Jak działa analiza wideo AI i jak podłączyć Camect do Safestara?
O filmie
Nagranie webinaru o analizie wideo w monitoringu. Dowiesz się, czym różni się detekcja ruchu, analiza obiektowa i analiza AI, a potem zobaczysz, jak uruchomić hub Camect, dodać do niego kamery i podłączyć go do Safestara jako urządzenie wideo i analitykę.
W filmie dowiesz się
- czym różnią się detekcja ruchu, analiza obiektowa i analiza AI (machine learning, deep learning, sieci neuronowe) i ile pikseli na cel potrzebuje każda z nich,
- jak Camect przetwarza obraz i nagrania lokalnie, co przechodzi przez chmurę i jak alerty trafiają bezpośrednio do stacji monitorowania,
- jak uruchomić hub Camect przez home.camect.com, dodać kamery i utworzyć użytkownika dla stacji monitorowania,
- jak wybrać rodzaje wykrywanych obiektów i odfiltrować np. zwierzęta,
- jak dodać Camect w Safestarze w dwóch krokach (urządzenie wideo i Analityka Camect) oraz jak wyglądają zdarzenia z animowanym podglądem.
Rozdziały
- 0:00Wprowadzenie
- 1:13Detekcja ruchu i analiza obiektowa
- 4:15Analiza AI: machine learning i deep learning
- 7:07Sieci neuronowe na przykładzie ChatGPT
- 9:18AI w monitoringu – rozwiązanie Camect
- 11:07Prywatność, przetwarzanie lokalne i pobór mocy
- 13:50Aplikacja mobilna i powiadomienia
- 15:20Douczanie algorytmu na zgłoszonych nagraniach
- 16:43Aplikacja a chmura – pytanie z czatu
- 23:01Skuteczność odrzucania fałszywych alarmów
- 24:05Przykłady nagrań i tryb long range
- 25:53Modele Camect 24 i 60
- 27:06Korzyści dla instalatora, operatora i klienta
- 28:22Pierwsze uruchomienie huba
- 30:16Dodawanie kamer
- 32:13Użytkownik dla stacji monitorowania i rodzaje obiektów
- 33:57Zdarzenia w interfejsie Camect
- 35:02Konfiguracja alertów w Camect
- 36:10Dodawanie Camecta w Safestarze
- 38:18Zdarzenia z Camecta w Safestarze
Transkrypcja
Pokaż transkrypcję
Artur się przygotowuje. Tak jak Krzysztof wspomniał, najpierw Artur opowie o urządzeniach Camect od strony tego, co one potrafią. Też od strony konfiguracyjnej, jak to mamy w Safestarze, jak to skonfigurować, żeby wysyłać zdarzenia do Safestara, a ja później pokażę od strony Safestara, z czym to się je. Oddaję głos do studia w Warszawie. Dobra, dzięki bardzo.
Studio, dziękuję za oddanie głosu. Przelecimy tematykę analizy wideo. Jako że Krzysiek wspomniał, że chcielibyście dostać troszeczkę wiedzy, to bardzo chętnie, nie widzę problemu. Opowiemy sobie trochę o tej technice i o tym, jak to wszystko działa. Slajdy, mam nadzieję, widać.
Wydaje mi się, że wszystko jest OK.
Jeżeli chodzi o analizę wideo samą w sobie: na początku była detekcja ruchu. Na temat detekcji ruchu nawet nie robiłem slajdu, jest to po prostu grupowanie, a raczej nie jest to grupowanie pikseli. Jest to wykrywanie zmian na pojedynczych pikselach, czyli jak dany piksel zmieni się o określoną wartość, generujemy sygnał detekcji ruchu. Później, na przykładzie naszych rozwiązań, mamy analizę obiektową w urządzeniach, na przykład FastTrace, IntrusionTrace – produkt Xtralis, obecnie pod skrzydłami Honeywella. Tam mamy czystą analizę obiektową, czyli analiza obiektowa, jak widzimy tutaj na ekranie, sortuje piksele, oddziela ruchome od nieruchomych i na tej podstawie budujemy zdarzenie.
No i coś, co od paru lat króluje, czyli analiza AI. Rozwija się ona powoli na różne sposoby i na ten temat też powiem parę słów. Jeżeli chodzi o analizę, to teraz tak. Analiza obiektowa, tak jak wspomniałem, polega na tym, że wyciągamy z nieruchomego tła ruchome elementy. Te elementy grupujemy w obiekty i na podstawie tych obiektów generujemy określone zdarzenia i alarmy.
Żeby taką analizę uzyskać, musimy najpierw odpowiednio skalibrować kamerę i scenę. To przez postawienie odpowiednich znaczników na początku i końcu, a czasami też pośrodku danej sceny. Dzięki tej pracy, którą wkładamy na początku, czyli kalibracji, mamy możliwość określenia wielkości obiektu, prędkości obiektu, mamy całą głębię sceny, czyli wiemy, że ten obiekt blisko ma 200 pikseli, a ten obiekt daleko ma powiedzmy 20 pikseli. Na tej podstawie jesteśmy w stanie określić, że to nadal jest ten sam obiekt tej samej wielkości, czy porusza się z tą samą prędkością, ponieważ mamy względne odległości określone na obrazie. Dzięki takiemu podejściu do analizy wystarczą nam 4 piksele na cel, aby poprawnie funkcjonować i wykrywać obiekty.
Czyli z punktu widzenia rejestratora pracujemy na drugich strumieniach. Wystarczy nam strumień CIF-owy czy VGA. CIF, VGA – to są rozdzielczości w zupełności wystarczające do pracy takiej klasycznej analizy wideo. Przechodząc dalej: analiza AI, sztuczna inteligencja, to jest zbiór różnych mechanizmów, które funkcjonują w ramach Artificial Intelligence, czyli mamy machine learning, a w środku machine learningu mamy deep learning. Jest to kolejna ewolucja, kolejne rozwinięcie tych analiz.
Machine learning działa w ten sposób, że na poziomie projektowania programiści tworzą scenariusz, jakiś skrypt, taki jak tutaj widzimy po prawej stronie, na podstawie którego analiza określa cechy szczególne. W zasadzie w każdej sztucznej inteligencji, o której mówimy na ten moment, ważna jest baza, na której analiza się uczy, czyli baza zdjęć, baza nagrań wideo, na której ta analiza rozwija swoje umiejętności. W klasycznym podejściu mamy jasno narzucone szczegóły. Tutaj mamy kolory. W warstwie następnej mamy krawędzie, w warstwie kolejnej kontury i w kolejnej charakterystyczne obiekty.
Analiza AI, przechodząc przez wszystkie te segmenty, analizuje obraz, który dostała z kamery. Na tej podstawie z pewnym prawdopodobieństwem określa, czy jest to człowiek, samochód czy zwierzę, bo mamy tutaj analizę stworzoną na trzech standardach. W deep learningu jest troszeczkę inaczej, to znaczy praca programisty jest przeniesiona w inne miejsce. Deep learning zaczyna już iść we właściwą stronę, czyli analiza AI dostaje poniekąd pewną swobodę w określaniu tego, jak będzie rozróżniała, czy to jest człowiek, czy pojazd. Ta analiza dostaje już troszeczkę wolności, ale w ramach określonych przez programistów, którzy stworzyli taki algorytm.
Analiza AI rozróżnia kształty, rozróżnia kolor obiektu. Bazuje na porównywaniu do wzorców, ale analiza AI nie będzie znała rozmiarów obiektów. Nie będzie znała głębi, ponieważ nie ma tego, co robiliśmy w poprzednim kroku. No i analiza AI, ponieważ działa na metodzie porównawczej, wymaga dużo większych danych do obróbki, aby osiągnąć cel. W tym przypadku 50 pikseli na cel to jest rekomendowane minimum, żeby analiza AI działała poprawnie i była w stanie określić, czy dany obiekt jest zgodny z takim, a nie innym wzorcem.
To są kwestie, którymi różni się jedna analiza od drugiej. Pojawiło się jakiś czas temu to, o czym Krzysztof wspomniał, czyli chociażby ChatGPT. Całkiem fajne narzędzie. Stwierdziłem, że nie będę pisał artykułu. Dam czatowi napisać coś o analizie wideo i sztucznej inteligencji.
I jak widzicie, wyprodukował taką rozprawkę. „Analiza wideo i sztuczna inteligencja to dwa związane ze sobą obszary, które znajdują zastosowanie w dziedzinie przetwarzania wideo i analizy danych”. Jego wypracowanie tego nie dotyka. OpenAI, czyli spółka odpowiedzialna m.in. za tworzenie ChatGPT, poszła tą drogą, że użyła sieci neuronowych, czyli to jest jeszcze inne, wielowarstwowe podejście do analizy AI.
Trzeba by zrobić osobny wykład albo dwa, żeby omówić, jak to funkcjonuje, ale przyjmijmy w dużym skrócie, że działa to w ten sposób, że mamy wielowarstwowość, nadal jest baza danych, w przypadku ChatGPT jest to baza danych tekstowych. Kolejny przykład, też jeden z produktów OpenAI, czyli generowanie obrazów na podstawie zapytania, które wysyła użytkownik. Zapytanie: „humanoid person versus a strongman, realistic photo”. Czy to jest realistic photo? Zależy, jak mu się uda.
Pewnie przy wygenerowaniu 20 zdjęć któreś byłoby w miarę realistic.
I tak to działa. Analiza w oparciu o sieci neuronowe, zresztą każda analiza AI, jest tak dobra, jak dobra jest jej baza danych, tych wejściowych nagrań wideo, na których algorytmy się uczą. Na początku, jak się rozwijały analizy AI, na przykład osoby o czarnej skórze były pomijane. A były pomijane, bo nie było ich w bazie do nauki tych algorytmów. Więc w tych tematach cały czas istotny jest rozwój i poszerzanie bazy danych, aby osiągnąć dobre, fajne wyniki.
Czy to ma sens z punktu widzenia naszego monitoringu, jeżeli chodzi o rozwiązania AI w security? Zakładam, że część z was, jak nie wszyscy, miała już styczność i możliwość przetestowania rozwiązań, które pojawiły się rok, dwa, trzy lata temu. Mogliście ocenić, czy te rozwiązania działają lepiej, czy gorzej, w jaki sposób funkcjonowały. Ja wam przedstawię kolejne rozwiązanie, którego do tej pory nie mieliście okazji spotkać, bo działa właśnie w oparciu o sieci neuronowe, czyli algorytmy, na których między innymi bazuje OpenAI w swoich produktach. Jest to rozwiązanie Camect.
Teraz parę słów historii. Camect założyło dwóch chłopaków z Google'a, inżynierów, którzy stwierdzili, że mają już dosyć pracy dla korpo, i skorzystali z tego, co mieli ze swojej wiedzy. Co jest fajne – chociażby dzisiaj miałem okazję z nimi korespondować – cały czas pracują jako inżynierowie przy rozwoju i wsparciu. Są założycielami firmy, ale zajmują się otoczką techniczną i kwestiami związanymi z funkcjonowaniem produktu. Jeżeli chodzi o rozwój, dla nich istotne były dwa aspekty.
Pierwszy to optymalizacja detekcji. Osiągnięcie najwyższej możliwej skuteczności na w miarę prostym sprzęcie. Druga kwestia to prywatność. Stworzyli urządzenie w ten sposób, że wszystkie dane, które znajdują się na urządzeniu, zostają na tym urządzeniu. Nie fruwają do chmury, nie lecą do analizy gdzieś w serwerowni, cała obróbka odbywa się lokalnie na urządzeniu, łącznie z nagrywaniem.
U nas, w Polsce, jest tak, że z jednej strony wszyscy boją się chmury, a z drugiej by ją chcieli. Tu mamy rozwiązanie pośrednie, czyli z jednej strony mamy dostęp do chmury, ale z drugiej strony wszystkie materiały, nagrania są zachowywane lokalnie. Jeżeli ktoś na przykład nie chce, żeby urządzenie w ogóle miało dostęp do internetu, to oczywiście nie będzie tutaj partnerem, bo jeżeli nie ma dostępu, to nie jest podpięte do stacji monitorowania. Ale urządzenie może tak funkcjonować, że dane są tylko i wyłącznie lokalnie na danym urządzeniu.
Jeżeli chodzi o dodawanie kamer i protokoły, nie ma żadnego problemu, podpinamy wszystko, co chcemy i jak chcemy, czy ONVIF, czy RTSP, ta lista jest długa, zresztą pokażę Wam to na urządzeniu. Trochę już wyprzedziłem temat: mamy 100% analityki i nagrywania lokalnie na urządzeniu. I teraz niski pobór mocy – to jest słowo klucz, do którego chciałem się odnieść. Taki Camect w wersji 24-megapikselowej pobiera w szczycie 15 W, a średnio mniej niż 10, czyli tyle co typowy rejestrator. Jest w stanie obsłużyć w tym przypadku 24 megapiksele, jeżeli chodzi o obróbkę analizy wideo.
Więc chociażby z tego punktu widzenia wszystko dzieje się w tym jednym małym urządzeniu. W ramach tych 10 W energii jest robiona cała obróbka i cały proces nagrywania. Wiecie, że sam laptop bierze co najmniej dwa razy tyle, a komputer stacjonarny, na którym chcielibyście odpalić coś większego, będzie brał relatywnie więcej. Arturze, pozwól, że wtrącę, bo mieliśmy tutaj takie pytania. A propos tych 24 megapikseli, o których mówiłeś – chyba że będziesz o tym mówił później – żeby ta kwestia nie umknęła.
I teraz tak. To, co ja osobiście bardzo lubię, to prostota tego systemu i jego funkcjonowania. Już z punktu widzenia użytkownika końcowego. To, co widzicie teraz na slajdzie, to aplikacja na telefonie.
Po prostu zainstalowana, czy to Android, czy iOS, nie ma problemu. Dostajecie powiadomienie o zdarzeniu. Przyjechał samochód na Wasz podjazd. Wchodzi powiadomienie, mamy je tutaj. Klikamy w to powiadomienie, widzimy na slajdzie, że był tam samochód, przechodzimy dokładnie do tego konkretnego miejsca, do tego konkretnego zdarzenia, macie opis, że to jest samochód, macie ścieżkę, którą podążał, macie timeline. To działa tak prosto i tak intuicyjnie, że trzeba tego doświadczyć, nie da się tego opisać słowami. Można powiedzieć, że każde urządzenie działa lepiej lub gorzej, ale jak dla mnie to jest po prostu zrobione bardzo, bardzo elastycznie.
Połączenie jest zrobione bezpiecznie, chłopaki mają własny patent na zabezpieczenie i szyfrowanie danych. Trochę jak VPN, ale używają innej metody. Można do tego używać aplikacji mobilnej, ale też Telegrama do alertów, można używać po prostu przeglądarki, można też użyć maila do alertów. I to, co będziemy dalej pokazywać: Camect nie rozróżnia dwóch, trzech typów obiektów, tylko jest w stanie rozróżnić ponad 30 różnych obiektów i pokazać je w alarmach. A czy to ma sens?
To później Wam pokażę na konkretnych przykładach zdarzeń. I teraz to, o czym mówiłem, jeśli chodzi o rozwój. Umówmy się, wszystkie produkty związane z AI są cały czas w fazie rozwoju i cały czas się uczą. Baza danych wideo jest o tyle ważna, że z każdym kolejnym update'em algorytm staje się coraz lepszy. I to się dzieje chociażby we wspomnianym wcześniej ChatGPT.
Z tego, co pamiętam, chłopaki mówili, że ChatGPT może nawet w najbliższej wersji stać się trochę gorszy od poprzednika, ale to właśnie dlatego, że się uczy: cofa się o krok, żeby potem zrobić kolejne 3 kroki naprzód. Więc baza danych wejściowych jest tutaj ważna. Jeżeli chodzi o Camect: jeżeli macie zdarzenie, które się nie sprawdza, to znaczy jest błędne, błędnie określone, nienazwane, możecie zrobić szybki strzał: zgłosić komentarz, zgłosić raport, udostępnić ten kawałek materiału wideo do bazy danych i algorytm zostanie douczony na waszym konkretnym nagraniu. Na waszym konkretnym kawałku nagrania. Takie update'y wychodzą średnio raz na miesiąc i wraz z nowym update'em dostajecie algorytm douczony na tym konkretnym zdarzeniu, które Wam akurat nie pasowało.
To jest jeden z przykładów, o których warto pamiętać, jeżeli chodzi o rozwój takiego produktu. Artur, przepraszam Cię. Wiesz co, Roman zadał pytanie na czacie. Możesz nie zwracać na to uwagi. Ale jest takie pytanie w kontekście chmury: czy ta apka łączy się z urządzeniem, czy z chmurą?
Jeżeli chodzi o połączenia, są dwie kwestie. Apka kliencka łączy się z chmurą. Natomiast stacja monitorowania łączy się bezpośrednio. Czyli z punktu widzenia użytkownika mamy elastyczność, ale z punktu widzenia stacji monitorowania chcemy mieć pewność połączenia. Mam to też w dalszych slajdach, ale odpowiadam na bieżąco, wywołany.
Dobrze, dobrze, to jest ważny kontekst, słuchajcie, mogę tylko chwilkę skomentować. To, że część z Was na przykład jeszcze używa aplikacji mobilnych, które łączą się z urządzeniami pod jakimś adresem IP albo, nie daj Boże, z jakimś tak zwanym serwerem w biurze, to jest archaizm, który będzie odchodził w niepamięć. Dlaczego? Dlatego, że deweloperzy aplikacji mobilnych nie są w stanie zapewnić właściwego bezpieczeństwa tego typu połączeniom. I w ogóle sklepy z aplikacjami będą generalnie odrzucać aplikacje, które łączą się nie wiadomo gdzie i nie wiadomo jak, bez szyfrowania i tak dalej.
To jest bardzo dobre pytanie, Roman, bardzo Ci za nie dziękuję, ale w tym pytaniu widzę właśnie takie zagrożenie, że są jeszcze takie przyzwyczajenia: mam aplikację, wpiszę adres IP i port i ona się połączy. OK, ale to już było. W tej chwili większość nowoczesnych, współczesnych urządzeń, jakkolwiek to nazwać, łączy się przez chmurę, i nawet nowe wersje innych aplikacji. Tutaj na początku powiedziano, że wszystko jest w boksie. No tak, słuchajcie, z czego wynika taka narracja Artura Nowakowskiego?
Wynika z tego, że on przychodzi do agencji ochrony, a tam jest strach przed chmurą. Nie, tylko nie chmura, Boże, nie, chmura, Boże, nie. I on, biedny, musi tak manewrować, żeby wam powiedzieć, że to jest chmura, ale nie chmura, żeby wam się po prostu nie zrobiło przykro. I faktycznie część rzeczy to urządzenie wysyła bezpośrednio, do nas na przykład. Ale słuchajcie, fakt jest taki, że generalnie update'y są przez chmurę, maile są przez chmurę.
Wszystko idzie przez chmurę. Trzeba po prostu skończyć z tą demagogią. Po prostu. I to trzeba twardo powiedzieć. Także, Artur, Roman, bardzo Ci dziękuję, bo to są bardzo ważne pytania, zmierzające do tego, żeby powiedzieć sobie szczerze i otwarcie, gdzie jesteśmy, nie?
I przestać udawać, że coś jest inaczej. Więc bardzo Ci dziękuję. I, Arturze, w związku z tym chciałbym Cię poprosić o precyzyjne określanie, co to znaczy, że wszystko jest na boksie. Bo przecież jest wysyłka alertów, a pushy w ogóle nie da się zrealizować z samego urządzenia. Te pushe, które odbieracie w aplikacjach mobilnych, najpierw przelatują przez chmurę Camecta, która następnie łączy się z chmurą Google'a albo chmurą iOS-a, które te pushe wysyłają.
To wszystko jest przez chmurę, kochani. Dzisiaj już naprawdę niewiele rzeczy jest inaczej. Są jeszcze takie archaizmy w naszej branży, z jakichś tam powodów, ale w większości już jest chmura. Artur, jakbyś mógł też pod tym kątem zwracać na to uwagę. Pewnie.
Dajcie, bo to jest tak. Przepraszam. Artur, chodzi mi o to, żebyś, chcąc się dopasować do chmurowców i niechmurowców, nie zamazywał tego podziału.
Po prostu. Także przepraszam. Piszcie pytania, śledzę czat i, wybaczcie, będę troszkę przerywał prowadzącym, jeżeli nie będzie odpowiedzi. Kontynuujcie.
U nas jest strach przed chmurą, u nas to generalnie tak funkcjonuje. W Stanach chłopaki jeszcze inaczej podeszli do sprawy, ponieważ tam nie ma strachu. Tam w pewnej grupie osób jest zdecydowana niechęć do udostępniania swoich danych wideo w eterze. Mówię o Stanach, bo Camect został stworzony na dzień dobry na rynek amerykański, ale spójrzmy np. na Niemcy i ich podejście do Street View – poszanowanie prywatności na niespotykanym w Europie poziomie.
W Niemczech w Street View mamy tylko główne drogi, nic więcej, a u nas każdą dziurę możemy obejrzeć w Street View. Po prostu każda nacja ma swoje podejście do tych rozwiązań. Camect jest pewnego rodzaju balansem. Jeżeli ktoś bardzo się uprze i będzie chciał działać bezpośrednio, bez używania jakiejkolwiek chmury, oczywiście da się to zrobić. Można wystawić sobie port, przeglądarkę i używać urządzenia lokalnie, ale, jak wspomniał Krzysztof, nie będziemy mogli wtedy liczyć na powiadomienia typu push, co najwyżej na powiadomienia e-mail, a e-mail i tak przez kawałek jakiejś chmury przeleci, chyba że ktoś postawi swój serwer mailowy i będzie odbierał lokalnie, wtedy przejdzie to tylko przez łącze operatora.
To jest kwestia tego, jak głęboko chcemy iść w jedną czy w drugą stronę. Tak to wygląda. Ale wracając do naszej analityki. To, o czym mówiłem, czyli alerty i baza danych, dało taki, a nie inny wynik. Ten wynik to 99,67% fałszywych alarmów, które są odrzucane przez algorytm AI jako niewłaściwe, niepożądane, nieprawdziwe.
Urządzenie było testowane chociażby przez IPVM, amerykańskie czasopismo, które bazuje tylko na użytkownikach abonamentowych, nie używają reklam, marketingu i artykułów sponsorowanych, są daleko od tego, więc można przyjąć, że są w miarę wiarygodni. Przetestowali i stwierdzili, że to jeden z najlepszych analitycznych hubów, jakie do tej pory mieli możliwość oglądać. Chciałoby się powiedzieć, że to jakaś kosmiczna technologia, ale nic bardziej mylnego. Tutaj macie przykłady nagrań, z jakimi obrazami Camect musi sobie radzić. Mamy moją ulubioną muchę łażącą po ekranie, a w tle przejeżdżający samochód, który jest wykrywany jak najbardziej poprawnie.
Właśnie na tym polega rozróżnianie obiektów. Im większy mamy podział na różnorodne obiekty, tym lepiej jesteśmy w stanie określić, czym dany obiekt jest, i wyciąć go z danej sceny. Tu piękny padający deszcz. Nie ma problemu, znajdujemy człowieka na tym tle. Tu pajęczynki w lewym dolnym rogu, tak samo.
Kolejne przykłady nagrań. Mówiłem o pikselach: zasadniczo 50 pikseli na cel to pożądane minimum, jeżeli chodzi o algorytm AI, ale jak widzicie, na tych ekranach nie ma 50 pikseli na cel, jest dużo mniej. W Camekcie mamy też specjalną funkcję – long range. Nie jest to funkcja zalecana do używania na co dzień, natomiast jeżeli mamy jakiś system i chcemy wpiąć coś, co będzie lepiej działało niż obecne rozwiązanie, bo rejestrator jest stary, nie daje rady i mamy tysiąc fałszywych alarmów, to załączamy tryb long range. Mamy takie kamery, a nie inne, musimy pracować na tym, co mamy, a on jest w stanie zejść do 15–20 pikseli na cel i nadal w miarę poprawnie działać.
Oczywiście troszeczkę podnosimy ryzyko alarmów niepożądanych, ale mamy nadal działający system i zdecydowanie mniej fałszywych alarmów.
Odnośnie modeli: mamy dostępne dwa modele, model 24 i model 60, to jest ich rozdzielczość wyrażona w megapikselach, tzn. do modelu 24 możemy podpiąć 24 kamery o rozdzielczości 1 megapiksela albo 12 kamer 2-megapikselowych. I tak możemy stopniować. Mogą to być oczywiście różne kamery, możemy mieć część full HD, część 4-megapikselowych. Jeżeli okaże się, że zabrakło nam jednej kamery, dobra, mamy drugą, która jest 4-megapikselowa, OK, zjedziemy na 2 megapiksele i dołożymy jeszcze jedną.
To też jest rozwiązanie, które będzie jak najbardziej działać. Ta liczba megapikseli jest podana dla typowej sceny średnio aktywnej. Gdybyśmy potrzebowali obserwować ulicę i pilnować na niej ruchu, to wtedy będziemy musieli trochę z tą liczbą zjechać, natomiast to nie jest cel naszej ochrony, tak? My nie monitorujemy zatłoczonych ulic, tylko nasze obiekty, na których jest zasadniczo cicho. Jak nie jest na nich cicho, to znaczy, że ludzie są w pracy i ich nie monitorujemy, więc te liczby są optymalne z naszego punktu widzenia.
No i teraz to, co jest istotne z punktu widzenia każdego z was. Z punktu widzenia instalatora – za chwilę pokażę. Instalacja, czyli uruchomienie tego huba, to mniej więcej 5 minut z zegarkiem w ręku. Jeżeli chodzi o operatora – jak wcześniej wspomniałem – alerty są dostarczane bezpośrednio do stacji monitorowania. Czyli skracamy drogę, aby po pierwsze dostarczyć alarm jak najszybciej, po drugie jak najpewniej, czyli mamy alert bezpośredni, mamy potwierdzenie odebrania danych, typowy protokół używany w stacji monitorowania.
Nie ma tam nic odkrywczego. Z punktu widzenia centrum obsługi zmniejszamy koszty, ponieważ mamy mniej alarmów niż w przypadku systemów, powiedzmy, starszej generacji, w zasadzie 99%, czyli nie mamy ich prawie wcale. A z punktu widzenia klienta podejście do apki i przeglądarki jest tak wygodne i intuicyjne, że nie spotkałem konkurencyjnego rozwiązania. Jeżeli takie znajdziecie, pokażcie mi, z chęcią się zapoznam, ale na dzień dobry to jest całkiem fajne. Jak to działa na dzień dobry?
Pokazuję nagranie, żeby nic mi nie umknęło, ale generalnie tak to działa. Wpisujemy home.camect.com. Pierwsze logowanie, tak? Możemy się zalogować za pomocą jednego konta, czyli Google'a, Facebooka albo po prostu klasycznie za pomocą e-maila. Logując się za pomocą e-maila, możemy na późniejszym etapie założyć dodatkowe hasło, jeżeli chcemy, żeby konto było dodatkowo zabezpieczone, ale zasadniczo jest zabezpieczone tokenem.
Token jest ważny przez parę minut. Dokładnie przez 60, więc nie tak paru. Token jest ważny 60 minut. Jak widzicie, przyszedł e-mail, klikam, cyk i token jest już nieważny, bo został zużyty. Jesteśmy w czystym koncie, nie mamy w ogóle podłączonych hubów.
Huba mam uruchomionego lokalnie, w sieci lokalnej. Przy pierwszym uruchomieniu musimy go mieć w sieci lokalnej. Wyszukujemy go, dodajemy, ustawiamy pierwsze ustawienia – rekomendowane. Klikamy „I agree”. I huba mamy już dodanego do naszego konta.
Z tym kontem – jeżeli chodzi o używanie korporacyjne, to później wytłumaczysz dokładnie, o co chodzi – na razie jesteśmy po prostu na wstępnym etapie. Wpisujemy nazwę, niech to będzie nasz Camect.
Dobra, jesteśmy w urządzeniu i mamy przeglądarkę. Nie instalowałem tutaj żadnych pluginów, żadnych wtyczek, ona po prostu działa. Jedyny warunek to przeglądarka Chrome albo oparta na Chromium. Czyli musi być przeglądarka zgodna z Chrome, czyli mamy jeszcze Operę i wbudowanego Edge'a. Wyszukał mi automatycznie kamery, jak widzicie tutaj na dole.
Dla Axisa hasło jest fabryczne, a on znał hasła fabryczne, więc podłączył ten obraz. Jedyne, co muszę zrobić, to dodać username i password do kamery i będzie gotowe. Jeżeli chodzi o IP, generalnie pobiera adres z DHCP, można ustawić statyczny, jeżeli jest taka konieczność, ale co jest fajne: jeżeli znajdzie kamerę, która nie jest w jego podsieci, to jest w stanie dodać sobie dodatkową podsieć tylko po to, aby połączyć się z kamerą. Jest w stanie połączyć się nawet z kamerami, które teoretycznie nie powinny być osiągalne. Artur, przepraszam, przerywam, ale musisz troszkę przyspieszyć, bo to trwa już 34 minuty, a jeszcze 3 minuty mam w tym filmie.
A widzicie, przewijanie jest gotowe. Nie, sorry, nie będzie tak. Więc jesteśmy tutaj, tutaj i tutaj. Dodaliśmy kamery i teraz jesteśmy już w dodanych kamerach. Widzicie, jak człowiek chce przyspieszyć, to zwalnia.
Tu jesteśmy, dodaliśmy kamery, pozostałe wyłączyłem, żeby nam nie śmieciły. Z punktu widzenia stacji monitorowania: mamy dodane kamery, tutaj możemy jeszcze ograniczyć ich czas zapisu. Tutaj mamy użytkowników i dla stacji monitorowania musimy dodać nowego użytkownika, którym stacja monitorowania będzie łączyła się bezpośrednio. Tutaj mamy zdarzenia, czyli jakie rodzaje obiektów ma nam Camect wykrywać. Jak widzicie, oprócz fabrycznych samochodów, UPS-ów – jest w stanie rozróżniać nawet firmy kurierskie – rowerów, samochodów i tak dalej dorzuciłem jeszcze wszystkie zwierzęta, które jest w stanie rozróżnić.
Generalnie do niczego nie są nam potrzebne. Chyba że chodzi o filtrowanie – właśnie o to chodzi, że jeżeli jest w stanie rozróżnić zwierzęta, to jest w stanie je skutecznie odfiltrować, żeby nie mieć ich potem w zdarzeniach. Dorzuciłem więc sobie wszystkie, co w praktyce z waszego punktu widzenia nie będzie miało sensu. I w zasadzie tyle, Camect jest skonfigurowany. Jeszcze kontrolnie: dysk wbudowany 1 TB, w dużym, tym 60, jest bodajże 2 TB. To jest cała nasza platforma, myślę, że konfiguracja nie zajęła 5 minut.
Przykład używania – to już powiedzmy schowam, zrobimy to na żywym organizmie i oddam głos Arturowi. Mam przykład interfejsu, tak? Tutaj wyciągnę sobie konkretną kamerę.
Nie podpowiadaj mi. Mamy obraz na żywo. Tutaj na grafie mamy zdarzenia. Wszystko, co na niebiesko, to były jakiegoś rodzaju zdarzenia, ale nagrania są tutaj i wyciągamy tylko konkretne. O, widzicie, zobaczcie: UPS truck, czyli był w stanie z tego konkretnego zdarzenia rozróżnić, że nie jest to tylko ciężarówka, ale ciężarówka UPS-owa.
To jest nagranie z dzisiaj, sprzed 5 minut, więc bynajmniej nie było to nagranie ustawione specjalnie. Widzicie, tu mam truck, truck, truck. Tu mam car, mam person, tu mam bicycle and person. Zobaczcie tutaj, chciałem wam pokazać jedno zdarzenie, które widziałem wcześniej, czyli to, o czym mówiłem. Nagrywamy tylko ludzi, nie wyszukujemy zwierząt, zobaczycie.
W tym momencie wykrył nam person, a zwierzęta, które też jest w stanie wykryć, po prostu odrzucił, ponieważ to nie są alerty, które są nam do czegoś potrzebne. Jeśli chodzi o konfigurację od strony Camecta, robimy to w ustawieniach, jako alerty, zaznaczamy „Send alerts to Immix”, tak jak tutaj, powiedzmy. Podajemy numer konkretnego urządzenia, adres plus port i które kamery mają być wysyłane. Jeśli chodzi o Safestara, ten identyfikator będziecie mieli podany od strony Safestara przy dodawaniu urządzenia, to prawdopodobnie wrzucimy jutro, więc będziecie wiedzieć, co tutaj wpisać. W tej chwili mamy 1, 2, 3, 4, 5, 6, 7, 8, adres TCP, port.
Hub, czyli koncentrator od strony Safestara, jest póki co wspólny. Tutaj mamy też oczywiście to, co chcielibyśmy widzieć. To jest od strony samego Camecta. Od strony Safestara dodajemy to w dwóch krokach. Pierwszy to urządzenia wideo.
Wybieramy urządzenie Camect, serwerek, adres interfejsu – to już jest adres IP konkretnego urządzenia. Jak mówił Artur, podajemy konkretny adres IP plus konkretny port do obiektu, porty RTSP, użytkownika, hasło, klikamy „Dalej”. Nie różni się to niczym od tego, co doskonale znacie z innych urządzeń wideo. Mamy podany adres, możemy stworzyć widok i wybieramy konkretne kamery, które nas interesują, które kanały chcemy dodać, powiedzmy, że mamy włączone te dwa kanały. Klikamy „Zapisz”.
To jest dodanie urządzenia wideo. Natomiast żeby odbierać analitykę, dodajemy urządzenie Analityka Camect. Mam tutaj oczywiście wcześniej przygotowane urządzenie, na którym pokazujemy, Analityka Camect, i standardowo podajemy identyfikator, koncentrator Camect TCP, podpinamy do obiektu, czyli od strony Safestara nic nowego. Podpina się automatyczny profil. Ten profil możemy oczywiście edytować dla własnych potrzeb, każdy może ustawić, jak ma działać.
Dodatkowo uzupełniamy integrację. Jeśli uzupełnimy ją tymi samymi danymi, które mamy w wideo, pojawi się zakładka Sterowanie, gdzie możemy takie urządzenie uzbroić i rozbroić, na przykład za pomocą zaplanowanych zdarzeń czy akcji, czy samych alertów na podstawie innego zdarzenia. Na przykład ktoś uzbraja system alarmowy w obiekcie i wtedy uzbraja się też ta analityka. No i dalej typowe rzeczy, które już znacie, czyli powiedzmy ostatnie rekordy. Teraz garść przemyśleń i pokażę, co dostajemy w Safestarze.
Zgodnie z definicją mamy informacje typu „wykryto zdarzenie”, „wykryto pojazd”. Zdarzenia wpadają jako animowane. O, proszę bardzo, niereżyserowany deszcz w Poznaniu, gdzieś tam przejeżdżało auto. I z ciekawostek, o których mówił Artur: usiłowałem znaleźć w zdarzeniach fałszywe i powiem szczerze, na kilkaset zdarzeń, trochę klikałem, znalazłem dwa fałszywe, takie, które nic nie pokazywały. Standardowo podgląd wideo.
Pewnie zaraz coś się tam połączy. Do tego nagrania nam nie wchodzą, mamy przy każdym zdarzeniu te animowane rzeczy. W ramach ciekawostek wybrałem kilka nagrań. To, co widzieliście przed chwilą: dostaliśmy zdarzenie, które nazywa się „Człowiek na rowerze”, dokładnie było Bicycle i Person. Kolejne mogę pokazać, zobaczcie, co tutaj mamy: Truck.
To też są nagrania z wczoraj bodajże albo z dzisiaj. Odległość jest naprawdę dosyć duża. Tutaj mamy nagranie z termowizji, też całkiem fajnie to wygląda. Tu mamy kolejne nagranie, które pokazuje auto z dosyć sporej odległości. O, tutaj mamy osoby, podpięliśmy na żywo, mamy osoby.
Długość tego magazynu jest, bym powiedział, na bogato. Z drugiej strony będzie to samo nagranie z tego samego momentu, jak te osoby wychodzą z budynku i przechodzą gdzieś z tyłu do tamtego wejścia. Jeśli chodzi o analitykę, to całkiem przyzwoicie działa. To taka moja dygresja i obserwacje. Od mojej strony w dużym skrócie tyle, bo Krzysztof prosił, żeby się streszczać. Jeśli są pytania odnośnie podłączania Camecta do Safestara – raczej nie powinno być z tym problemów.
Mamy już na stronie instrukcję, jak to podłączać, opis słowno-muzyczny, więc można to sprawdzić. Tak jak powiedziałem, identyfikator będzie można powiedzieć losowy, dostaniecie identyfikator tak jak na przykład w Satelu i trzeba go będzie wklepać w samym Camekcie, jeżeli chodzi o całość podłączenia. Podłączenie do stacji monitorowania, tak jak pokazywałem, zajęło mi naprawdę dosłownie kilka minut, maksymalnie i mamy to wszystko zrobione. Z mojej strony tyle, w dużym skrócie. Nie wiem, czy Artur jeszcze do nas wróci, bo napisał, że padło mu łącze, taki urok.
Chyba kończę, nie wiemy, czy Artur jest w tym momencie na czacie. Znów oddaję głos do studia w Warszawie.
W dokumentacji
Dodawanie urządzeń – wszystkie artykuły (28)Camect – konfiguracja komunikacji i wideo
Strona Producenta: https://camect.com/ Strona Dystrybutora w Polsce: https://www.linc.pl Wstępna konfiguracja w Camect Należy zalogować się do urządzenia Camect poprzez przeglądarkę internetową Chrome…
Urządzenia wideo w Safestar
Zaawansowane integracje BCS Line Wideo: ✔ Sygnały: ✔ Nagrania: ✔ Uzbrajanie: ✔ Sygnał testowy: ✔ AI: ✔ PTZ: ✔ Maska Zdarzeń: ✔…
Automatyczne uzbrajanie i rozbrajanie urządzeń
Zautomatyzowanie uzbrajanie i rozbrajanie, zależne od harmonogramu, pojedynczego obiektu. Dotyczy analityki z kamer i rejestratorów: Dahua, HikVision, Ganz, Xtralis. W celu skonfigurowania…
