De wereldwijde opkomst van kunstmatige intelligentie (AI) heeft de manier waarop veel sectoren werken ingrijpend veranderd en zorgt voor een revolutie in de wereld van de videobewaking.
AI verwijst naar een vorm van computerverwerking die ‘leert’ om haar prestaties te verbeteren – vaak vergeleken met menselijk begrip. De ontwikkeling van AI wordt aangedreven door nieuwe en opkomende, snelgroeiende, technologiegedreven markten, zoals datacommunicatie, telecommunicatie, netwerken, de automobielindustrie, gaming, defensie, consumentenelektronica en meer; de CCTV-sector profiteert hiervan.
De ontwikkeling van AI is van cruciaal belang voor de prestaties van videoanalyse in CCTV-systemen; deze zorgt voor verbetering van de effectiviteit, nauwkeurigheid en kanaaldichtheid, en voor kostenbesparingen. De ontwikkeling van HPC-hardware (high performance computing), die de toenemende verwerkingscapaciteit mogelijk maakt die AI vereist, zal echter ook van invloed zijn op de fysieke capaciteit, het ontwerp, de indeling en de kosten van CCTV-systemen.
AI nu
Software
Bij CCTV-toepassingen zijn AI en analyse synoniemen. De videoanalysetechnologie die in CCTV-oplossingen wordt gebruikt, kan grofweg in drie categorieën worden onderverdeeld: neurale netwerken, deep learning en binaire analyse. Digifort ondersteunt alle drie de typen en kan bovendien worden geïntegreerd met de analysefuncties van NVR’s, analyseboxen en camera’s van derden aan de ‘edge’. Bij elk type spelen kosten en prestaties een rol, dus Digifort werkt met alle drie de typen om klanten flexibiliteit te bieden. Zo hoeven klanten bijvoorbeeld geen geld uit te geven aan geavanceerde analyse als goedkopere bewegingsdetectie volstaat.
Toonaangevende analysebedrijven maken gebruik van Machine Learning (ML) om het software-algoritme te trainen in het herkennen en interpreteren van objecten in een scène, inclusief relevante bewegings- en gedragspatronen. Net als bij menselijke herkenning kunnen veel verschillende objecten worden geïdentificeerd, met een ‘betrouwbaarheidscijfer’, op basis van een opgeslagen bibliotheek van bekende objecten die het systeem in de loop van de tijd heeft geleerd. Deze objecten kunnen onder meer bestaan uit mensen, bestelwagens, fietsen, auto’s, vrachtwagens, groepen mensen, tassen, fietsers en nog veel meer, inclusief hun kleurprofielen en bewegingsrichtingen.
Deep Learning (DL), een tak van machine learning (ML) die tot de allernieuwste technologie behoort, verhoogt de nauwkeurigheid en effectiviteit nog verder. Dit omvat onder meer het vermogen om zichzelf automatisch te kalibreren en objecten in het beeld die niet relevant zijn voor de analyse buiten beschouwing te laten, waardoor het aantal valse alarmen wordt verminderd. Een ander voorbeeld is het over elkaar leggen van skeletframes op personen om de positie en beweging van handen, armen en hoofden ten opzichte van de romp te volgen, samen met de bewegingssnelheid, om zo complexere gedragspatronen zoals agressie of geweld te identificeren.
Hardware
Huidige videobeheersysteemtoepassingen met analysefuncties maken gebruik van servers met CPU’s (Central Processing Units) voor de werking van het videobeheersysteem, met voldoende rekenkracht om de videobeelden van de camera’s van het systeem te verwerken. Servers of pc’s met GPU’s (Graphics Processing Units of grafische kaarten) bieden de rekenkracht die nodig is voor de analysefuncties. Het Digifort Integrated Security Platform verwerkt moeiteloos 100 tot 200 camera’s op één enkele 2U-server met een mid-range Intel Xeon-processor, afhankelijk van de opnameprofielen van de camera’s. Digifort, een partner van Nvidia, ontwerpt zijn analysefuncties voor gebruik op Nvidia GPU’s, waarbij een grafische kaart uit het middensegment, zoals de RTX A2000, tot 60 kanalen aan videanalyse (VA) kan verwerken, afhankelijk van het type. Zowel de VMS- als de VA-verwerking vinden dus plaats met behulp van beproefde, bewezen hardware, om zo kosteneffectieve bouwstenen voor CCTV-systemen te leveren.
Netwerk, opslag en de cloud
Misschien wel de grootste beperking bij CCTV-toepassingen op dit moment, zowel wat betreft de fysieke hardware als het begrip ervan, is de netwerkbandbreedte en opslagcapaciteit; deze zijn van cruciaal belang voor AI en analyse. Als een 4MP-camera op een afgelegen locatie met 25FPS wordt gestreamd, met behulp van een efficiënt H265-compressiealgoritme, bedraagt de benodigde bandbreedte bijvoorbeeld ongeveer 3Mbps (afhankelijk van de activiteit in beeld, de beeldkwaliteit en het cameratype). Als deze video 31 dagen lang wordt opgenomen, is daarvoor ongeveer 1,0 TB aan opslagruimte nodig. Een CCTV-systeem met 8 kanalen heeft bijvoorbeeld een veelvoud daarvan nodig: 24 Mbps en 8 TB. Ik weet niet precies wat de gemiddelde breedbandverbinding tegenwoordig biedt, maar een downloadsnelheid van 100 Mbps en een uploadsnelheid van 20 Mbps is al veel beter dan mijn huidige thuisverbinding, en zelfs dat zou niet voldoende zijn, aangezien we juist de uploadsnelheid nodig hebben bij het streamen vanaf een externe locatie naar een centrale locatie. Digifort biedt opties voor huurlicenties en ondersteunt centralisatie op een externe server of in de cloud (de server van een derde partij), maar de kosten van cloudopslag en de breedbandverbinding die nodig is om effectief te streamen, zijn hoog.
Intelligente videobeheersystemen zoals Digifort beschikken over een variabele bitsnelheid, waardoor de bitsnelheden van de camera’s in realtime worden aangepast om de bandbreedte toe te wijzen waar die het hardst nodig is. Maar tenzij de mentaliteit verschuift van continue opname naar opname op basis van gebeurtenissen – geactiveerd door AI-gestuurde analyses in realtime – zal dit bij grotere systemen, zoals men zegt, niet werken! En dan hebben we het nog niet eens over de latentie.
AI in de toekomst
Software
In de toekomst zal AI videanalyse helpen om de prestaties en voorspellende analyses te verbeteren, zoals de nauwkeurigheid, snelheid, het bereik van herkende objecten, gedragspatronen en de logica van CCTV, evenals een efficiënte integratie met systemen van derden om het locatiebeheer te verbeteren. Dit kan onder meer betrekking hebben op de beveiliging en bewaking van bedrijfsmiddelen, toegangscontrole, inbraakdetectie, bedrijfs- en gebouwinformatie, PSIM en meer, maar ook op de verwerking van grote hoeveelheden IoT-gegevens om potentiële veiligheidsrisico’s te voorspellen door patronen en trends in gedrag te analyseren en afwijkingen te signaleren. Bovendien zal het aantal kanalen per locatie toenemen, dankzij de toegenomen verwerkingssnelheid en rekenkracht van computers.
De term ‘industriële revolutie’ is in de titel van dit artikel gebruikt, omdat AI een kritiek punt heeft bereikt, wat duidelijk wordt geïllustreerd door ChatGPT. Dit grote taal-AI-model, ontwikkeld door OpenAI, schrijft teksten en zoekt afbeeldingen door binnen enkele seconden het internet af te speuren naar relevante informatie en deze in een leesbare, logische vorm te presenteren. Hetzelfde type AI-model wordt gebruikt voor softwareontwikkeling, waarbij de AI zichzelf kan helpen optimaliseren, bijvoorbeeld om VA-algoritmen te verbeteren, zonder menselijke tussenkomst. Ook bij VMS-verwerking en het ontwerp van AI-hardware is de menselijke bottleneck weggenomen en verbetert de AI zichzelf!
Hardware - verwerking
De huidige generatie AI-hardware is elektronisch van aard. AI zorgt echter voor een explosieve stijging van de vraag naar grotere bandbreedte, lage latentie en snellere verwerkingscapaciteit. Dit vereist High Performance Computing (HPC), dat momenteel wordt ontwikkeld voor datacentrumtoepassingen, maar ongetwijfeld binnenkort ook zijn weg zal vinden naar bredere computertoepassingen. Er verschijnen op optica gebaseerde ‘fotonica’-verbindingen, nu de Co-Packaged Optics (CPO)-technologie erop gericht is koperen verbindingen te vervangen door optische verbindingen – wat de verwerkingssnelheid enorm verhoogt en de systeemomvang, het stroomverbruik en de operationele kosten vermindert. Nvidia trad dit jaar toe tot de exclusieve club van bedrijven met een marktwaarde van een biljoen dollar, dankzij ontwikkelingen op het gebied van AI-technologie.
De eerder genoemde ‘bouwsteen’-groottes van CCTV-systemen, namelijk 100 tot 200 kanalen voor het videobeheersysteem en 40 tot 60 VA-kanalen, sluiten vanzelfsprekend aan bij grotere CCTV-systemen en kunnen vaak op kosteneffectieve wijze ter plaatse worden geïmplementeerd. Maar als HPC-technologie ervoor zorgt dat de volgende generatie VMS- en VA-processors binnen vijf jaar slechts tien keer zoveel kanalen kunnen verwerken, moeten de verwerking en mogelijk ook de opslag worden gecentraliseerd naar een externe server in een datacenter (de cloud), waarbij camera’s aan een locatie worden toegewezen en per locatie of per camera worden betaald, om rendabel te zijn.
Datacenters van de volgende generatie verwachten een enorme toename van de verwerkingsbehoeften in tal van sectoren, die tot dezelfde conclusie komen nu HPC een model voor verwerking op afstand stimuleert. Het is duidelijk dat NVR’s, kant-en-klare analyseoplossingen en analysecamera’s deze ontwikkeling simpelweg niet kunnen bijhouden.
Netwerk, opslag en cloud
Om een effectieve centralisatie te realiseren, moeten AI-gebaseerde analyses kunnen rekenen op een netwerk met nul-latentie, om vertragingen tussen de gestreamde video en het activeren van analysegebeurtenissen te voorkomen. 5G- en optische netwerken zouden nul-latentie moeten bieden en staan op korte termijn op de planning.
Als integrators en eindgebruikers bereid zijn om over te stappen op gebeurtenisgestuurde CCTV om de kosten voor bandbreedte en gegevensopslag te verlagen, zullen oplossingen op afstand voor opslag en analyse de overhand krijgen. Als er continu moet worden opgenomen, kunnen hybride oplossingen met lokale opslag en gecentraliseerde VA-verwerking het gevolg zijn, waarbij kostenbesparingen op lokale opslag de overstap naar cloudopslag en streaming voor grotere systemen vertragen.
Samenvatting
De ontwikkeling van AI wordt aangedreven door consumentenproducten, smartphones, gaming en tal van andere markten, waarvan CCTV profiteert. Ontwikkelingen op het gebied van hardware, met enorme rekencapaciteit, zullen ervoor zorgen dat op AI gebaseerde analyses beter presteren. Een groot aantal camera’s betekent echter dat de verwerkingsbehoefte die van gangbare systemen overstijgt, waardoor de verwerking over meerdere locaties moet worden verdeeld. Een gecentraliseerd of cloudgebaseerd CCTV-systeem maakt het mogelijk de kosten te spreiden, maar netwerklatentie en kosten voor cloudopslag, in combinatie met de kosten voor breedbandstreaming, kunnen ervoor zorgen dat opslag nog langer lokaal blijft. Hoe dan ook zal een bijscholing van CCTV-technici, met meer kennis op het gebied van optica en netwerken, noodzakelijk zijn.
