边缘计算、人工智能和热成像–智能安防的未来

作者：蒙光伟编译 2020-08-24 16:05:01

人工智能

机器学习

云计算

边缘计算 如今，视频数据非常丰富，我们可以对其进行分析并实时推断出许多有价值的信息，而不是事后分析。

 智能安全行业正在迅速发展，随着AI和4K在智能摄像机中的普及，这些更高的视频分辨率推动了将更多数据存储在摄像机上的需求。人工智能和智能视频有望从安全视频中获取更多见解。

复杂而广泛的摄像机网络将已经需要大量数据存储，尤其是如果这是从支持智能视频的设备进行24/7全天候监视时。到2023年，兼容4K的摄像机预计将占所有网络摄像机的24%以上，因此，对可靠存储的车载安全摄像机的需求正在迅速增长。企业面临的问题是：他们是通过分离和分隔摄像机来满足数据需求来打破现有的智能视频网络，还是提高存储能力?

随着一些人开始遵循最初的COVID-19措施开始冒险并重返工作岗位，我们也看到对热成像技术的需求不断增加。像这样的新技术以及更多的始终在线系统的推出，意味着组织将需要仔细考虑其智能视频策略。较新的边缘计算将在捕获、收集和分析数据中扮演重要角色，随着这一发展，我们可以期待看到一些关键趋势。

如今，有更多类型的摄像头正在使用，例如随身摄像头以及新的物联网(IoT)设备和传感器。如今，视频数据非常丰富，我们可以对其进行分析并实时推断出许多有价值的信息，而不是事后分析。

边缘计算和智能安防

随着公共云采用的增长，公司和组织将平台视为大数据的集中位置。但是，最近有人反对这种趋势。相反，我们现在看到的是在边缘而不是在云中处理的数据。偏好更改的一个主要原因是：延时。

延时是尝试进行实时模式识别时的重要考虑因素。如果摄像机必须返回到数百英里之外的中央数据中心，则摄像机很难处理数据(24/7全天候记录4K监视视频)。此数据分析需要快速进行，以便及时并适用于动态情况，例如公共安全。通过在边缘存储相关数据，AI推理可以更快地进行。这样做可以带来更安全的社区、更有效的运营和更智能的基础架构。

超高清和存储

支持AI的应用和功能(例如模式识别)取决于4K等高清分辨率，也称为超高清(UHD)。这些详细的数据对存储有重大影响，需要写入的容量和速度以及网络。与高清相比，4K视频具有更高的存储要求，我们甚至可以看到8K。

众所周知，4K视频的像素数是高清视频的四倍。此外，兼容4K的视频每通道支持8位、10位和12位，每个像素转换为24位，30位或36位色深。HD也有类似的模式-每个像素使用24位或更少的颜色使用10或12位颜色深度。总的来说，与1080像素视频相比，由4K生成的位最多增加了5.7倍。较大的视频文件对视频生产和监视的数据基础结构提出了新的要求。这意味着在研究智能安全性时，对数据基础架构进行投资已成为关键考虑因素。

永远在线

无论是设计具有受限连接性的解决方案，还是设计超快5G功能，大多数智能安全解决方案都需要24/7全天候运行，而不管其环境如何。但是，有时基础硬件和软件系统也会发生故障。在这种情况下，重要的是建立故障转移过程，以确保故障后继续运行或恢复数据，包括从流量控制到传感器再到摄像机馈送等等的所有内容。

考虑一个医院的示例，该医院有数十个甚至一百多个摄像机通过IP连接到集中式记录器。如果以太网断开，则无法捕获视频。此类事件可能会严重威胁医院患者和医护人员的安全。因此，摄像机中使用microSD卡进行连续记录。然后，由AI驱动的软件工具可以用卡上捕获的内容“修补”丢失的数据流，以确保视频流可以按时间顺序进行观看而没有内容空白。

热成像

当人们返回工作场所和公共场所时，健康和安全是所有组织的头等大事。一些组织正在部署热成像仪，以帮助筛查个体复发时的症状。传统上，与仓库和装配线一起运作的组织将在入口处设置大量摄像头。有了热成像智能视频，这些摄像机现在可以兼作放映设备的双重用途。热成像技术能够检测到升高的体温，一台摄像机可以一次扫描10到25名工人，从而使之高效而准确。这样，员工可以使用该信息来帮助识别可能需要在返回工作之前进行进一步筛查、测试或隔离的人员。

虽然这可能不会增加数据存储要求，但是它可以更改你的保留策略和做法。

当今的智能安全性是关于利用AI和边缘计算来提供始终在线的高分辨率视频，以帮助人们保持24/7的安全。这些趋势增加了监视的需求和重要性，这意味着支持数据基础结构的需求也不断提高以适应这种需求，包括主动管理基础结构以帮助确保可靠运行的能力。企业需要确保已将所有存储和策略挑战考虑为未来智能安全策略的一部分。