Журнал "Системы Безопасности" № 1‘2018

w w w . a l l - o v e r - i p . r u n A L L - O V E R - I P 67 распознавания высоки даже для таких средств индивидуальной защиты, как очки, причем на сравнительно небольших разре- шениях, – ошибки 1-го и 2-го рода состав- ляют порядка 5%. Анализ больших данных в задачах промышленности С точки зрения применения нейросетей в промышленности наиболее перспективными направлениями являются следующие: 1. Поиск полезных ископаемых. Объем дан- ных, генерируемый геологами, огромен, и новые методы на базе нейронных сетей поз- воляют выявить особенности, которые доста- точно часто приводят к ответу "да" в тех слу- чаях, где старые алгоритмы говорили "нет". 2. Транспортные и логистические задачи. Хотя они давно успешно решаются методами линейного программирования, но при огромной размерности процесс будет дол- гим. Обучение нейронной сети на решение транспортной задачи – действенный способ разрешения подобных ситуаций, если объем данных очень большой. 3. Предсказание неисправностей. Возможна не просто реакция на неисправность, а имен- но предсказание поведения системы, когда есть вероятность какого-то ЧП, например выброса химических веществ. По набору из 50–100 датчиков система должна обучаться как на успешных событиях, так и неприятных, которые имели место в про- шлом. Подобные задачи уже решаются – быстро и с хорошими показателями. Что можно добавить на борт камеры? Когда мы говорим о том, какие алгоритмы интеллектуального видеонаблюдения можно добавить на борт камеры, то очень многое зависит от чипа (его архитектуры, процессо- ра, памяти), который используется для обра- ботки изображений – он получает картинку с матрицы и дальше отправляет ее в сеть. Многие производители открывают доступ к этому чипу, поскольку он практически всегда недогружен и в него можно встраивать модули видеоанализа. На данный момент в качестве чипа в камерах высокой ценовой категории используется в основном SoC (System on a Chip) на базе про- цессоров ARM, в которых есть интегрируе- мые Floating Point Unit или Neon. Стоит отметить, что общие недостатки клас- сических процессоров перевешивают их плюсы. По сути, плюс только в том, что у них достаточное количество оперативной памяти для загрузки в память нейронной сети. Но ISP в чипе практически всегда закрыт – ни один вендор не открывает ISP, хотя по умолчанию в SoC он доступен для разработчиков. Практически все производители экономят на количестве памяти FLASH и RAM – урезают ее донельзя, пытаясь удешевить свое реше- ние. Это приводит к катастрофе, когда начи- нается импорт новых алгоритмов. С алгорит- мами предыдущего поколения (обнаруже- ние лиц или движущихся объектов) нет никаких проблем, но сделать что-то на базе глубоких нейронных сетей получается очень редко. Кроме того, до сих пор даже в достаточно дорогих камерах находится SoC с очень сла- бым CPU – в основном Cortex-A7, Cortex-A8, Cortex-A9. Дата выхода этих процессоров – 2012–2014 гг., новые ядра ARM в текущих SoC практически не применяются. Архитектуры от NVIDIA и Intel (Altera) FPGA пока не используются в камерах – это доро- го. Архитектуры от NVIDIA представляют больший интерес, поскольку на данный момент все фреймворки для обучения глу- боких сетей реализованы с использованием NVIDIA CUDA SDK. После обучения алгорит- мов практически ничего не придется делать с нейронной сетью, чтобы заставить ее рабо- тать, к примеру, на NVIDIA Jetson, в то время как для плат Intel нужно полностью переде- лывать и оптимизировать библиотеки рабо- ты с нейронными сетями. Тем не менее эффект хороший – в данных SoC есть доста- точно места, чтобы внедрить нейронную сеть www.secuteck.ru февраль – март 2018 Прошлое поколение систем видеоаналитики Новое поколение систем видеоаналитики Наиболее перспективные направления для применения нейросетей