Segurilatam 011

82 Segundo cuatrimestre 2019 artículo técnico CCTV y Control de Accesos L a disponibilidad de enormes cantidades de datos (Big Data), sobre todo en imagen, vídeo y texto, proporciona la “materia prima” para entrenar modelos complejos de redes neuronales, más conocidos como modelos de aprendizaje profundo o deep learning. Los grandes avances tecnológicos nos han permitido disponer de gran- des capacidades de computación a precios asequibles. El desarrollo de las diferentes opciones para implemen- tar el aprendizaje automático a nivel hardware por los diferentes fabricantes, apostando por enfoques distintos so- bre cómo construir la arquitectura más adecuada para cada aplicación de inte- ligencia artificial –como, por ejemplo, GPU, TPU, NPU o FPGA–, con sus conse- cuentes ventajas e inconvenientes, ha propiciado la disponibilidad de podero- sas herramientas para desarrollar solu- ciones para entrenar modelos comple- jos de redes neuronales. La aplicación de esta tecnología al procesado de vídeo ha repercutido di- rectamente en la creación de potentes algoritmos basados en redes neurona- les artificiales capaces de procesar ingen- tes cantidades de datos proporcionados por las imágenes, así como entrenar mo- delos con billones de parámetros. Pode- mos afirmar que la inteligencia artificial está aportando avances inimaginables hace tan solo pocos años en aplicacio- nes donde el vídeo está presente. Sistemas DAI El deep learning en sistemas DAI (Detec- ción Automática de Incidentes) nos pro- porciona una solución fiable para la de- tección de incidentes y anomalías en el tráfico, no solo en las típicas aplicacio- nes en túneles, sino también en carrete- ras e intersecciones. Los sistemas DAI que trabajan con deep learning están basados en un pe- culiar y realista método matemático de seguimiento de objetos en movimiento 3D, reduciendo drásticamente las fal- sas alarmas y simplificando al máximo la calibración de los algoritmos de trá- fico deseados. Con el uso de la inteligencia artifi- cial y el aprendizaje profundo, las fal- sas alarmas se reducen aún más. De hecho, el software es capaz de identifi- car los tipos de objeto que se mueven por la escena, reduciendo los proble- mas típicos de un sistema DAI estándar como las oclusiones que dificultan el proceso de análisis. Además, los problemas causados por baja iluminación y malas condiciones climatológicas, donde usualmente se usan cámaras térmicas para mantener los rangos de detección, pueden ser drásticamente reducidos, permitiendo incluso el uso de cámaras CCTV en rango visible en exteriores, todo ello sin pérdida en el rendimiento en la capa- cidad de análisis. Asimismo, tendremos mucha más flexibilidad en la ubicación de la cámara gracias a la capacidad del software de distinguir objetos, incluso si están muy cerca uno del otro. Podemos asegurar que, si las condi- ciones ambientales no son suficientes para ejecutar el análisis de tráfico ade- cuadamente sin el uso de otras tecno- logías como la térmica, el software ba- sado en deep learning es la opción per- fecta para mantener altos rendimientos con el uso de cámaras estándar en rango visible. Sistemas OCR El uso de redes neuronales y de visión artificial es una potentísima herramienta en los sistemas de reconocimiento óp- tico de caracteres. Eleva la fiabilidad de lectura hasta un 98%, incluso a muy al- tas velocidades en modo Free Flow . Estos sistemas de reconocimiento au- tomático de matrículas nos proporcio- nan detección y reconocimiento de las placas de vehículos y ciclomotores, con una tolerancia a la perspectiva inalcan- Roberto Montejano KAM & BDM de Casmar Electrónica Aplicaciones de inteligencia artificial en soluciones basadas en vídeo