,

هوش مصنوعی AI در حال آمدن به نظارت ویدئویی است…

 

کاربران نهایی به چه نوع هوشی نیاز دارند؟

از هوش مصنوعی (AI) در نظارت ویدئویی، هم برای پردازش اطلاعات به طور همزمان و هم تحلیل ویدئوی آرشیو شده بسیار استفاده می شود.

وقتی که کامپیوتر Deep Blue از IBM در سال ۱۹۹۶، در اولین بازی شطرنج خود در مقابل قهرمان جهان گری کاسپاروف برد، مردم متوجه شدند که کامپیوترها چقدر در مقایسه با هوش انسان قدرتمند شده اند. از آن زمان به بعد، نه تنها توان محاسبه به طور نمایی افزایش پیدا کرده است بلکه هزینه توان پردازشی نیز بسیار افزایش پیدا کرده است. این روندها به همراه پیشرفت ها در الگوریتم های هوش مصنوعی، توانایی گسترش سیستم هایی را که در برخی موارد می توانند کارها را بهتر از انسان انجام دهند، فراهم کرده اند.

نظارت ویدئویی یکی از این کارها است؛ و با توجه به آن که با وجود رشد بسیار در نظارت و ذخیره سازی داده های ویدئویی، افزایش کمی در توانایی تحلیل ویدئو ایجاد شده است، قطعا این فرصت بازار بزرگی است. طبق گفته IHS، ۱۲۷ میلیون دوربین نظارتی و ۴۰۰ هزار دوربین بدنپوش در سال ۲۰۱۷ ارسال شد – به علاوه ۳۰۰ میلیون دوربین از قبل به کار گرفته شده اند – و تقریبا ۲٫۵ میلیون اگزابایت داده در هر روز ایجاد می شود.

چالش های بزرگ

یک مشکل برای اپراتورهای نظارت، خستگی توجه مستقیم است. مغز انسان به طور طبیعی بین مدت توجه و حواس پرتی جا به جا می شود. در نظارت، حواس پرتی ها می تواند منجر به نتایج مهلکی شود. بنابراین، چه می شد اگر سیستم نظارتی داشتیم که هیچ وقت دچار حواس پرتی نمی شد، سیستمی که با انسان ها برای متوقف کردن خطاها همکاری می کرد؟ این وعده هوش مصنوعی در نظارت ویدئویی است.

اما چالش این جاست. کامپیوترها واقعا مانند مغز انسان کار نمی کنند. برای مثال، آن ها پردازش و حافظه را از هم جدا می کنند، در صورتی که انسان این کار را انجام نمی دهد و در حالی که کامپیوترها کاملا سیستم های دیجیتالی هستند، مغز هر دو ویژگی های آنالوگ و دیجیتال را به نمایش می گذارد، بنابراین مدل سازی آن پیچیده تر است.

محاسبه نورومورفیک علمی است که به دنبال این است که درک کند مغز انسان چگونه کار می کند و بعضی از این ویژگی ها را برای بهتر کردن کامپیوترها در عملکردهای خاص به کار ببرد. چند وقت است که کامپیوترها در جا دادن اعداد در خود بهتر از ما بوده اند؛ برای مثال، یک پردازشگر موبایل، می تواند ۱۰۰ میلیارد از این عملیات ها را در یک ثانیه تمام کند. مغز برای انجام این کارها توسعه نیافته است ولی در دریافت، پردازش و واکنش به جریان های اطلاعات جمع آوری شده از محیط اطراف ما بسیار خوب است. برای نظارت ویدئویی، هوش مصنوعی که مشخصات مورد دوم را به نمایش بگذارد، مناسب ترین است. به علاوه، سیستم های AI مبتنی بر کامپیوترها، مزیت حافظه مطمئن – چیزی که مغز انسان در آن ضعیف است– را در بر دارند.

 

توسعه ابتدایی AI در بینایی کامپیوتری

تا سال ۲۰۱۲، کامپیوترها نمی توانستند گونه های متفاوت تصاویر را تشخیص بدهند ولی یک الگوریتم توسعه یافته توسط Alex Krishevsky این را تغییر داد. آن الگوریتم نشان داد که طبقه بندی و تشخیص شی می تواند با شبیه سازی و تمرین شبکه ای از عوامل محاسبه ای به دست آید. توپولوژی این شبکه شبیه سلول های مغزی (نورون ها) است بنابراین شبکه عصبی مصنوعی نام گرفته است. عنصر محاسبه ای اساسی Krishevsky یک convolution و گونه ای تابع ریاضی بود که فیلترینگ را انجام می داد. بنابراین، این شبکه ها به عنوان شبکه های عصبی پیچشی (CNN ها) شناخته شدند. CNN ها یک افزودنی قوی به انبار ابزارهای بینایی کامپیوتری هستند، اما دو محدودیت کلیدی در نظارت ویدئویی دارند.

 

اولا، فرآیند یادگیری آن ها به تکرار شدید محاسبه ای زیادی نیاز دارد. انجام وظیفه می تواند برای کامپیوترهای ابری قوی روزها یا هفته ها وقت بگیرد. ثانیا، یک مجموعه بزرگ از داده تمرینی مورد نیاز است. این در تشخیص تصویر به معنی جمع آوری تعداد زیادی از تصاویر است که در آن هر شی طبقه بندی شده تا یک تابع خطا بتواند در آخر هر گذر شبکه عصبی محاسبه شود. میلیون ها چرخه تمرین و میلیون ها تصویر طبقه بندی شده ممکن است برای تشخیص تمام اشیای مربوط به تابع مورد نیاز سیستم لازم باشد.

 

محدودیت های دیگر این تکنولوژی شامل مصونیت از اختلال ضعیف، مخصوصا در وقتی است که پیکسل های تصادفی به خاطر سنسور های noisy یا آلودگی لنز پدیدار می شوند. و دیگر این که اگر شبکه برای مثال، توسط کسی که عینک دارد گیج شود و نتواند بدون یک مجموعه تصاویر طبقه بندی شده اضافه شده مربوط به آن صورت در پایگاه داده، صورت جدیدی در جمعیت پیدا کند، طبقه بندی نادرست می تواند به وجود آید، پارامترهای شبکه CNN ها نیاز به تنظیم محتاطانه دارند و حتی پس از آن، نرخ دقت طبقه بندی صحیح تصویر می تواند برای کاربردهای نظارتی، کمتر از حد ایده آل باشد.

به طور خلاصه، CNN ها می توانند نظارت ویدئویی را بهبود بخشند، اما تنها با توان پردازش چشمگیر و حجم زیادی از داده های تمرینی در دسترس. هر کدام از آن ها هزینه قابل توجهی را اضافه می کنند. زمان مورد نیاز برای تمرین این گونه شبکه ها و ناتوانی آن ها در یادگیری در حال حرکت نیز یک عامل بادارنده است.

شبکه های عصبی Spiking (SNN ها) و نظارت ویدئویی

SNN ها به دنبال شبیه سازی جنبه های متفاوت نحوه کار مغز هستند. مغزهای ما انفجارهای انرژی کوتاه یا spike ها را تولید می کنند. این ها در زمان های دقیقی نسبت به یکدیگر اتفاق می افتند. میلیاردها از آن ها به طور موازی در نورون های ما جریان دارند. مغزهای ما محرک های بصری (و دیگر محرک ها) از جمله رنگ ها و قطعات تصویر را به قطار پالس spike ها تبدیل کرده که توسط نورون های ما پردازش می شوند. سیناپس ها نورون ها را به یکدیگر متصل کرده، مغز از پتانسیل های الکتریکی و شیمیایی به عنوان انتقال دهنده های پیام استفاده می کند. هر سیناپس یک حافظه کوچک دارد که یک ارزش تنظیم شده توسط انرژی الکتریکی در یک spike را ذخیره می کند.

هر نورون تمام ارزشی را که به سمت سیناپس های ورودی می آیند، جمع کرده و سپس پالس spike خود را اگر به یک ارزش حیاتی برسد، آزاد می کند. بازخورد مشخص می کند که کدام spike ها در یک رویداد خروجی شرکت می کنند و معناداری آن سیگنال های سیناپس ها توسعه داده می شود، در حالی که باقی سیگنال های سیناپس ها کسر مقام پیدا می کنند. در این روش، نورون به الگوی خاصی از سیناپس ها و ورودی آن ها حساس می شود. این به شدت مخالف CNN ها است که به تابع های ریاضی پیچیده وابسته هستند. SNN ها در واقع کارایی نورون ها را مدل سازی می کنند.

بنابراین، تمام این ها برای طبقه بندی تصویر در ویدئو چه معنی ای دارد؟ تکنولوژی SNN امروزه می تواند الگوها و مردم را از یک تصویر در ویدئوها پیدا کند. برای مثال، یک اداره پلیس که به دنبال یک مظنون در پخش های ویدئویی زنده است هزاران تصویر از آن مظنون ندارد؛ و همچنین هفته ها برای تمرین یک سیستم CNN وقت ندارد. تصویر در یک سیستم بر پایه SNN می تواند به اندازه ۲۴ در ۲۴ پیکسل – نیازی به بالا بودن کیفیت آن نیست – باشد. این تکنولوژی به طور هم زمان یاد می گیرد و تنها به توان پردازش نسبتا کمی نیاز دارد – به عنوان مثال یک کامپیوتر رومیزی x86 یا سرور و انرژی کمی را مصرف می کند. همه این ها به این معنی است که می توان با سیستم های قدیمی بدون نیاز به سخت افزار های گران یا ارتقا های زیرساخت از آن استفاده کرد. از تکنولوژی SNN می توان به عنوان یک راه حل تنها نرم افزاری استفاده کرد یا با استفاده از کارت داخلی PCIe  مبتنی بر FPGA تسریع شود.

 

عملکرد SNN ها در جهان واقعی

وظیفه اجرای نرم افزاری یک SNN بر روی سرورهای بر پایه x86، آزمایش شده در یک بازی، شناسایی تمام ۵۲ کارت ها در یک بسته بود. SNN در محیط های با وضوح پایین، روشنایی ضعیف و دنیای واقعی تمرین داده شده بود.

تا وقتی که کارت ها به سمت بالا گرفته شوند، اگر به صورت طبیعی بازی شود شناسایی می شوند. در کل ۲۹ میز، دقت تشخیص کارت ۹۹٫۷۶ درصد و دقت تشخیص چیپ ۹۹٫۲۱ درصد بود.

اما درباره طبقه بندی چهره، یک نگرانی کلیدی در کاربردهای نظارت شهروندی، چه؟ SNN، برای ارزیابی این مطلب در مجموعه داده ای از تصاویر جمع آوری شده از وب توسط موسسه تکنولوژی کالیفرنیا (Caltech) مورد امتحان قرار گرفت. تمام رویدادهای یک شخص را بدون مثبت کاذب، در یک مجموعه ۴۵۰ چهره ای شناسایی کرد (شکل پایین). اضافه کردن ۶۸ درصد اختلال (شکل ۲b)، اختلال و ۵۲ درصد offset گاما (شکل ۲c) یا اختلال و تاری (شکل ۲d) بر عملکرد شناسایی تاثیری نداشت.

 

 

در آزمایش بعدی، این سیستم بیش از ۵۰۰,۰۰۰ تصویر چهره را از هشت دوربین با کیفیت بالا در طی سه ساعت و نیم، با استفاده از یک سرور ۸۶x استخراج و دنبال کرد. و در یک آزمایش دیگر، آن ۳۶ ساعت ویدئو را در کمتر از دو ساعت پردازش کرد و بیش از ۱۵۰,۰۰۰ تصویر چهره را استخراج کرد.

کارهایی که چند سال پیش برای ماشین ها غیرممکن بود، به چیزی عادی تبدیل می شوند. CNN ها یک پیشرفت رو به جلوی بزرگ هستند ولی SNN ها شاید بزرگ ترین احتمال را برای فراهم کردن توانایی های جدید و ارزشمند در نظارت ویدئویی اصلی امروزه دارند.

 

 

 

منبع : https://iranalarm.com/

/۱ دیدگاه/توسط
,

چرا VMS اهمیت دارد؟

 

  چرا VMS اهمیت دارد؟

 

در VMS اهمیت  برای یک متخصص امنیتی، چند بار مجبور به توضیح این مطلب بوده اید که؛ یک دوربین PTZ باید همیشه با حداقل یک دوربین ثابت همراه شود تا پوشش پشتیبان مستمری از تمام جاهایی فراهم کند که دوربین PTZ نمی بیند؟

امروزه به لطف نسل فعلی دوربین های نیمه کروی‌ (دوربین های ۳۶۰ درجه با رزولوشن بسیار بالا با لنزهای Fisheye)، این گفت و گو کمتر رخ می دهد. در حال حاضر برای بسیاری از کاربردهای PTZ و برای پروژه هایی که نیازمند استفاده از چند دوربین ثابت هستند، اغلب یک دوربین نیم کروی ترجیح داده می شود. اما برای بهره بردن کامل از مزایای ارائه شده توسط دوربین های نیمه کروی، باید به دقت VMS هایی را که با آنها مورد استفاده قرار می گیرند در نظر بگیرید. درک رابطه بین VMS اهمیت ویژه  و دوربین برای تضمین این مطلب که سرمایه گذاری شما در این تکنولوژی طبق انتظار عمل می کند، ضروری است.

 

دوربین های نیم کروی: چرا و کجا؟

دلیل اصلی که مشتریان این قدر به دوربین های نیم کروی علاقه مند هستند این است که می توانند در مخارج صرفه جویی کنند. سرمایه گذاری در یک سیستم VMS به سرعت قابل درک است و یک راه ساده برای محدود کردن هزینه ها، کاهش تعداد دوربین ها است. استفاده از یک دوربین برای پوشش منطقه ای بزرگ هزینه ها را به شیوه های متعددی کاهش می دهد: هزینه خود دوربین ها، کابل کشی برای پشتیبانی از آنها و زمان مورد نیاز برای نصب. به علاوه کاهش هزینه هایی مربوط به مجوز دهی VMSاهمیت  (تنها مجوز یک دوربین به جای چند دوربین، مورد نیاز است) و پشتیبانی و نگهداری مستمر وجود دارد.

دوربین های نیمه کروی در محدوده گسترده ای از شرایط، چه در فضای باز و چه در فضای بسته محبوب هستند. مدارس از آنها در راهروهای متقاطع استفاده می کنند که در گذشته چند دوربین در آنجا نصب بودند. به علاوه استفاده از آنها در فضای بزرگی که یک فضای تعریف شده دارند، مانند کافه تریا و ورزشگاه منطقی است. مشتریان تجاری استفاده از آنها در فضاهایی از جمله لابی ها یا پارکینگ ها را مفید می دانند. برای پوشش این مناطق، دوربین ها می توانند دید گسترده ۳۶۰ یا ۱۸۰ درجه ای فراهم کنند و اجازه زوم در منطقه مشخص مورد نیاز را بدهند.

معمولا، روی سقف یا دیوار نصب می شوند که تفاوت اصلی سقف و دیوار در این است که یک دوربین نصب شده روی دیوار تنها می تواند دیدی ۱۸۰ درجه ارائه کند. در زمان نصب روی دیوار، معمولا یک صفحه نصب سه گوش مورد استفاده قرار می گیرد که دوربین را به سمت پایین مایل می سازد تا میدان دید آن طول دیوار را پوشش دهد. یک گزینه نصب که کمتر متداول است قرارگیری به سمت بالا است، چه روی زمین چه روی میز یا روی پیشخوان. در تمام وضعیت ها، نرخ داده و فشرده سازی یکسان است.

در زمان انتخاب میزان مگاپیکسل های مورد نیاز، به خاطر داشته باشید که میزان مگاپیکسل به کل میدان دید اشاره دارد – تمام ۳۶۰ درجه یا ۱۸۰ درجه. پهنای باند و ذخیره سازی باید با این عدد مطابق باشند. اما وقتی روی بخش هایی از کل تصویر زوم می کنید، میزان مگاپیکسل برای آن فریم ویدئویی تقریبا مساوی با درصد آن از تمام میدان دید است. و هر قدر بیشتر زوم کنید، تعداد مگاپیکسل تصویر کمتر می شود. بنابراین، اگر به فکر استفاده از یک دوربین نیم کروی به جای چهار دوربین ۲ مگاپیکسلی هستید، حداقل به یک دوربین نیم کروی ۸ مگا پیکسلی نیاز دارید تا تصاویری از هر ربع را با سطح مشابهی از جزئیات ارائه کند.

 

آیا VMS شما Dewarp را انجام می دهد؟

چند سال پیش، زمانی که دوربین های نیم کروی در ابتدا وارد بازار شدند، سیستم های VMS اهمیت در بازار طراحی نشده بودند تا به صورتی متفاوت از دوربین های عادی، به آنها پاسخ دهند. بنابراین، دوربین های نیم کروی مسئول dewarping تصویر دارای اعوجاج ضبط شده توسط لنزهای fisheye پیش از فرستادن آن به VMS بودند. این به آن معنی بود که VMS ویدئو را همان طور که نمایش داده می شد ضبط می کرد. اطلاعات کامل از تصویر کروی اصلی در دسترس، ضبط نمی شد.

امروزه، بسیاری از تولیدکنندگان VMS فیلترهای dewarping را در نرم افزارهای خود می گنجاند. این امر به VMS ها اجازه می دهد تصویری با رزولوشن بالا از کل میدان دید دوربین فراهم کنند و سپس آن را به هر طریقی نشان دهند. به شیوه ای باز هم بهتر، می تواند این دیدها را به صورت همزمان ارائه کند. برای مثال ممکن است یک VMS نصب شده باشد تا ویدئو را از یک دوربین نیم کروی به شیوه هایی متفاوت نشان دهد.

  • فریم های پانورامیک می توانند کل محوطه یک ملک را با استفاده از تنها دو دید ۱۸۰ درجه نشان دهند.
  • فریم های زوم شده که مناطق مشخص مورد توجهی را نشان می دهند، به عنوان پیش فرض تنظیم شوند، طوری که انگار هر کدام یک دوربین مجزا هستند. چنین مناطقی شامل درها، ماشین صندوق داری، پیشخوان خدمات، کیوسک ها و غیره می شود.
  • یک تجربه PTZ مجازی، بسیار مشابه استفاده از یک PTZ واقعی که اجازه pan و زوم در تصویر کروی ۳۶۰ درجه اصلی را می دهد. گرچه زوم دیجیتال است، دوربین های ۶ و ۱۲ مگا پیکسلی امروزه راه طولانی را برای کاهش pixelization طی کرده اند که ممکن است رخ بدهد.

این که یک دوربین می تواند تمام این ها را به صورت همزمان انجام دهد بسیار قابل توجهاست اما این حقیقت که می تواند این کار را در حالت تصویر زنده و باز پخش، کاملا مستقل از یکدیگر انجام دهد، چیزی است که واقعا قدرت این دوربین ها را اثبات می کند. برای مثال اجازه دهید بگوییم که یک دوربین نیمه کروی برای پوشش یک پارکینگ مورد استفاده قرار می گیرد. یک خودرو در پارکینگ مورد خرابکاری قرار می گیرد. قبلا وقتی خسارت رخ می داد، اپراتورهای سیستم، کلوز آپی از آن خودرو در استریم زنده ویدئویی خود نداشتند. اما حال، با یک دوربین نیمه کروی که کل پارکینگ را پوشش می دهد و یک VMS که ویدئو را dewarping می کند، اپراتور سیستم می تواند یک فریم ویدئو را که تنها بر آن خودرو و محوطه اطراف زوم شده است پس از رویداد ایجاد کرده و سپس آن را به صورت بازپخش در زمان مورد بحث تماشا کنند. تمام جزئیات بصری توسط VMS اهمیت به عنوان بخشی از استریم ویدئویی اصلی با رزولوشن بالای فرستاده شده از دوربین، ضبط شده است.

به بیان دیگرچرا VMS اهمیت ، داشتن یک دوربین نیم کروی با dewarping VMS مانند داشتن توانایی نصب آنی یک دوربین جدید در هر زمانی است که به آن نیاز دارید، بدون نیروی کار یا تلاش برای پیکره بندی یا زوم آن و سپس تماشای ویدئویی از قبل از زمان نصب. این مساله جالب است.

هیچ راه حلی بی نقص نیست

گرچه دوربین های نیم کروی در بسیاری جنبه ها نوآورانه هستند، هنوز هم موقعیت هایی وجود دارد که دوربین های سنتی بهتر عمل می کنند. واضح ترین آنها مواردی است که نیازمند بزرگ سازی بسیار زیادی هستند. وضوح زوم اپتیکال ارائه شده توسط دوربین های PTZ در فاصله های زیاد بسیار بهتر از هر چیزی است که می تواند توسط زوم دیجیتال دوربین نیم کروی با بالاترین رزولوشن ارائه شود.

زاویه و پرسپکتیو نیز باید در نظر گرفته شوند. یک دوربین نیم کروی به عنوان بخشی از یک سیستم LPR که باید پلاک ها را از دوربین های مستقر شده در سطح خودرو بخواند، خوب عمل نمی کند.

نور نیز می تواند مساله ساز باشد. دوربین های نیم کروی با لنزهای fisheye در نور پایین یا متغیر خوب عمل نمی کنند، بنابراین برای این شرایط، بهتر است که به دنبال گزینه دوربین متفاوتی باشید یا برروی نور افکن مازادی برای روشن کردن ناحیه سرمایه گذاری کنید.

سرانجام، دوربین های نیم کروی با رزولوشن بسیار بالا به محبوبیت بیشتری دست پیدا می کنند و با این رزولوشن های بالا (۶ مگا پیکسل یا ۱۲ مگا پیکسل) نیاز به پهنای باند و ذخیره سازی بیشتری نیز احساس می شود. به علاوه رمزگشایی و تماشای چنین استریم ویدئویی با رزولوشن بالا نیازمند قدرت CPU بسیار بالایی از یک کامیپوتر شخصی است. بنابراین محدودیتی در تعداد مشاهده این دوربین ها به صورت همزمان در یک VMSاهمیت  وجود دارد. نیازمندی های سخت افزار و شبکه و هزینه های همراه آن برای پشتیبانی از دوربین های نیم کروی با رزولوشن بالا، باید در برابر مزایا و مقرون به صرفگی استفاده از دوربین های کمتر ارزیابی شود.

دوربین های نیم کروی به دلایل بسیاری روز به روز محبوب تر می شوند. وقتی با VMS اهمیت مناسب همراه شوند، می توانند پوشش عالی ارائه کنند و در پول مشتریان صرفه جویی کنند و در عین حال قابلیت ها و انعطاف پذیری هایی را ارائه کنند که به شیوه ای دیگر امکان پذیر نیست. فقط اطمینان حاصل کنید، دوربینی را انتخاب می کنید که رزولوشن کافی برای پشتیبانی از نیازمندی های زوم ارائه می کند و VMS ای که بتواند تصویر را در رزولوشن و فریم ریت مورد نیاز پردازش کند، آن را dewarp کرده و اجازه تنظیم و احضار پیش فرض های دیدهای مطلوب شما را بدهد. اگر تمام این مربع ها تیک خوردند، می توانید مطمئن باشید که دوربین های نیم کروی شما ارزش افزوده و عملکرد بهبود یافته ای برای سیستم نظارتی شما ایجاد می کنند.

چرا VMS اهمیت ؟

نویسنده:‌ Bret McGowan

منبع:‌ securitytoday.com

 

/۰ دیدگاه /توسط
,

نقش سیستم های نظارت تصویری در قلب ساختمان های هوشمند

منبع:‌Ifsecglobal

نقش سیستم های نظارت تصویری در قلب ساختمان های هوشمند

 

روند رو به رشد ساخت ساختمان های کاربر محور در حال حاضر توسط برخی از تحولات استانداردهای کلیدی پشتیبانی می شود، که دوباره به روش های طراحی و ساخت و ساز در سراسر جهان نفوذ کرده اند.

به عنوان مثال، از ماه آوریل سال جاری دولت بریتانیا، تمام شرکت های دخیل در ایجاد ساختمان های عمومی در انگلستان را به مطابقت با سطح ۲ مقررات مدل سازی اطلاعات ساختمان (BIM) ملزم می کند. سطح ۲ BIM شرایط زیر را برای ساخت ساختمان ضروری می سازد:

بسیار محکم تر باشد، طراحی مبتنی بر مدل سه بعدی باشد، مشخصات ساختمان راه اندازی روان تر را تضمین کند به طوری که آنها برای ساکنان از همان ابتدا بهتر کار کنند و راحت تر نگهداری شوند، برنامه های زمانی برای ارتقاء زیر بنائی برای تجهیزات و سیستم های ساختمان داشته باشند.

پروتکل GSL (Government Soft Landings) که خواستار آن است که ساختمان های جدید دولتی با مدل ذهنی کاربران طراحی شود، نیز در حال گسترش یافتن است. استراتژی soft landings برای سرعت بخشیدن به گذار زمانی ساخت تا سکونت و بهینه سازی عملکرد عامل اتخاذ شده است.

چارچوب Soft Landings حاصل یک اقدام ابتکاری مشترک بین BSRIA (انجمن تحقیقات و اطلاعات خدمات ساختمان ) و UBT ( اتحادیه ساختمانهای قابل استفاده ) است.

سازمان جهانی BSRIA یک سازمان آزمایش، ابزار، پژوهش و مشاوره در خدمت ساخت و ساز و بازار خدمات ساختمان است. این سازمان خدمات پشتیبانی تخصصی برای طراحی، ساخت، مدیریت امکانات، تست محصول و اطلاعات بازار را فراهم می کند.

این چارچوب شامل پنج مرحله کلیدی زیر است:

  • تضمین این که نیازهای مشتری و خروجی های ضروری به وضوح تعریف شده است.
  • بررسی پروژه های قابل مقایسه و ارزیابی طرح های پیشنهادی در رابطه با مدیریت امکانات و کاربران ساختمان
  • تضمین اینکه ساکنان، قبل از سکونت طریقه استفاده از سیستم ها را به درستی فهمیده باشند.
  • استقرار یک تیم soft landings در محل برای دریافت بازخورد، تنظیم دقیق سیستم ها و اطمینان از عملکرد مناسب.
  • به طور معمول این پروسه ۴ تا ۶ هفته به طول خواهد انجامید، اما ممکن است برای ساختمان های پیچیده مانند بیمارستان ها طولانی تر و ممکن است برای ساختمان های ساده مانند مغازه ها کوتاه تر باشد.
  • مشکلات مهم حل می شوند و ارزیابی های پس از سکونت برای پروژه های آینده مورد استفاده قرار می گیرند. گفته می شود که این دوره به مدت سه سال طول می کشد. در سال اول، مشکلات شناسایی می شوند، آموزش های لازم ارائه می شود و سیستم ها به خوبی تنظیم می شوند. در سال های دوم و سوم، عملکرد مرور شده، و نظرسنجی های پس از سکونت صورت می گیرد.

 

ساختمان های دارای اینترنت اشیاء

با توجه به این تحولات عمده، روند استفاده از تکنولوژی برای به دست آوردن سیستم مدیریت ساختمان (BMS) و سیستم های اتوماسیون ساختمان (BAS) گسترده تر شده است و همچنین صحبت پیرامون علایق ساکنان و کار بیشتر برای فراهم کردن آن علایق گسترده تر شده است.

ساختمان اینترنت اشیاء (Biot) به سرعت در حال تبدیل شدن به واقعیت است، در Biot تمام سیستم های کنترلی ساختمان از طریق اینترنت قابل دسترس هستند (و به همین دلیل می توانید از طریق هر دستگاه هوشمند و تلفن همراه کنترل شود).

ساختمان های “هوشمند” رو به رشد  

با این حال، این موضوع فقط به تکنولوژِی مربوط نیست، بلکه چگونه باید از تکنولوژی برای کمک به ساکنان ساختمان استفاده شود. برنده جایزه معمار و تفکر طراحی نوآورانه پل فلچر اخیرا گفته است که BMS، نیاز به تغییر دارد زیرا امروزه بسیاری با دور کردن کنترل از کاربر باعث می شوند که ساکن ساختمان احساس گنگی داشته باشد و او می افزاید که باید قدرت را دوباره به ساکن بر گردانیم.

در همین راستا، او معتقد است که معماران و توسعه دهندگان باید به دور از ذهنیت فعلی حرکت کنند، که در نتیجه کاربر از عنوان شخص غیر حرفه ای در فرایند طراحی فاصله گیرد. در عوض، معماران باید کاربران را در ایجاد ساختمان حول نیازهای خاص ساکنان آینده درگیر کنند.

 

 

 

ساخت ساختمان به عنوان یک خدمت

بنابراین سیستم هایی که ساختمان ها را کنترل می کنند در عوض باید کاربران را قادر به کنترل ساختمان ها کنند و شرکت های ساختمانی بایستی در تهیه خدمات ارزش افزوده مرتبط با اجرای بدون اشکال یک ساختمان تمرکز کنند نه اینکه تنها یک ساختمان را بسازند و بعد تو را بخیر و من را به سلامت. ایده “ساخت ساختمان به عنوان خدمت” حتی از طریق گفتمان اجتماعی پدید می آید.

اتفاقا فن آوری هوشمند که در یک پروژه ساختمان تجاری جدید تعریف شده باشد همه ی اینها را ممکن می سازد. ساختمان های جدید با وجود سنسورهای مختلف در همه جا از جمله دوربین های IP، تا آشکار های آتش و آشکارسازهای دود، کنترل ترموستاتیک، تهویه گرمایش و سیستم های کنترل تهویه هوا(HVAC)، ریدرهای بیومتریک برای کنترل دسترسی و سنسور های بیشتر دیگری ساخته شده اند. تمام این دستگاه های مبتنی بر IP همچنین هوشمند تر شده اند.

 

سیستم های مدیریت تصویرIP (VMS) مانند Milestone XProtect در حال حاضر قادر به تبدیل تصاویر گرفته شده از جلوی یک ماشین (زمانیکه ماشین وارد پارکینگ زیرزمینی ساختمان می شود) و دستیابی به شماره پلاک هستند که بعدا می تواند با پلاک های مجاز پایگاه داده بررسی شود. هنگامی که تطبیق صورت گرفت، مانع پارک خودرو می تواند به طور خودکار برداشته شود..

در مقابل، یک تصویر یا فیلم از یک وسیله نقلیه غیر مجاز می تواند به طور خودکار به دستگاه تلفن همراه یک مدیر امنیت از راه دور فرستاده شود و آنها می توانند تصمیم بگیرند که آیا مانع برای ورود ماشین برداشته شود و یا خیر.

ما همچنین شاهد بازدیدکنندگانی هستیم که به یک سیستم کنترل دسترسی متصل می شوند در حالی که در پذیرش به عنوان بازدید کننده ثبت شده اند. هنگامی که این بازدیدکنندگان برچسب یا تگ زده شده باشند، می توان آنها را در اطراف یک ساختمان رد یابی کرد. برای مثال، در صورتی که بازدید کننده موردنظر وارد یک منطقه محدود شده شود، بنابراین یک هشدار به مدیر ارشد امنیت ارسال می شود.

این نقض سپس می تواند بوسیله یک تصویر snapshot از نزدیکترین دوربین مورد تایید قرار بگیرد، در نتیجه بوسیله دستگاه های هوشمند به گارد امنیتی اطلاع رسانی کند و آنها اقدامات لازم را برای وجود تهدید امنیتی انجام دهند.

دوربین های شبکه مادون قرمز نیز به طور فزاینده ای در ساختمان ها بکار گرفته می شوند. این دوربین ها فقط از دیدگاه امنیتی برای شناسایی فعالیت ها مفید نیستند، (برای مثال در یک اتاق سرور محدود)، بلکه همچنین به مدیریت سیستم های تهویه مطبوع ساختمان ها نیز کمک می کنند.

تصاویر حرارتی گرفته شده از این دوربین ها می تواند قسمت هایی از یک ساختمان را که گرما از آنجا خارج می شود را نشان دهد، شاید در آن محل یک پنجره باز گذاشته شده باشد، و یا یک قاب پنجره خراب شده باشد و نیاز به تعمیر و یا جایگزینی آن داشته باشد.

این سنسور همچنین می تواند مشخص کند که چه بخش هایی از ساختمان نیاز به گرمایش و تهویه مطبوع دارند و کدام بخش ها به دلیل ساکنان کم آن به  HVAC نیاز ندارند. برای مثال، وقتی که فردی اتاق جلسه را ترک کند سنسور می تواند به BMS مرکزی سیگنال ارسال کند و باعث شود تا سیستم تهویه مطبوع (HVAC) و سیستم های روشنایی به طور خودکار خاموش شوند.

 

عکس العمل پویا

به این ترتیب، چشم انداز برای ساختمان های هوشمند آینده ایجاد ساختمان های کاملا هوشمند است تا به سطح استفاده و تغییرات محیطی به شکل پویا واکنش نشان دهد.

بنابراین اگر یک روز هوا خیلی گرم باشد و اتاق سرور گرم شود، در نتیجه درایوهای هارد دیسک (HDD) سرور ها به خطر می افتند (و در نتیجه اطلاعات شرکت که در آن هارد دیسک ها نگهداری می شود نیز به خطر می افتند)، وقتی که دما به آستانه دمای مشخص شده برسد، سیستم می تواند با ارسال یک آلارم باعث راه اندازی تهویه هوا برای افزایش خروجی در آن ناحیه شود.

سیستم های مدیریت تصویر مانند XProtect، می توانند به عنوان یک مرکز اطلاعاتی و یا مرکز تجسم سازی برای تایید آلارم در کنار هر مدرک تصویری که سنسور های ساختمان آن را می فرستند، عمل کند به عنوان مثال، آیا افزایش حرارت در آن اتاق سرور در واقع به دلیل افزایش غیر طبیعی سرور در حال اجرا است؟ (که اغلب پیش زمینه ای برای خرابی HDD می باشد.)

و یا حتی بدتر، آیا یک آتش سوزی کوچک در زیر آن در جریان است که به توجه فوری نیاز دارد؟ این هوش می تواند از طریق پیوند با یک هشدار آستانه دما با یک تصویر ویدیو زمان واقعی بدست آید. بر اساس سطح تایید شده از تهدید، شخص مناسب را می توان برای مقابله با این مشکل فرستاد.

اندیشیدن را اندکی فراتر به خدمات داخل یک ساختمان بسط دهید: این فوق العاده خواهد بود که یک شرکت بزرگ بتواند بوسیله یک صفحه نمایش کامپیوتر تصاویر دوربینی از کافه تریا مرکزی به کارکنان ارائه دهد تا کارکنان با دیدن میزان صف و افراد در انتظار، برنامه ناهار خود را طوری تنظیم کنند تا کمترین زمان مرده را داشته باشند.

به طور مشابه، چرا نباید فیلم های ضبط شده از افراد کافه تریا را از طریق کل دوره های ناهارخوری در طول چند هفته به داده های سخت در مورد تعداد افرادی که از آن کافه تریا استفاده می کنند تبدیل نکنیم؟ این داده ها را می توان به اطلاعاتی در مورد اوج مصرف از امکانات تبدیل کرد، و سازماندهی کرد که که آیا تغییراتی در خدمات نیاز هست یا خیر! تا بهتر پاسخگوی نیازهای کارمندان و بازدید کنندگان باشیم.

بنابراین ممکن است ببینیم که سیستم های مدیریت تصویر درست در مرکز قرار گرفته اند، و با BMS یکپارچه شده اند و اطلاعات گرفته شده از حسگرهای هوشمند متعدد را قابل حس می کنند، و اطلاعات خروجی از چندین دستگاه IP یکپارچه شده را هوشمند می سازد.

در این چشم انداز، همانند بهینه سازی خدمات ساختمان، XProtect تنها برای توانمندتر سازی امنیت ساختمان استفاده نمی شود، بلکه برای مدیریت هوشمندتر و پاسخگوتر ساختمان استفاده می شود.

حالا که این چشم انداز قابل پیگیری ارزشمند، کنترل بیشتری را برای کاربران ساختمان ها پیشنهاد می کند. این چشم انداز را همچنین می توان به عنوان غذا برای فکر معماران، طراحان، شرکت های ساختمانی، ارائه دهندگان BMS، ارائه دهندگان خدمات ساختمان و مدیران امکانات در نظر گرفت.

بنابراین دیگر جای تعجب نیست که  ما مشاهده کنیم که مالکیت و ادغام، تولید کنندگان محصولات امنیتی را با بازیگردانان سیستم های کنترل ساختمان همراه کنند.

همین اواخر ادغام محصولات امنیتی Tyco  با ارائه دهنده سیستم های مدیریت Johnson Controls نشان می دهد که قدرت ابداع سیستم های ساختمان هوشمند همراه با مدیریت امنیت در برخی از بازیگردانان بزرگ باعث تثبیت هر دو بازار می شود.

 

جالب است بدانید، تمامی فرایند تشخیص چهره ، تشخیص تردد، تشخیص اشیاء، ثبت و صادر کردن اطلاعات مربوطه توسط دوربین های MNA  انجام شده و با دستگاه های ذخیره ساز MNA نیز سازگار می باشد. جهت کسب اطلاعات بیشتر می توانید به وبسایت www.MNA.ir  مراجعه و یا با شماره تلفن  ۸۸۵۰۱۴۵۵-۰۲۱ نمایید.

 

اخبار و اطلاعات صنعت حفاظت : http://www.iranalarm.com

/۱ دیدگاه/توسط