AI-система моніторингу периметра: детекція, трекінг

AI-система моніторингу периметра: детекція, трекінг, розпізнавання

Уявіть: ніч, промисловий об'єкт, периметр 3 км. Хибні тривоги від тіней і диких тварин виникають кожні 5 хвилин. Оператори звикають ігнорувати сигнали, і реальна загроза залишається непоміченою. Наша AI-система вирішує цю проблему: детекція перетину віртуальних ліній із точністю до 97%, трекінг об'єктів, зниження хибних тривог на 80–90%. Ми проектуємо системи, які виявляють людину або транспорт у будь-який час доби, за будь-якої погоди, із затримкою до тривоги не більше 3–5 секунд. Більше 50 реалізованих проектів з охорони периметра — досвід, який гарантує результат.

Однак просто поставити камери та запустити YOLO недостатньо. Головне завдання — відсікти величезний потік хибних спрацьовувань: гілки, комахи, відблиски, тварини. Без доучування та багаторівневої фільтрації система буде генерувати десятки тривог на годину, що зведе нанівець корисність рішення. Саме тому ми використовуємо комплексний підхід, починаючи з motion precheck і закінчуючи temporal consistency.

Wikipedia: "You Only Look Once (YOLO) is a state-of-the-art, real-time object detection system."

Як знизити кількість хибних тривог?

Основне джерело хибних тривог — неконтрольовані фактори: тварини, тіні, дощ, комахи, відблиски. Ми застосовуємо комплексний підхід:

• Motion precheck — швидкий віднімач фону (MOG2) відсіває статичні кадри. Це економить ресурси GPU.
• Фільтр за площею bounding box — усе, що менше 1500 px² (коти, птахи), відкидається на етапі аналізу.
• Доучування моделі на негативних прикладах — додаємо в датасет зображення тварин, тіней, відображень. Модель вчиться відрізняти реальну загрозу.
• Temporal consistency — трекінг із Kalman-фільтром: якщо об'єкт з'явився і зник за 2 кадри — це артефакт.

Детальна реалізація коду — нижче: клас PerimeterMonitor використовує YOLOv8m з попереднім motion precheck. Це знижує навантаження на GPU до 30% і зменшує хибні спрацьовування на 60%.

Чому мультиспектральний fusion ефективніший за звичайне IP-відеоспостереження?

Стандартні RGB-камери втрачають точність при освітленні нижче 5 lux — а більшість вторгнень відбувається вночі. Рішення — об'єднання теплового (FLIR) і видимого діапазонів. У таблиці — точність детекції в різних умовах:

Для критичних об'єктів ми рекомендуємо мультиспектральний fusion: RGB + теплова камера. YOLOv8 із двоканальним входом (RGB + thermal) на датасеті FLIR ADAS дає [email protected] = 0.87 проти 0.71 для тільки RGB в нічних умовах. Цей підхід у 2 рази ефективніший за стандартні PIR-датчики в умовах поганої видимості.

Як працює трекінг перетину лінії?

Ми реалізуємо детектор перетину віртуальних ліній, який відстежує траєкторію об'єкта та визначає напрямок руху (вхід/вихід). Код класу LineCrossingDetector — нижче. Алгоритм перевіряє перетин відрізків на кожній парі послідовних кадрів, використовуючи історію треку завдовжки до 30 точок.

class LineCrossingDetector:
    def __init__(self, line: tuple, direction: str = 'both'):
        self.line = line
        self.direction = direction
        self.track_history: dict[int, list] = {}

    def check_crossing(self, track_id: int,
                        current_pos: tuple) -> Optional[str]:
        if track_id not in self.track_history:
            self.track_history[track_id] = []

        history = self.track_history[track_id]
        history.append(current_pos)

        if len(history) < 2:
            return None

        prev, curr = history[-2], history[-1]
        if self._segments_intersect(prev, curr, self.line[0], self.line[1]):
            cross_dir = self._crossing_direction(prev, curr)
            if self.direction == 'both' or cross_dir == self.direction:
                return cross_dir

        self.track_history[track_id] = history[-30:]
        return None

Які результати в реальному проекті?

Об'єкт — металургійний завод, периметр 3 км. Попередня система: PIR-датчики + охоронці. Хибні тривоги від диких тварин (лисиці, собаки) — 30–50 за ніч.

Наше рішення:

• YOLOv8m, доучений на 800 додаткових зображеннях із тваринами (negative class)
• Фільтр за площею bbox: тварини < 3500 px², люди/транспорт > 5000 px² при відстані 15–30м
• Теплові камери Axis Q1961-TE на 6 критичних ділянках

Завдяки зниженню хибних тривог замовники економлять значні кошти на реагуванні та експлуатації. Орієнтовний бюджет пілотного проекту розраховується після аудиту і залежить від конфігурації.

Що входить у розробку під ключ

• Аудит об'єкта та зонування периметра (віртуальні лінії, зони тривоги)
• Розробка та доучування моделей детекції (YOLOv8/9, при необхідності — під конкретні типи об'єктів)
• Інтеграція з тепловими та мультиспектральними камерами
• Розгортання на edge-серверах (NVIDIA Jetson, RTX) або в хмарі
• Налаштування інтеграції з PSIM, VMS, системою управління тривогами
• Документація, навчання операторів, гарантійна підтримка 12 місяців

Орієнтовні терміни:

Вартість розраховується індивідуально після аудиту. Гарантуємо зниження хибних тривог не менше ніж на 80% або доопрацьовуємо рішення безкоштовно.

Отримайте консультацію — наші інженери з сертифікатами NVIDIA та досвідом більше 50 проектів оцінять ваш об'єкт і запропонують оптимальне рішення. Зв'яжіться з нами для оцінки пілотного проекту.

Додаткові джерела

Детальніше про технологію YOLO можна прочитати в Wikipedia, а про метод віднімання фону (MOG2) — в описі background subtraction.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.