية والبنى التحتية الحيوية.
يمكن تحديد قواعد لعبور الخطوط الافتراضية وانتهاك المناطق والحركة في اتجاهات معينة.
لكن حركة النباتات والهطول والضباب والظروف الليلية والعوائق في مجال الرؤية قد تؤثر في أداء النظام.
الاكتشاف الذكي للأشخاص والمركبات
على خلاف أنظمة اكتشاف الحركة التقليدية، يمكن لهذه الأنظمة تصنيف الأشخاص والمركبات.
ويتيح ذلك وضع قواعد إنذار لأنواع محددة من الأجسام.
فقد يصدر إنذار، مثلاً، عند دخول شخص فقط، أو تُقيّم حركة المركبات بصورة منفصلة.
تحليلات متاجر البيع بالتجزئة
يمكن تحليل حركة الزوار وحركة الدخول والخروج ومدى كثافة استخدام مناطق معينة في متاجر البيع بالتجزئة.
قد توفر الأنظمة المناسبة ما يلي:
عدّ الأشخاص
تحليل إشغال المناطق
الخرائط الحرارية
كثافة الطوابير
أنماط حركة الزوار
ووظائف مماثلة.
لكن هذه التحليلات ليست كلها متوفرة في كاميرات الأمن القياسية. كما أن عدد مرات الدخول وعدد الزوار الفريدين وتحليل الزيارات المتكررة مقاييس مختلفة.
الصحة والسلامة المهنية
يمكن مراقبة سيناريوهات محددة للسلامة المهنية باستخدام تحليل الفيديو في المنشآت الصناعية.
وقد تشمل التطبيقات اكتشاف الخوذات وسترات السلامة العاكسة، ورصد اقتراب الرافعات الشوكية من المشاة، وانتهاك المناطق الخطرة.
لكن تحليل الفيديو لا يحل محل أنظمة سلامة الآلات المعتمدة أو تدابير السلامة المادية الإلزامية.
إدارة المرور ومواقف السيارات
يمكن استخدام الذكاء الاصطناعي لاكتشاف المركبات وتحليل اتجاهها وعدّها ومراقبة أحداث مرورية محددة.
أما وظائف مثل التعرف على لوحات التسجيل فتتطلب خوارزميات متخصصة وظروف تصوير مناسبة.
تحليل الحشود والكثافة
يمكن تحليل كثافة الأشخاص في مناطق معينة بالمطارات والملاعب ومراكز التسوق والأماكن العامة.
يمكن لهذه التحليلات دعم تقييم استخدام المساحات والتخطيط التشغيلي.
لكن من المهم التحقق من تقديرات الكثافة المستندة إلى الكاميرات بمقارنتها بالعدد الفعلي للأشخاص.
اكتشاف اللهب والدخان
يمكن استخدام خوارزميات متخصصة لتحليل الفيديو لاكتشاف علامات محددة على وجود اللهب أو الدخان في الصور.
لكن توفر ميزة قياسية لتحليل الفيديو بالذكاء الاصطناعي لا يعني أن المنتج يصلح للاستخدام كنظام معتمد لاكتشاف الحرائق.
ينبغي تقييم اللوائح المعمول بها ومتطلبات الامتثال على نحو منفصل في تطبيقات السلامة من الحرائق.
أنظمة تحليل الفيديو المعتمدة على الذكاء الاصطناعي الطرفي (Edge AI) والخوادم والسحابة
يمكن نشر حلول تحليل الفيديو بالذكاء الاصطناعي ببنى مختلفة، وفقاً لموقع معالجة اللقطات.
الذكاء الاصطناعي الطرفي: الذكاء الاصطناعي على الكاميرا
في أنظمة Edge AI، تُجرى التحليلات مباشرة على معالج الكاميرا.
تشمل المزايا المحتملة لهذا النهج تقليل الحاجة إلى المعالجة المركزية وخفض حمل الشبكة في بعض التطبيقات.
لكن قدرة الكاميرا على المعالجة قد تحد من عدد الخوارزميات المدعومة ومن إمكان تحليل عدة تدفقات في الوقت نفسه.
تحليل الفيديو المعتمد على الخوادم
في الأنظمة المعتمدة على الخوادم، تُعالج اللقطات الواردة من عدة كاميرات IP على خادم مركزي للتحليل.
قد يكون هذا النهج مفيداً للاستفادة من بنية CCTV الحالية.
لكن ينبغي التخطيط على نحو سليم لقدرة GPU أو CPU ودقة الفيديو ومعدل الإطارات وعدد التدفقات المتزامنة وتراخيص البرمجيات.
تحليل الفيديو المعتمد على السحابة
في الأنظمة المعتمدة على السحابة، قد تُعالج بعض اللقطات أو بيانات التحليلات على خوادم بعيدة.
تشمل المزايا المحتملة الإدارة المركزية وإعداد التقارير عبر مواقع متعددة وقابلية التوسع.
في المقابل، ينبغي مراعاة الاتصال بالإنترنت وتكاليف نقل البيانات وزمن التأخير والأمن السيبراني ومتطلبات حماية البيانات الشخصية.
مقارنة بين بُنى أنظمة تحليل الفيديو
المعيار | Edge AI | خادم محلي | السحابة |
|---|---|---|---|
موقع التحليل | الكاميرا أو الجهاز الطرفي | خادم داخل المنشأة | بنية تحتية بعيدة |
الأجهزة المركزية | قد تكون الحاجة إليها أقل | مطلوبة عادةً | تعتمد على الخدمة |
متطلبات الشبكة | تعتمد على طريقة التحليل | يتطلب بث فيديو | تعتمد على البيانات المنقولة |
قابلية التوسع | محدودة بسعة الجهاز | محدودة بسعة الخادم | تعتمد على بنية الخدمة |
زمن التأخير | قد تمنح المعالجة المحلية ميزة | يعتمد على حمل الشبكة والخادم | يعتمد على الاتصال |
استخدام الكاميرات الحالية | يعتمد على دعم الكاميرا | ممكن مع الكاميرات المتوافقة | يعتمد على توافق الخدمة |
التحكم في البيانات | قد تمنح المعالجة المحلية ميزة | قد يتيح ذلك للجهة تحكماً أكبر | يعتمد على العقد والبنية |
تعرض هذه المقارنة الخصائص العامة للبنى. وينبغي تقييم الأداء الفعلي والتكلفة الإجمالية للملكية وأمن البيانات لكل منتج على حدة.
هل يمكن جعل كاميرات الأمن الحالية ذكية باستخدام الذكاء الاصطناعي؟
نعم، في الظروف المناسبة.
يمكن معالجة لقطات بعض كاميرات IP التي لا تتضمن ميزات ذكاء اصطناعي مدمجة باستخدام برامج خارجية لتحليل الفيديو.
قد يكون هذا النهج مناسباً للمنشآت التي ترغب في إضافة ميزات تحليل جديدة مع الإبقاء على بنية CCTV الحالية.
لكن القدرة على نقل الفيديو وحدها لا تكفي.
توافق الكاميرا وبث الفيديو
ينبغي التحقق من طرق الاتصال التي تدعمها الكاميرا، مثل RTSP أو ONVIF أو الطرق الخاصة بالشركة المصنّعة.
يجب أن يكون بث الفيديو متاحاً بصيغة متوافقة مع برنامج التحليل.
جودة الصورة
من المهم أن يظهر الجسم المراد تحليله في الصورة بحجم ووضوح كافيين.
فقد تكون الصورة، مثلاً، كافية لاكتشاف الأشخاص عموماً، لكنها لا تكفي لتصنيف جسم صغير.
قدرة المعالجة
إذا أُجري التحليل على خادم، فينبغي مراعاة عدد الكاميرات المتزامنة والدقة ومعدل إطارات التحليل وتعقيد النموذج.
التراخيص والتكامل
ينبغي التحقق مما إذا كان ترخيص البرنامج يُحسب لكل كاميرا أو لكل قناة تحليل أو وفق نموذج استخدام مختلف.
وينبغي أيضاً التحقق من إمكانية إرسال الأحداث إلى نظام VMS الحالي أو نظام إدارة الإنذارات.
الإنذارات الكاذبة والأحداث الفائتة
لا ينبغي أن يستهدف نظام تحليل الفيديو ارتفاع معدل الاكتشاف وحده.
قد تقلل الأنظمة التي تصدر عدداً كبيراً جداً من الإنذارات الكاذبة الكفاءة التشغيلية.
وفي التطبيقات الأمنية خصوصاً، قد تؤدي النتائج السلبية الكاذبة أيضاً إلى مخاطر كبيرة.
لذلك ينبغي تقييم أداء النظام وفق معايير قبول محددة بحسب سيناريو الاستخدام.
التحقق الميداني
يمكن اتباع الخطوات التالية في مشاريع تحليل الفيديو الاحترافية:
تحديد سيناريو التحليل والجسم المستهدف.
التحقق من موضع الكاميرا وجودة الصورة.
إعداد مناطق التحليل وقواعد الإنذار.
إنشاء أحداث مرجعية خاضعة للضبط.
مقارنة نتائج النظام بالأحداث الفعلية.
تحليل النتائج الإيجابية والسلبية الكاذبة.
إجراء الاختبارات نهاراً وليلاً وفي أحوال جوية مختلفة.
التحقق من زمن تأخر الإنذار ومن التكامل.
إعداد تقرير تحقق وفق معايير القبول.
تخطيط فحوص دورية للأداء.
لماذا يُعد DORI وPPM مهمين في تحليل الفيديو بالذكاء الاصطناعي؟
يمكن الاستعانة بمفاهيم فنية مثل DORI وكثافة البكسل لتقييم تفاصيل الصورة في أنظمة الكاميرات.
DORI منهج لتقييم الصور يُستخدم لمهام الاكتشاف والمراقبة والتعرّف وتحديد الهوية.
يشير PPM إلى عدد البكسلات الأفقية التي تقابل عرضاً فعلياً قدره متر واحد على مسافة معينة.
قد تكون هذه القياسات مفيدة عند اختيار الكاميرات والعدسات.
لكن، لا يضمن استيفاء قيم DORI أو PPM أن تصنّف خوارزمية الذكاء الاصطناعي جسماً معيناً تصنيفاً صحيحاً.
فعلى سبيل المثال، لا يعني ظهور شخص بحجم كافٍ في الصورة إمكان اكتشاف قطعة صغيرة يرتديها على نحو موثوق.
لذلك ينبغي في مشاريع تحليل الفيديو تقييم متطلبات البكسل الخاصة بخوارزمية الشركة المصنّعة إلى جانب الاختبارات الميدانية.
الأمن السيبراني في أنظمة تحليل الفيديو بالذكاء الاصطناعي
نظراً إلى أن أنظمة تحليل الفيديو تتألف من كاميرات وخوادم متصلة بالشبكة، ينبغي تقييمها أيضاً من منظور الأمن السيبراني.
تكتسب التدابير التالية أهمية خاصة:
مصادقة آمنة للمستخدمين
صلاحيات وصول قائمة على الأدوار
وسائل اتصال مشفرة ومدعومة
تقسيم الشبكة
تحديثات الأمان
حماية سجلات الأحداث
تقييد الوصول إلى API
إجراءات النسخ الاحتياطي والاستعادة
تغيير كلمات المرور الافتراضية
تعطيل الخدمات غير المستخدمة
لا يعني توافق ONVIF أن المنتج يدعم جميع البيانات الوصفية لتحليل الفيديو أو يستوفي كل متطلبات الأمن السيبراني.
أنظمة تحليل الفيديو بالذكاء الاصطناعي وقانون KVKK
يعتمد تحديد ما إذا كانت تطبيقات تحليل الفيديو بالذكاء الاصطناعي تعالج بيانات شخصية على آلية عمل النظام الفعلية.
تكتسب متطلبات حماية البيانات أهمية خاصة في ميزات مثل صور الأشخاص القابلة للتعرّف عليهم والتعرف على الوجوه وتتبع الأشخاص وإعادة تحديد هويتهم.
البيانات الشخصية والتحليلات مجهولة الهوية
لا ينبغي تقييم نظام لا ينتج سوى إحصاءات مجمّعة ومجهولة الهوية فعلياً بالطريقة نفسها التي يُقيّم بها نظام يعالج صور أشخاص يمكن التعرف عليهم.
لكن حذف الصور بعد التحليل لا يلغي تلقائياً معالجة البيانات الشخصية التي جرت أثناءه.
التعرف على الوجوه والبيانات البيومترية
التعرف على الوجوه واكتشاف الأشخاص وظيفتان تقنيتان مختلفتان.
لا يحتاج النظام إلى تحديد هوية الشخص لكي يقرر أن إنساناً موجود في الصورة.
إذا استُخدمت بيانات بيومترية لتحديد الهوية، فينبغي أيضاً تقييم أحكام KVKK المتعلقة بالبيانات الشخصية ذات الفئات الخاصة.
تقليل البيانات
ينبغي أن يكون عدم جمع البيانات الشخصية غير اللازمة لغرض التحليل أو الاحتفاظ بها مبدأً أساسياً في التصميم.
ينبغي أيضاً تقييم البنية التحتية السحابية ووصول الأطراف الثالثة ومدد الاحتفاظ ونقل البيانات الشخصية إلى الخارج.
كيف تختار نظام تحليل فيديو مدعوماً بالذكاء الاصطناعي؟
ينبغي ألا يعتمد اختيار حل تحليل الفيديو المناسب على علامة الكاميرا التجارية أو الميزات التسويقية لخوارزمية الذكاء الاصطناعي وحدهما.
1. حدّد سيناريو الاستخدام
حدّد بوضوح أهدافاً مثل اكتشاف الأشخاص أو أمن المحيطات أو عدّ الأشخاص أو تحليل السلوك أو مراقبة المخاطر الصناعية.
2. تحقّق من قدرات الخوارزمية
تحقق مما إذا كان البرنامج يدعم فئات الأجسام والأحداث المطلوبة.
3. قيّم موضع الكاميرا
تحقق من زاوية الرؤية والعدسة وارتفاع التركيب وحجم الجسم المستهدف وظروف الإضاءة.
4. اختر بنية النظام
قارن بين بنى Edge AI والخادم المحلي والسحابة من حيث قدرة المعالجة والتكلفة وزمن التأخير وأمن البيانات.
5. حدّد متطلبات التكامل
اختبر التوافق مع أنظمة VMS وNVR والإنذار وإعداد التقارير الحالية.
6. قِس الدقة ميدانياً
قيّم مقاييس مثل Precision وRecall ومعدل الإنذارات الكاذبة وزمن تأخر اكتشاف الأحداث في ظروف التشغيل الفعلية.
7. احسب التكلفة الإجمالية للملكية
احسب تكاليف الكاميرات والخوادم وتراخيص البرمجيات والتركيب والصيانة والتحديث ونقل البيانات مجتمعة.
قائمة التحقق الفنية لأنظمة تحليل الفيديو بالذكاء الاصطناعي
- هل حُددت سيناريوهات الاستخدام وأهداف التحليل؟
- هل تم التحقق من أن الخوارزمية تدعم الأجسام والأحداث المعنية؟
- هل دقة الكاميرا والعدسة ومجال الرؤية مناسبة؟
- هل حجم الجسم المستهدف بالبكسل في الصورة كافٍ؟
- هل اختُبرت ظروف الليل والأحوال الجوية السيئة؟
- هل حُسبت سعة المعالجة في Edge AI أو الخادم؟
- هل تم التحقق من تكامل ONVIF وRTSP وAPI؟
- هل تم قياس نتائج Precision وRecall والإنذارات الكاذبة؟
- هل اختُبر زمن تأخر الإنذار؟
- هل تم تقييم متطلبات الأمن السيبراني وKVKK؟
- هل حُسبت تكاليف الترخيص والصيانة والتحديث؟
- هل وُضعت خطة للتحقق الدوري والدعم الفني؟
الأسئلة الشائعة
ما تحليل الفيديو المدعوم بالذكاء الاصطناعي؟
هو التحليل التلقائي للأشخاص والمركبات والأجسام وأحداث محددة، عبر معالجة لقطات كاميرات الأمن بخوارزميات الذكاء الاصطناعي.
هل تستطيع كل كاميرا IP إجراء تحليل فيديو بالذكاء الاصطناعي؟
لا. يتطلب التحليل على الكاميرا معالجاً مناسباً ودعماً برمجياً. ويمكن بدلاً من ذلك معالجة لقطات بعض كاميرات IP الحالية على خوادم تحليل خارجية.
هل تصدر أنظمة تحليل الفيديو بالذكاء الاصطناعي إنذارات كاذبة؟
نعم. فقد تؤدي الإضاءة وجودة الصورة والطقس وحجب الأجسام ومحدودية الخوارزمية إلى إنذارات كاذبة أو أحداث فائتة.
ما الفرق بين Edge AI وتحليل الفيديو المعتمد على الخوادم؟
يجري Edge AI التحليل على الكاميرا أو الجهاز الطرفي، بينما تحلل الأنظمة المعتمدة على الخوادم اللقطات على بنية معالجة مركزية.
هل يمكن دمج أنظمة تحليل الفيديو بالذكاء الاصطناعي مع بنية CCTV الحالية؟
يمكن استخدام بنية CCTV الحالية عند توافق بث الفيديو والبرمجيات والأجهزة. وينبغي التحقق من التكامل لكل منتج ونظام على حدة.
كيف تُحدّد دقة أنظمة تحليل الفيديو بالذكاء الاصطناعي؟
تُقارن نتائج النظام بالأحداث الفعلية لقياس Precision وRecall والإنذارات الكاذبة والأحداث الفائتة. وينبغي التحقق من الأداء ميدانياً.
هل تتوافق أنظمة تحليل الفيديو بالذكاء الاصطناعي مع KVKK؟
قد تتوافق مع KVKK إذا صُممت وشُغّلت على نحو مناسب. لكن عند معالجة بيانات شخصية، يجب استيفاء متطلبات شروط المعالجة والإخطار والاحتفاظ والأمن.
الخلاصة
تعزز حلول تحليل الفيديو المدعومة بالذكاء الاصطناعي قدرات المشاهدة والتسجيل في كاميرات الأمن التقليدية، وتتيح تطبيقات جديدة للأمن وإدارة العمليات وتحليل البيانات.
يشمل الاستخدام المهم لهذه التقنيات اكتشاف الأشخاص والمركبات وتتبع الأجسام وأمن المحيطات وعدّ الأشخاص وتحليل الكثافة واكتشاف أحداث خطر محددة.
لكن نجاح نظام احترافي لتحليل الفيديو لا يعتمد على خوارزمية الذكاء الاصطناعي وحدها.
ينبغي تقييم موضع الكاميرا وجودة الصورة وقدرة المعالجة وبنية النظام المناسبة والتكامل والأمن السيبراني والتحقق الميداني مجتمعة.
حل تحليل الفيديو المناسب بالذكاء الاصطناعي ليس الحل الذي يوفر أكبر عدد من الميزات، بل النظام القادر على تحليل الأحداث المستهدفة بأداء قابل للقياس ومستدام في ظروف الموقع الفعلية.