iGuard

A COVID-19 biztonsági előírások hatékony ellenőrzésére

Mesterséges intelligencia a COVID-19 biztonsági intézkedések szolgálatában

Munkahelyi biztonsági intézkedések monitorozása a COVID-19 fertőzés megelőzésének érdekében mesterséges intelligencia segítségével.

Az irodák, éttermek, sportközpontok, fodrászatok és egyéb helyek újra nyitása csak szigorú biztonsági intézkedések bevezetésével történhetett meg, melyek célja a cseppfertőzés eshetőségének visszaszorítása. Egyre több helyen telepítenek, hőkamerákat, fertőtlenítő géladagolókat, plexi-elválasztókat a biztonság és az üzemeltethetőség biztosítása érdekében.

A leírt intézkedések hasznosak, de  a vírus terjedésének elleni küzdelemben a sokszor alábecsült, ám kiemelkedően fontos magatartásforma a közösségi távolságtartás fenntartása, valamint az arcot eltakaró maszk viselése.  Az iGuard rendszert pont ezen tényezők ellenőrzésrére fejlesztettük ki.

A vírus terjedésének megelőzése jelenleg minden cég munkahelyi biztonsági listájának első pontja. Mi a mesterséges intelligenciát hívtuk segítségül egy hétköznapinak tűnő, de mégis kiemelkedően fontos problémakör megoldására. Az óvintézkedések betartása közös érdekünk.

Kifejezetten igaz ez most, a vírus második hullámában, ahol törekszünk a gazdasági és termelési tevékenységek fokozatos helyreállítására. Fókuszba kerül a fertőzés megelőzése a legalapvetőbb, személyes szinten. Az iGuard képes valós időben felismerni a maszkot nem viselő, vagy a távolságtartást mellőző egyéneket és figyelmeztetni a szabályok betartására. A gépi látást és neurális hálókat egyesítő megoldás elérhető szoftverként, vagy akár “all-in-one” eszközként is. 

További információkért keressen minket!

Hogyan működik az iGuard?

Az iGuard egy szoftveres platform, amely “al-in-one” készülékként is elérhető. A termék tökéletes céges környezetben a biztonsági óvintézkedések betartásának szűrésére, és a dolgozók figyelmeztetésére.

A készülék már alapvetően fel van szerelve kamerával és a következő funkciókat látja el:

  • A munkakörnyezet megfigyelése és emberi jelenlét érzékelése (egyéni azonosítás nem történik az európai uniós GDPR irányelvek miatt)
  • A biztonsági óvintézkedések betartásának megfigyelése különös figyelemmel a következő tényezőkre
    • maszk viselés
    • közösségi távolságtartás
  • Hangjelzés leadása az előző szempontok értékelése alapján
A berendezés használata és telepítése nagyon egyszerű. Telepítése nem igényel sem szerelést, de még internet kapcsolatot sem. A rendszer akár külső kamerákkal is bővíthető.
 
Nagyobb vállalatok számára, akik rendelkeznek már előre telepített biztonsági kamera rendszerrel, az iGuard elérhető szerver módban is.
Ajánlatkéréshez lépjen velünk kapcsolatba!

Technológia

Az iGuard nerurális háló

Gépi látás alatt a mesterséges intelligencia azon szakterületét értjük, ami vizuális információk feldolgozásával és értelmezésével foglalkozik.

Az iGuard alapját képező konvolúciós neurális hálózat képességei:

  • videóadás képkockánkénti elemzése valós időben
  • maszkot nem viselő emberi arcok felismerése (GDPR okok miatt nem azonosítjuk a személyt, csupán a jelenséget)
  • a helyiségben tartózkodó emberek közötti távolság mérése a videóadásból

Innováció

Az iGuard nerurális háló fejlesztésének története

A neurális háló a Faster R-CNN architektúrán alapul, ami konvolúciós hálózata segítségével találja meg és jelöli ki az emberi arcokat, továbbá képes azt is felismerni, hogy látható-e maszk a kijelölt területen.  Ez az architektúra bizonyult a legoptimálisabb választásnak a folyamat teljesítménye és a dedukció sebessége szempontjából.

A neurális háló betanításához egy olyan képi adatbázist használtunk fel, ahol maszkos és maszk nélküli emberek láthatóak. Ezt az adatbázist két fő komponensből hoztuk létre: a WIDER, amelyet az arcfelismeréshez használtunk és a MAFA, amely a maszkos példákat tartalmazza. A neurális hálót ezután Python és a PyTorch deep learning framework segítségével betanították be.

A modell teljesítményének ellenőrzésére a MAFA adatkészlet teszt szettjét használtuk és összehasonlítottuk a hasonló funkciójú modellekkel. A teszt eredményét a az adatkészlet nehézségének fényében érdemes kielemezni, és összehasonlítani a meglévő benchmark tesztekkel.

Copyright © 2019 – Hunify Laboratories Kft.