UNIVIEW AI BOX – Visiotech

Kameras zum AI BOX hinzufügen

Der Prozess beginnt mit dem Hinzufügen der Kameras, entweder über ONVIF oder RTSP. Diese können manuell oder durch eine Suche im lokalen Netzwerk hinzugefügt werden.

Algorithm Capability Config

In diesem Modul werden die Erkennungsalgorithmen verwaltet, die aktiviert oder deaktiviert werden können, um in der analytischen Konfiguration der Kameras verfügbar zu sein. Das System ermöglicht die Auswahl von bis zu 20 Algorithmen.

Es werden auch verschiedene vordefinierte Szenarien angezeigt. Bei der Auswahl eines Szenarios werden die empfohlenen Algorithmen automatisch entsprechend dem Installationstyp angepasst (z. B. Krankenhäuser oder Schulen). Es ist jedoch möglich, jeden Algorithmus manuell entsprechend den Anforderungen des Projekts auszuwählen.

Smart Config

In Smart Config können die zuvor aktivierten Algorithmen zu jeder einzelnen Kamera hinzugefügt werden.

Diese Parameter können auch direkt von jeder Kamera aus im Abschnitt zur Geräteintegration konfiguriert werden.

Ressourcenmanagement und Auswahl analytischer Regeln

Im Abschnitt Analysekonfiguration können die verfügbaren Regeln ausgewählt werden, wobei der zugewiesene Ressourcenprozentsatz zu berücksichtigen ist. Wenn dieser Prozentsatz 0% erreicht, können keine weiteren Regeln zu den verschiedenen Kameras hinzugefügt werden.

Kleiderkontrolle und Überprüfung autorisierter Profile

Im Abschnitt Kleidung ist eine Liste integriert, mit der überprüft werden kann, ob das Personal einer Einrichtung die vorgeschriebene Arbeitskleidung trägt. Außerdem ermöglicht das System das Registrieren relevanter Profile für die Sicherheit, um Personen schnell zu identifizieren, deren Zugang oder Anwesenheit gemäß den betrieblichen Kriterien der Einrichtung überwacht werden muss.

Ereignissuche und Verwaltung von Gesichtstreffern

In diesem Abschnitt ermöglicht das System die Abfrage der geplanten Ereignisse und, falls die Gesichtserkennung aktiviert ist, die Suche nach Gesichtern, um relevante Treffer zur Profildatenbank hinzuzufügen.

Systemoptimierung durch Selbstlernprozess

Das Selbstlernen, wenn es aktiviert ist, ermöglicht es dem Gerät, seine Analysefähigkeit kontinuierlich anhand der konfigurierten Regeln zu verfeinern. So verbessert das System seine Erkennung, indem es zuvor identifizierte Verhaltensweisen oder Elemente erkennt und die Effizienz bei zukünftigen Alarmen erhöht.

Beispiel: Wenn der Algorithmus zur Messererkennung aktiviert ist, identifiziert das System zunächst die Person, die den Gegenstand trägt. Ist das Selbstlernen aktiviert, ordnet das Gerät dieses Muster der Person zu und kann sie bei späteren Erscheinungen weiterhin als zuvor erkannte Person klassifizieren, auch wenn der Gegenstand nicht mehr sichtbar ist.
Im ersten Bild ist zu sehen, dass die Person einen vom System als Messer identifizierten Gegenstand trägt. Das Analysemodul erkennt das entsprechende Muster und markiert die Person mit einem Rahmen, wobei automatisch das mit dieser Erkennung verbundene Ereignis generiert wird.

Im zweiten Bild ist zu sehen, dass die Person den Gegenstand nicht mehr trägt oder dieser nicht sichtbar ist. Dank des Selbstlernprozesses erkennt das System die Person jedoch als zuvor mit einer Messerdetektion assoziiertes Subjekt und behält die Klassifizierung basierend auf dem Analyseverlauf bei.

Echtzeitüberwachung über Datenpanel

Das System verfügt über ein Live-Datenpanel, das es den Wachleuten ermöglicht, die generierten Alarme in Echtzeit zu überwachen und so die unmittelbare Reaktionsfähigkeit zu verbessern.

WICHTIG: Um eine präzise Erkennung zu gewährleisten, erfordert das System, dass die Personen vorzugsweise frontal erfasst werden. Darüber hinaus sollten die Kameras nicht in übermäßiger Höhe installiert werden, insbesondere wenn kleine Objekte identifiziert oder Gesichtserkennung durchgeführt werden soll, da eine erhöhte Perspektive die Schärfe und Effektivität der Analyse verringert.

Beiträge in diesem Abschnitt