Ulkotiloissa tavallinen liiketunnistus tuottaa helposti turhia hälytyksiä. Varjot, lumi, sade, eläimet ja kasvillisuus tekevät ympäristöstä hankalan. Siksi AI-liiketunnistus on aluevalvonnassa hyödyllinen juuri väärähälytysten vähentämisen takia. Teknologia yksin ei kuitenkaan ratkaise ongelmaa — ratkaiseva tekijä on se, miten hälytysalueet on rajattu ja millaiset olosuhteet kulloinkin vallitsevat.
Miksi rajaus on tärkeämpi kuin äly ulkoalueella?
Jos raja on väärässä paikassa, hyväkään analytiikka ei pelasta tilannetta. Oikea suunnittelu alkaa siitä, missä poikkeavan liikkeen pitää näkyä ja missä normaalin liikkeen pitää jäädä rauhaan. Käytännössä tämä tarkoittaa, että ennen kuin AI-analytiikka otetaan käyttöön, pitää määritellä selkeästi: mitkä alueet ovat kiinnostavia, mitkä eivät, ja millaisilla reunaehdoilla hälytys laukeaa.
Klassinen virhe ulkoalueella on piirtää hälytysalue koko kamerakentän kokoiseksi. Tällöin jokainen kuvan laidassa heiluva oksa, ohiajava auto kadulla tai tuulen liikuttama muovipussi voi laukaista hälytyksen. Tehokkaampi tapa on rajata aktiivinen tunnistusalue ainoastaan niihin kohtiin, joissa poikkeava liike on merkityksellistä: porttialue, varaston ovi, aidan sisäpuoli. Muu alue jää passiiviseen tallennukseen, eikä se tuota hälytyksiä.
Rajausalueen lisäksi kannattaa hyödyntää suuntafilttereitä ja minimikokofilttereitä. Suuntafiltteri voi määrittää, että hälytys laukeaa vain kun liike suuntautuu tiettyyn suuntaan — esimerkiksi sisään päin portille, ei poispäin. Minimikoko estää pientä lintujen aiheuttamaa liikettä aktivoimasta hälytystä. Nämä parametrit ovat usein tärkeämpiä kuin itse AI-malli.
Miten AI erottaa erilaisia liikkeitä ulkoalueella?
Ajoneuvo, henkilö, satunnainen ympäristöliike ja toistuva normaali huoltoajoneuvo eivät ole sama asia. AI auttaa silloin, kun tämä ero pystytään kytkemään toimivaan hälytyslogiikkaan. Nykyiset AI-analytiikkaratkaisut pystyvät erottelemaan ihmisen, ajoneuvon ja eläimen toisistaan kohtalaisen luotettavasti hyvissä valaistusolosuhteissa. Hankaluudet alkavat, kun ympäristöolot muuttuvat.
Satava lumi tai rankka sade laskee tunnistustarkkuutta selvästi, koska ne lisäävät kuvassa liikkeen määrää ja heikentävät kohteen erottumista taustasta. Varjot — erityisesti nopeasti liikkuvat pilvenvarjot tai puiden varjot — voivat näyttää mallille ihmiseltä tai ajoneuvolta. Yöaikaan infrapunavalaistun kameran kuvanlaatu vaikuttaa suoraan siihen, pystyykö AI erottelemaan kohteet luotettavasti.
Käytännön suositus on kalibroida AI-analytiikka erikseen eri ajankohdille tai olosuhteille, jos järjestelmä mahdollistaa sen. Talviasetus ja kesäasetus voivat erota toisistaan rajauksiltaan ja herkkyystasoiltaan merkittävästi. Joissain järjestelmissä tämä onnistuu aikatauluttamalla eri profiileja vuodenajan mukaan.
Miten AI vähentää hälytysväsymystä ulkoaluevalvonnassa?
Kun järjestelmä näyttää vain oikeasti kiinnostavat tapahtumat, käyttäjä alkaa luottaa siihen. Tämä on ulkoaluevalvonnassa iso käytännön hyöty. Hälytysväsymys syntyy, kun henkilö saa toistuvasti hälytyksiä, jotka osoittautuvat merkityksettömiksi. Aluksi hän tarkistaa jokaisen, sitten joka toisen, lopulta ei enää yhtäkään — ja juuri silloin todellinen poikkeama voi jäädä huomaamatta.
Tutkimustiedon valossa hälytysväsymys on yksi valvontajärjestelmien suurimmista operatiivisista riskeistä. Jos järjestelmä tuottaa satoja hälytyksiä viikossa, joista vain muutama on relevantti, henkilökunnan luottamus järjestelmään romahtaa nopeasti. Väärähälytysten vähentäminen 80 prosentilla ei tarkoita, että valvonta heikkenee — se tarkoittaa, että jokainen jäljelle jäävä hälytys otetaan vakavasti.
AI:n avulla voidaan myös asettaa eri prioriteettitasoja eri hälytystyypeille. Henkilöliike aidatun varaston oven edessä yöaikaan on eri prioriteetti kuin huoltoauton saapuminen pihaan arkipäivänä. Hyvä hälytyslogiikka ohjaa oikean prioriteettitason oikealle vastaanottajalle — vartiointiyhtiölle, vahtimestarille tai puhelimeen — eikä lähetä kaikkea kaikille.
AI-liiketunnistuksen käyttöönotto kannattaa tehdä vaiheistettuna: ensin otetaan käyttöön perusrajaukset, annetaan järjestelmän tuottaa hälytyksiä viikko tai kaksi, analysoidaan mitä tuli — ja säädetään sen perusteella. Yksi hyvin kalibroitu kamera on arvokkaampi kuin kymmenen huonosti rajattua.
Yhteenveto
AI-liiketunnistus ulkoalueella on hyödyllisintä silloin, kun hälytysalueet on rajattu tarkasti ja hälytyslogiikka on kalibroitu vuodenajan ja käyttöajan mukaan. Suuntafiltterit ja minimikokofiltterit vähentävät väärähälytyksiä tehokkaammin kuin pelkkä tekoälyalgoritmin vaihto. Hyvin säädetty järjestelmä voi vähentää väärähälytyksiä jopa 80 %. Selvitä ulkotilojen AI-analytiikan hyödyt.
