Vendo telecamere PTZ per lavori gravosi e vedo lo stesso problema più e più volte: di giorno sembra facile, ma di notte tutto cambia velocemente.
Il riconoscimento AI è solitamente più forte di giorno perché ottiene più colore, dettagli e bordi più nitidi, mentre la modalità notturna perde colore, aggiunge rumore e rende il rilevamento e il tracciamento meno stabili.
Prestazioni telecamera PTZ con riconoscimento AI giorno vs notte
Quando spiego questo agli acquirenti come David, mi concentro prima su una cosa: la telecamera non si limita a “vedere meno” di notte. Ha anche meno dati utili su cui ragionare.
Indice dei contenuti
C'è un calo significativo nell'accuratezza della “Classificazione Veicoli” quando si passa alla modalità laser?
Sento spesso questa domanda dagli integratori di sistema, e me la pongo anch'io quando testo una nuova unità sul campo.
Sì, di solito vedo un calo della classificazione dei veicoli2 nell'accuratezza quando una telecamera passa alla modalità laser3, ma l'entità del calo dipende da quanto bene la telecamera mantiene contrasto, messa a fuoco e dettagli della scena.
Classificazione dei veicoli in modalità laser
Quando osservo l'AI dei veicoli alla luce del giorno, il modello può utilizzare colore, forma della carrozzeria, linee dei finestrini, bordi degli pneumatici e persino piccoli segni sull'auto. Di notte, la modalità laser cambia le carte in tavola. L'immagine diventa spesso in bianco e nero, quindi il modello perde indizi cromatici. Si basa quindi maggiormente sul contorno, sulle dimensioni, sul movimento e sulla forma. Questo funziona ancora, ma non è così ricco.
Cosa osservo durante i test sul campo
| Elemento di test | Modalità diurna | Modalità notturna laser | Cosa cambia |
|---|---|---|---|
| Indizi cromatici | Forte | Mancante | Il modello perde una fonte di funzionalità importante |
| Nitidezza dei bordi | Alto | Medio-alto | Dipende dalla potenza del laser e dalla qualità dell'obiettivo |
| Corrispondenze errate di veicoli | Basso | Leggermente più alto | Rumore e riflessi possono confondere il modello |
| Supporto lettura targa | Meglio in condizioni di luce chiara | Dipende dall'esposizione | Sfocatura da movimento1 può aumentare di notte |
Presto attenzione anche alla scena stessa. Un furgone bianco, un pickup scuro e una piccola berlina possono apparire molto diversi di giorno, ma possono apparire molto più simili di notte. Questo rende il modello più impegnativo. Se la fotocamera utilizza un laser potente e un buon sensore, l'IA può comunque fare un buon lavoro. Ma se il laser è debole, o se la scena presenta polvere, pioggia o nebbia, l'accuratezza può diminuire ulteriormente. So anche che la notte non fallisce in un unico modo. A volte il modello rileva ancora il veicolo, ma classifica il tipo sbagliato. Altre volte vede il veicolo troppo tardi. Per David, questo conta molto, perché una classe errata può infrangere una regola in un progetto di parcheggio intelligente, controllo accessi o allarme.
Perché la classificazione diventa più difficile di notte
| Ragione principale | Effetto semplice | Risultato sul campo |
|---|---|---|
| Perdita di colore | Meno indizi visivi | La stessa forma può indicare più di un tipo di veicolo |
| Contrasto inferiore | Più difficile separare le parti | Ruote, specchietti e linee del tetto diventano meno chiari |
| Rumore aggiunto | Più dettagli falsi | L'IA potrebbe interpretare male piccoli punti luminosi |
| Sfocatura da movimento | Le auto in movimento sono più difficili da "congelare" | I veicoli veloci possono perdere la loro forma |
Penso che il vero punto sia questo: la modalità laser è utile, ma non sostituisce completamente i dettagli diurni. Aiuta la fotocamera a continuare a funzionare al buio, e questo è prezioso. Ma se ho bisogno di un'elevata accuratezza nella classificazione dei veicoli, cerco comunque di migliorare l'intera configurazione, non solo la sorgente luminosa. Esamino l'esposizione, la velocità dell'otturatore, la qualità dell'obiettivo e come è stato addestrato il modello IA. Se il modello è stato addestrato su scene miste diurne e notturne, di solito funziona meglio. Se è stato addestrato solo su immagini luminose, il calo di prestazioni notturno può essere molto peggiore. Secondo la mia esperienza, il miglior risultato si ottiene quando l'hardware e l'IA sono progettati insieme per lo stesso compito.
Come compensa l'AI la perdita di “Metadati Colore” nella visione notturna in bianco e nero?
Conosco molto bene questo problema, perché il colore è uno dei modi più rapidi per il cervello e la fotocamera di distinguere gli oggetti.
L'IA compensa utilizzando forma, movimento, contrasto, dettagli dei bordi e schemi appresi, in modo da poter ancora identificare persone e veicoli anche quando visione notturna in bianco e nero5 rimuove il colore.
Compensazione IA della visione notturna in bianco e nero
Di notte, la fotocamera non può più fare affidamento su magliette rosse, auto blu o caschi gialli. Quindi l'IA passa ad altri indizi. Mi piace pensarlo come uno scambio. La fotocamera rinuncia al colore, ma ottiene un'attenzione più focalizzata sui contorni e sul movimento. Ad esempio, una persona che cammina di solito ha una chiara forma testa-spalle e un'oscillazione ripetuta delle braccia. Un'auto di solito ha un corpo lungo, due luci, una linea del parabrezza e una spaziatura fissa delle ruote. L'IA utilizza questi schemi per fare una stima. In una buona fotocamera, quella stima è spesso abbastanza solida per un lavoro reale.
Gli indizi principali che il modello utilizza ancora
| Tipo di indizio | Cosa vede l'IA | Perché aiuta |
|---|---|---|
| Forma del corpo | Sagoma umana o del veicolo | Separa i principali tipi di oggetti |
| Modello di movimento | Come si muove l'oggetto | Aiuta a distinguere persone, auto e animali |
| Contrasto dei bordi | Linee chiare e scure | Definisce il contorno dell'oggetto |
| Rapporto dimensionale | Altezza, larghezza e profondità | Riduce la confusione tra le classi |
Mi baso anche su dati di addestramento6. Un modello che ha visto molte scene notturne può adattarsi molto meglio di un modello che conosce solo immagini diurne luminose. Questo è molto importante per gli acquirenti B2B che desiderano risultati stabili in siti reali, non solo video dimostrativi. Se installo una telecamera in una fattoria, a un cancello o su una strada, mi aspetto pioggia, polvere, scarsa illuminazione e riflessi casuali. L'IA deve imparare che un piccolo punto luminoso vicino all'obiettivo potrebbe essere un insetto, non una persona. Deve imparare che un cartello stradale lucido non è un bersaglio in movimento. Ecco perché la migliore IA notturna non riguarda solo il sensore. Riguarda anche i dati e la logica all'interno del firmware7.
Cosa fa solitamente una buona logica IA notturna
- Riduce la possibilità che minuscoli punti luminosi diventino falsi bersagli.
- Controlla la forma completa prima di inviare un allarme.
- Osserva la velocità e la direzione del movimento.
- Utilizza il tracciamento basato sul tempo per evitare errori di un singolo fotogramma.
Mi piace anche spiegare un semplice fatto agli acquirenti: l'IA notturna non deve essere perfetta per essere utile. Deve essere stabile e prevedibile. In un progetto di sicurezza, una telecamera che rileva una persona un po' più tardi ma comunque correttamente può essere migliore di una telecamera che attiva troppi falsi allarmi8. Ecco perché bilancio sempre la sensibilità con le regole del filtro. Nel mio lavoro, testo la telecamera contro alberi, ombre, luci stradali, fari di automobili e pioggia. Queste sono le cose che danneggiano maggiormente l'IA notturna. Quando il sistema gestisce bene queste scene, so che la perdita di colore è stata gestita in modo pratico.
Posso aspettarmi lo stesso tasso di rilevamento del 98% a 300 m durante un giorno limpido e una notte buia?
Non prometterei mai lo stesso numero senza testare entrambe le scene, perché la distanza e la luce cambiano il risultato in modo reale.
No, non mi aspetto lo stesso identico tasso di rilevamento del 98% a 300 m sia in una giornata limpida che in una notte buia, perché la modalità notturna di solito riduce i dettagli utilizzabili e rende più difficile il riconoscimento a lungo raggio.
Tasso di rilevamento giorno vs notte a 300 m
Dico ai clienti che 300 m non sono solo una distanza. È anche un test di luce, potenza dell'obiettivo, chiarezza dell'aria, dimensione del bersaglio e calibrazione della telecamera. In una giornata limpida, la telecamera può usare il sole come un'enorme fonte di luce. L'immagine è luminosa, il contrasto è forte e l'IA ha più dati. Di notte, anche con la luce laser, la scena è diversa. La luce si diffonde, svanisce o si riflette in modo meno perfetto. Se il tempo è asciutto e limpido, il risultato può ancora essere forte. Ma se c'è foschia, pioggia o polvere, le prestazioni possono diminuire ulteriormente.
Cosa cambia tra giorno e notte a 300 m
| Fattore | Giornata limpida | Notte buia |
|---|---|---|
| Sorgente luminosa | Naturale e forte | Solo illuminazione attiva |
| Dettaglio del bersaglio | Ricco e stabile | Meno ricco e più limitato |
| Fiducia dell'IA | Più alto | Spesso più basso |
| Visibilità di piccoli oggetti | Migliore | Più difficile a lungo raggio |
Penso anche che le persone spesso confondano rilevamento e riconoscimento9. Rilevamento significa che la telecamera trova che qualcosa c'è. Riconoscimento significa che la telecamera sa cos'è. A 300 m, la telecamera potrebbe ancora rilevare un oggetto in movimento di notte, ma potrebbe non classificarlo con la stessa sicurezza con cui lo fa di giorno. È normale. Per David, questo è importante perché potrebbe aver bisogno di zone di allarme diverse per il giorno e per la notte. In uno scenario diurno, una telecamera può sorvegliare un perimetro più ampio. Di notte, suggerisco spesso una zona più ristretta, una preimpostazione più lenta o un supporto laser più potente. Questo mantiene il sistema onesto e riduce le chiamate false.
Come giudico le prestazioni reali a 300 m
| Punto di controllo | Cosa cerco |
|---|---|
| Rilevamento | La telecamera vede l'oggetto? |
| Classificazione | Sa se è una persona, un'auto o un camion? |
| Tracciamento | Riesce a mantenere il bersaglio centrato? |
| Stabilità dell'allarme | Si attiva una volta o continua a sparare? |
Dico anche agli acquirenti di chiedere clip di prova, non solo schede tecniche. Una scheda pulita può dire molto, ma una clip sul campo dice di più. Voglio vedere il bersaglio muoversi nell'intera gamma. Voglio vedere la telecamera a mezzogiorno e a mezzanotte. Voglio vedere i bordi, i riflessi e l'effetto del tempo. Se una fabbrica può mostrarmi questo, posso giudicare se l'affermazione 98% è reale in modo utile. A mio parere, un buon risultato notturno a 300 metri è possibile, ma lo stesso numero di giorno e di notte non è l'aspettativa corretta a meno che l'intero sistema non sia stato progettato e ottimizzato per tale livello.
Il produttore fornisce un grafico di accuratezza “Giorno vs Notte” per il modello PTZ laser da 800 m?
Ricevo questa richiesta da acquirenti seri tutto il tempo, e penso che sia una richiesta molto intelligente.
Sì, una buona fabbrica dovrebbe fornire un grafico di precisione giorno vs notte11 per un PTZ laser da 800 m10 modello, perché quel grafico mostra le prestazioni reali in diverse condizioni di luce, non solo affermazioni di marketing.
Grafico di precisione giorno vs notte PTZ
Incoraggio sempre gli acquirenti a chiedere questo tipo di grafico, perché li aiuta a confrontare i prodotti in modo equo. Una telecamera PTZ a lungo raggio non riguarda solo la potenza dello zoom. Riguarda anche come si comporta la telecamera quando la luce diminuisce. Per un modello laser da 800 metri, il grafico dovrebbe mostrare rilevamento, riconoscimento e tracciamento a diverse distanze. Dovrebbe anche separare i risultati diurni, crepuscolari e notturni completi. Se un fornitore fornisce solo un numero massimo, divento cauto. Un progetto reale necessita di più di un numero.
Cosa dovrebbe mostrare un grafico utile
| Elemento del grafico | Perché è importante |
|---|---|
| Tasso di rilevamento per distanza | Mostra dove la telecamera può ancora trovare un bersaglio |
| Tasso di riconoscimento per distanza | Mostra dove l'IA può ancora classificare il bersaglio |
| Divisione giorno e notte | Mostra quanto la luce influisce sul risultato |
| Note sul meteo | Mostra se pioggia, foschia o polvere facevano parte del test |
Per una PTZ laser da 800 m, voglio anche conoscere il bersaglio del test. Una persona, un'auto e un camion non sono la stessa cosa. Una telecamera potrebbe rilevare un camion a lunga distanza più facilmente di una persona perché il camion è più grande. Quindi chiedo alla fabbrica di indicare la dimensione del bersaglio, la velocità di movimento, lo sfondo della scena e l'impostazione dell'obiettivo. Voglio anche sapere se la telecamera ha utilizzato una vera IA o solo un rilevamento del movimento di base. Queste sono cose molto diverse. Se il grafico è onesto, mi aiuta a pianificare il progetto. Se il grafico è vago, mi aiuta a capire che il fornitore non è pronto per un lavoro impegnativo.
Cosa chiedo alla fabbrica prima di fidarmi del grafico
- Il test è stato eseguito all'interno o all'esterno?
- La scena era limpida, polverosa, piovosa o nebbiosa?
- Quali erano le dimensioni e la velocità del bersaglio?
- Il test ha utilizzato il firmware di spedizione effettivo?
- Il grafico è stato realizzato dalla fabbrica o da una terza parte?
Mi interessa anche la ripetibilità. Un buon test non è sufficiente. Voglio sapere se la telecamera può farlo più e più volte. Un grafico è utile solo quando corrisponde al sito effettivo. Per il mio lavoro B2B, utilizzo questi grafici per aiutare David e il suo team a scegliere il modello giusto più velocemente. Fa risparmiare tempo e riduce il rischio. Se vedo una telecamera con ottimi numeri diurni ma scarsi numeri notturni, potrei comunque raccomandarla, ma solo per progetti in cui l'uso diurno è più importante. Se il progetto è un sito perimetrale che funziona tutta la notte, insisto maggiormente per un laser più potente, un sensore migliore e una messa a punto dell'IA più intelligente.
Conclusione
Vedo giorno e notte come due mondi di test diversi, e scelgo la telecamera, la luce e la configurazione dell'IA in base a entrambi, non solo a uno.
1. La sfocatura da movimento può degradare le prestazioni dell'IA di notte oscurando le forme dei veicoli; comprenderla aiuta a scegliere impostazioni migliori della telecamera. ︎↩︎ 2. Comprendere come funziona la classificazione dei veicoli nei sistemi di riconoscimento IA, specialmente in diverse condizioni di illuminazione. ︎↩︎ 3. Esplorare come l'illuminazione laser viene utilizzata nelle telecamere PTZ per abilitare la visione notturna per la sorveglianza a lungo raggio. ︎↩︎ 4. Comprendere il ruolo delle informazioni sul colore nella visione artificiale e come la sua perdita influisce sul riconoscimento degli oggetti di notte. ︎↩︎ 5. Apprendere i principi della tecnologia di visione notturna in bianco e nero e i suoi compromessi per il rilevamento IA. ︎↩︎ 6. Dati di addestramento di alta qualità che includono scene notturne migliorano la robustezza del modello AI in condizioni di scarsa illuminazione. ︎↩︎ 7. Il firmware della fotocamera contiene la logica che ottimizza le prestazioni dell'AI per gli ambienti notturni. ︎↩︎ 8. Comprendere come il filtraggio AI riduce i falsi allarmi nei sistemi di sicurezza, specialmente durante il funzionamento notturno. ︎↩︎ 9. Imparare la differenza tra rilevamento (vedere un oggetto) e riconoscimento (identificarlo) nella visione artificiale. ︎↩︎ 10. Scoprire le caratteristiche e le specifiche delle telecamere PTZ laser a lungo raggio per la sorveglianza giorno/notte. ︎↩︎ 11. Imparare a interpretare i grafici di accuratezza giorno vs. notte per valutare le prestazioni della fotocamera in condizioni reali. ︎↩︎