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:
| Умова | Рішення | Точність |
|---|---|---|
| Ніч із ІК-підсвіткою | Доучування на ІК-зображеннях | 88–93% |
| Теплова камера (FLIR) | Окрема модель або fusion | 91–96% |
| Туман, дощ | Деградація зображення + preprocessing | 80–87% |
| Пряме світло фар | HDR-камера + витримка | 85–92% |
| Сніг, листопад | Kalman-фільтр треку + temporal | 88–93% |
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
Детальніше про проект
Результат за перший місяць: FAR знизився з 40+ до 2–3 подій за ніч, усі — реальні спроби проникнення. Recall на контрольних тестах (30 інсценованих перетинів): 97%. Інфраструктура: 3 сервери NVIDIA RTX 4090 (по 8 камер кожен), Apache Kafka для стрімінгу подій, інтеграція з PSIM Genetec.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:
| Масштаб | Термін |
|---|---|
| До 8 камер, пілот | 3–5 тижнів |
| 8–30 камер, повноцінний периметр | 7–12 тижнів |
| 30+ камер, enterprise-об'єкт | 14–22 тижні |
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.