מערכת AI לניטור היקפי: זיהוי, מעקב, זיהוי אובייקטים

ניטור היקפי מבוסס AI: היכן נכשלת אבטחה קלאסית

היקף קלאסי נשען על כמה הנחות: "תנועה בגזרה = פורץ" ו"המצלמה רואה את כל השטח". באובייקט אמיתי שתיהן נשברות. החיישן קולט ענף מתנדנד, חתול או התחממות של מעגל תרמי — המפעיל מקבל עשרות התראות במשמרת, מתרגל לזרם ומפסיק להגיב לחדירה אמיתית.

זו אינה חוסר תשומת לב, אלא תגובה צפויה לרעש: ככל ששיעור ההתראות השווא גבוה יותר, כך נמוכה ההסתברות שהתראה אמיתית תטופל.

צוואר הבקבוק השני — גיאומטריה. עיקולים בגדר, הפרשי תבליט, חיבורים למבנים ופינות מתות בין מצלמות יוצרים אזורים עיוורים, שבהם חציית ההיקף פשוט אינה נרשמת. השלישי — הפער בין מצלמות: הפורץ עובר מגזרה לגזרה, ובמקום מסלול אחד המערכת מספקת אוסף של התראות לא מקושרות. בזמן שהמפעיל מאחד אותן ידנית בראש, הזמן ליירוט אובד.

ניטור היקפי מבוסס AI סוגר בדיוק את שלושת הכשלים הללו. זיהוי אובייקטים מאומן להבחין בין אדם ורכב לבין ענפים, בעלי חיים וצללים — התראות השווא יורדות פי כמה, והמפעיל שוב סומך על האות.

מעקב אחר הפורץ שומר על מזהה אחד במעבר בין מצלמות, ולכן המסלול נאסף לשרשרת ולא מתפרק לפריימים בודדים. אזורים עיוורים מכוסים בחפיפת שדות ראייה ובלוגיקה של השלמת מסלול לפי המיקום היציב האחרון.

מפרקים כיצד זה נסגר באובייקט קונקרטי — מפריסת המצלמות ועד ללוגיקת ההתראות.

מה נותנת זיהוי AI ומעקב בפרימטר

ניטור פרימטר מבוסס AI מתחיל בזיהוי: המודל מאתר אובייקט בפריים ומחזיר קואורדינטות, המעקב מקשר בין ממצאים בפריימים שונים למסלול אחד, וזיהוי אובייקטים מבדיל בין אדם לבעל חיים, לתחבורה ולמשחקי אור. לאחר מכן פועלת לוגיקת האזורים: חציית קו, התקרבות לגדר, עצירה באזור אסור. התראה מופעלת לא על תנועה בפריים, אלא על אירוע עם כיוון וסוג אובייקט.

על זה בדיוק בנויה דיוק הזיהוי. המפעיל מקבל לא זרם של הפעלות, אלא רשימה קצרה של אירועים מאושרים עם קטע הקלטה לפני ואחרי. התראות שווא מענפים, שלג, פנסים ובעלי חיים קטנים נחסמות ברמת המודל והחוקים, ולכן זמן התגובה יורד: במקום לנתח עשרות אותות, המשמרת מטפלת בודדים.

סוג הכשל "החמצת מפר" נסגר בכך שהזיהוי פועל על כל הקו, ולא בנקודות תצפית בודדות, ואינו תלוי בקשב של אדם בדקה מסוימת.

בנפרד נפתרת המשימה בלילה ובמזג אוויר גרוע: תאורת אינפרא אדום, מספר מצלמות עם חפיפת אזורים, עמידות לרעידות התורן. אם אובייקט נעלם לשנייה מאחורי מכשול, המעקב משלים את המסלול לפי פריימים סמוכים ואינו מאבד את המטרה. בפלט — אירוע עם חתימת זמן, סוג אובייקט וקישור לארכיון, המתאים לניתוח ולהעברה לשירות האבטחה.

האפקט נמדד בשלושה מספרים: שיעור התראות השווא, זמן ממוצע מהאירוע ועד החלטת המפעיל ושיעור ההפרות שתועדו בהתקרבות, ולא ליד האובייקט. מדדים אלה נמדדים על מדגם מוכתב של הקלטות מהפרימטר שלך לפני ההטמעה ואחריה — כך רואים מה השתנה בזכות המודל, ולא בגלל החלפת מצלמות.

מצבי עבודה של המערכת: השוואת גישות

מצב האנליטיקה נבחר לא לפי "כמה הוא מודרני", אלא לפי היכן פיזית ניתן להריץ את המודל ומה קורה לערוץ התקשורת בעת אובדנו. בפריפריה זה קריטי: מצלמה באתר מרוחק ומצלמה בבית מלאכה עם סיב אופטי עד לחדר השרתים — אלו שני סוגים שונים של משימות, ואותו גלאי מתנהג בהם באופן שונה.

להלן ארבע תוכניות שבהן באמת בוחרים באתרים. השילוב בטבלה מופיע אחרון לא כ"טוב ביותר", אלא כפשרה שלרוב מתגלה כמעשית: חלק מהפריימים מעובדים במקום, ומקרים שנויים במחלוקת נשלחים לשרת.

ההבדל בין התוכניות מתגלה לא באיכות הזיהוי על סרטון בדיקה, אלא בהתנהגות בעת תקלות: ניתוק ערוץ, אתחול השרת, שינוי תאורה במקטע. לכן את בחירת המצב אנחנו תמיד מתחילים ממפת האתר — היכן המצלמות, איזה ערוץ, ומה נחשב לזמן קביל של אובדן אירוע.

כיצד אנו מטמיעים ניטור AI: שלבי העבודה

אנו בונים את התהליך כך שהלקוח יראה בכל שלב תוצאה מדידה, ולא "העבודה מתבצעת". אנו מתחילים בסקר היקף: מצלמים תוכנית של המתקן, מסמנים מצלמות קיימות, את זוויות הצפייה שלהן, אזורים מתים ואזורים שבהם הקונטרסט יורד בלילה.

בסיום אנו מקבלים מפת כיסוי — ניתן לראות אילו זוויות חסרות לזיהוי בטוח והיכן מספיק לכוונן מחדש את הקיים.

ממפת הכיסוי לזיהוי עובד

1. סקר ההיקף ואזורי הכיסוי. אנו מתעדים זוויות צפייה, מרחקים לגבולות, תנאי תאורה וגורמי מזג אוויר. התוצאה — תרשים עם אזורים מתים מסומנים ורשימת נקודות שצריך להוסיף או לפרוס.
2. הגדרת הזיהוי. אנו מגדירים מחלקות אובייקטים (אדם, רכב, בעל חיים) וספי הפעלה עבור אובייקט ספציפי. התראות שווא מצללים, ענפים ומשקעים נחסמות בשלב זה, ולא לאחר ההפעלה.
3. כיול המעקב. אנו מחברים זיהויים למסלולים יציבים: האובייקט לא "הולך לאיבוד" בחסימה קצרה ולא משוכפל כאשר נכנס שני לפריים. אנו בודקים על הקלטות עם תרחישי תנועה אמיתיים.
4. בדיקת תרחישים. אנו מריצים מצבים טיפוסיים וגבוליים: התקרבות לגדר, טיפוס, תנועה לאורך הגבול, התראת שווא מבעל חיים. אנו מחשבים את שיעור ההפעלות הנכונות ואת הזמן עד לאות למפעיל.
5. אינטגרציה עם התראות. אנו מחברים העברת התראות לעמדת האבטחה ולמערכות חיצוניות, מגדירים עדיפויות וכללי הסלמה.
6. מסירת המערכת. אנו מוסרים פרופילים מוגדרים, נוהל תגובה של המפעיל והוראות להוספת אזורים חדשים ללא עזרתנו.

מה נשאר אצל הלקוח

כל שלב מסתיים בתוצר: מפת כיסוי, פרופילי זיהוי, דוח בדיקת תרחישים. כך הקבלה מתבצעת לפי עובדות, ולא לפי תחושות. תארו את המשימה — נחזור עם הערכה ותוכנית המותאמת להיקף שלכם.

מה הלקוח מקבל לידיו: קונפיגורציות ותקנות

הפרויקט נמסר לא כמצגת, אלא כערכה עובדת: קונפיגורציות, תרשימים ותקנות שלפיהם ניתן להפעיל את המערכת, להרחיב אותה ולהעביר אותה לצוות אחר. להלן מה שנשאר בדיוק אצל הלקוח לאחר ההפעלה של ניטור AI של ההיקף.

• קונפיגורציות של מודלים לזיהוי ומעקב — קבצים עם ספי הפעלה, מחלקות אובייקטים (אדם, רכב, בעל חיים) והגדרות של אזורי עניין. הספים משתנים ללא אימון מחדש: אם בלילה הגלאי קולט תנועת ענפים, המהנדס מתקן את הקונפיג, ולא בונה את המודל מחדש.
• תרשים אזורים וכללים — תוכנית ההיקף עם סימון: היכן אזור אסור, היכן אזור חיץ, אילו חציות גבול נחשבות להתראה ואילו — לתנועת רקע. התרשים מקושר למצלמות, ולכן אזור חדש מתווסף תוך דקות.
• מדיניות גישה לזרמי וידאו — תפקידים של מפעיל, אנליטיקאי ושירות ביטחון עם הרשאות שונות: מי רואה live, מי — ארכיון, מי מייצא קטעים. הגישה להקלטות מתועדת בלוג, והייצוא — רק לפי תפקיד מאומת.
• הוראות מפעיל — סדר העבודה עם תור ההתראות: כיצד לאשר אירוע, כיצד לסמן התראת שווא, כיצד לשלוח קטע לארכיון. סעיף נפרד — מה לעשות בעת אובדן קשר עם מצלמה או עם צומת אנליטיקה.
• תקנון הסלמה של התראות — מטריצה «סוג אירוע → רמה → אחראי → זמן תגובה». אירועים קריטיים עוברים ישירות לשירות הביטחון, ואירועי רקע — לדוח יומי, כדי שהמפעיל לא יטבע בזרם.
• תקנון תחזוקה — תדירות בדיקת איכות הזיהוי, סדר עדכון המודלים, בקרת דריפט: אם שיעור התראות השווא עולה, זה נראה במטריקות, ולא בתלונות.
• תיעוד אינטגרציות — תיאור החלפת הנתונים עם מקליט הווידאו, מערכת בקרת הכניסה ויציאה ומערכת ההתראה: פורמטים של אירועים, נקודות חיבור, התנהגות בעת אי-זמינות של שירות חיצוני.

הערכה מיועדת לכך ששירות התפעול שלכם או צוות קבלן אחר יוכלו ללוות את המערכת — ללא פנייה אלינו על כל שינוי של סף או אזור. תארו את ההיקף שלכם ואת המצלמות הקיימות — נחזור עם הערכה ותוכנית אספקה של הארטיפקטים הללו.

מקרה בוחן: הפחתת התראות שווא באתר תעשייתי

מה היה לפני היישום

האתר — מתחם ייצור עם היקף של כ-12 ק"מ: שטחים פתוחים, הפרשי גבהים, בקרבת מקום מסילת רכבת ומעבר קבוע של כלי רכב. האבטחה עבדה עם חיישנים קלאסיים: מחסומי אינפרא-אדום וגלאים רגישים לרעידות.

כל הפעלה הוצגה למפעיל בקונסולה עם שיוך לגזרה, אך ללא תמונה — ההחלטה "התראה או הפרעה" התקבלה על סמך ניסיונו של התורן.

התוצאה צפויה: ערפל, שלג, ציפורים, ענפים מתנדנדים ועקבות חום של כלי רכב יצרו זרם הפעלות שאינן קשורות להפרה. המפעיל פיזית לא הספיק לבדוק כל אות — חלק מההתראות כובו "על אוטומט", ואיתן אבדו אירועים אמיתיים. משמרת הלילה הפכה לניתוח רעש בלתי פוסק.

מה שינו

התקנו מערכת AI לניטור היקף מעל המצלמות הקיימות והוספנו נקודות תצפית חסרות. הזיהוי פועל על זרם הווידאו, המעקב מחזיק את האובייקט בין פריימים, והזיהוי מסווג אותו לקטגוריה: אדם, בעל חיים, כלי רכב, עקבות חום.

הפעלת החיישן אינה עוברת יותר ישירות לקונסולה — היא מאושרת על ידי אנליטיקת וידאו, והמפעיל מקבל אות עם קטע הקלטה ותגית קטגוריה.

בנפרד הגדרנו אזורי עניין וכללים לפי שעות היום: הגזרה שליד מסילת הרכבת הוצאה מאזורי הרגישות, ואילו הגישות למחסן, להיפך, קיבלו עדיפות. סף ההפעלה כוונן על סמך סטטיסטיקה מצטברת של שבועות קודמים, ולא "לפי העין".

מדדים לפני ואחרי

העומס על המפעיל ירד בסדר גודל: במקום ניתוח זרם של הפרעות, התורן עובד עם אירועים מאושרים. זמן הזיהוי התקצר הודות לכך שהמערכת עצמה מסמנת את הגזרה ואת קטגוריית האובייקט — המפעיל אינו צריך לחפש ידנית מצלמה ולגלגל את הארכיון.

אתר תעשייתי — אינו התרחיש היחיד: אותה לוגיקה של אישור על ידי אנליטיקת וידאו חלה על מתחמים לוגיסטיים, מחסנים ושטחים עם היקף ארוך, שבהם חיישנים פיזיים יוצרים רעש.

במה שונה זיהוי AI מניתוח וידאו קלאסי?

ניתוח וידאו קלאסי מבוסס על אלגוריתמים של סף: חיסור רקע, זיהוי תנועה לפי הפרש פריימים, אזורים וקווים שהוגדרו ידנית. צינור עיבוד כזה אמין בסצנה יציבה, אך נשבר מכל דינמיקה — עץ מתנדנד, שלג, שינוי תאורה.

כל אות שווא מנותח על ידי המפעיל ידנית, ובאתר עם עשרות מצלמות משמרת תורנית טובעת בזרם הפעלות, שביניהן הולך לאיבוד האירוע האמיתי.

זיהוי מבוסס רשתות נוירונים פותר את המשימה אחרת: המודל מאומן לזהות את האובייקט עצמו — אדם, רכב, בעל חיים — ולא את עצם שינוי הפיקסלים. לכן ההפעלה קשורה למחלקת האובייקט, ולא לתנועה בפריים.

המעקב מחזיק את אותו אובייקט בין פריימים ומקשר אותו למסלול, ולא לאזור: המערכת מבינה שהמטרה נעה בכיוון אסור, ולא רק "נמצאת באזור".

ההסתגלות לסצנה — ההבדל המרכזי בתפעול. אלגוריתמים של סף דורשים כיוונון ידני מחדש לכל מצלמה ולשעת היום; רשת נוירונים מתאמנת מחדש על פריימים אמיתיים של האובייקט, ולכן עמידה בפני גשם, דמדומים והחלפת עונה.

בנפרד נסגרת העבודה עם חפיפות: כאשר אדם נכנס מאחורי פינת בניין או כלי רכב חוסמים זה את זה, המודל משחזר את המסלול לפי ההקשר, בעוד שאלגוריתם סף מאבד את המטרה ונותן נתק.

בפועל, השוואת הגישות מסתכמת בשיעור הפעלות השווא ובשלמות הגילוי. זיהוי מבוסס רשתות נוירונים מפחית את מספר אזעקות השווא פי כמה ומחזיק גילוי על אובייקטים שאלגוריתמים של סף מפספסים — קונטרסט נמוך, חפיפה חלקית, תנועה כנגד הרקע. אנו מתאימים את המודל לסצנה, מגדירים מעקב וספי הפעלה, כדי שהמפעיל יראה אירועים, ולא רעש.

ספקות טכניים ומגבלות של ניטור AI

מזג אוויר גרוע ולילה — שני מצבים שבהם רוב הגלאים ה"מוכנים מראש" נחלשים באופן צפוי: גשם ושלג יוצרים התראות שווא על תנועת משקעים, ובלילה ללא תאורה אחורית הקונטרסט של האובייקט יורד לרמה שבה הסיווג מפסיק להיות אמין.

אנחנו לא מבטיחים עמידות בכל תנאי מזג אוויר "מהקופסה" — במקום זאת, בשלב התכנון אנחנו מחשבים אילו אזורים בהיקף אכן דורשים שליטה מסביב לשעון, ואיפה מספיק מצב יום עם בדיקה מוגברת בשעות סיכון.

האם זה יעבוד עם המצלמות הקיימות שלנו?

ברוב המקרים — כן, אם המצלמות מספקות זרם וידאו בפרוטוקול סטנדרטי. אנחנו לא כובלים את המערכת ליצרן אחד: מחברים את מה שכבר מותקן, ומוסיפים ערוצים רק במקום שבו הכיסוי הנוכחי באמת לא מספיק. אם מצלמה לא מספקת את האיכות הנדרשת בלילה, זה מתגלה בשלב הסקר, ולא אחרי ההפעלה.

עד כמה הזיהוי מדויק ומה עם התראות שווא?

הדיוק תלוי בסצנה, ולא באחוז מופשט בתיאור המודל. בשלב הכיול אנחנו מכיילים ספים להיקף שלכם וקובעים את השיעור האמיתי של התראות שווא בתקופת בדיקה. המטרה היא לא "אפס שגיאות", אלא רמה צפויה שבה המפעיל סומך על האות ולא מכבה אותו אחרי שבוע.

איך המערכת קשורה להתראה ולאבטחה?

האות נשלח למערכת ההתראה שלכם — עמדת שמירה, אפליקציה לנייד, אינטגרציה עם מוקד. אנחנו מעבירים לא רק "התראה", אלא אירוע עם סוג האובייקט, האזור וקטע הקלטה, כדי שהמפעיל יקבל החלטה תוך שניות, ולא יעבור שוב על הארכיון. ערוצי ההתראה וכללי ההסלמה מותאמים לתקנון שלכם.

אנחנו מתעדים את המגבלות בכנות בתיעוד: ערפל סמיך, שלג כבד וחסימת שדה הראייה מפחיתים את טווח הזיהוי — עבור אזורים כאלה אנחנו מוסיפים ערוצים חלופיים או משנים את פריסת המיקום.

נדון במשימת ניטור ההיקף שלכם

כדי לחזור עם הערכה ותוכנית, ולא עם מילים כלליות, אנחנו זקוקים לנתוני מקור על האובייקט. נאסוף אותם יחד איתכם — חלק נבהיר בשיחת וידאו, וחלק תוכלו לשלוח בקבצים.

• תרשים ההיקף — תוכנית השטח עם אורך הקטעים, התבליט, הפרשי הגבהים והתומכות המותקנות כבר עבור המצלמות.
• רשימת המצלמות והיכולות שלהן — דגמים, זוויות צילום, אזורי כיסוי, האם הן פועלות בטווח תת-אדום בלילה.
• תנאי ההפעלה — ערפל, שלג, אבק, זרקורים, תנועה של עצמים זרים בקרבת ההיקף.
• מחלקות מטרות — מה בדיוק נחשב להפרה: אדם, רכב, בעלי חיים, חדירה קבוצתית.
• דרישות לתגובה — לאן מגיעה ההתראה, מי מקבל אותה, הזמן המותר מרגע הגילוי ועד להודעה.
• תשתית — היכן ממוקם צומת המחשוב, האם קיים ערוץ תקשורת אליו, כיצד מאורגן החשמל.
• מגבלות — אזורים מוגבלים, דרישות לאחסון וידאו, אינטגרציה עם מערכת האבטחה הקיימת.

בתגובה תקבלו תוכנית עבודה עם שלבים, הרכב האספקה ולוחות זמנים לכל בלוק. בנפרד נתעד אילו אזורים אנו מכסים בזיהוי מיידי, ואילו דורשים הצטיידות נוספת — כדי שתראו את גבולות הפרויקט לפני ההתחלה.

תארו את המשימה בצורה חופשית — נחזור עם הערכה ותוכנית עבודה.