CC BY
106
требованиям к эвакуационным путям и выходам [2], для исследуемого здания обеспечено устройство пожарных проездов и подъездных путей для пожарной техники, оно соответствует установленным требованиям по применению декоративно-отделочных, облицовочных материалов в здании.
Вместе с тем, на объекте не выполнены требования пожарной безопасности, предусмотренные нормативными документами по пожарной безопасности. Так, здание выполнено IV степенью огнестойкости (из несущих металлических конструкций), не оборудовано внутренним противопожарным водопроводом, системой автоматического пожаротушения, системой противодымной защиты [7].
Вышеизложенное требует ответственного отношения к обеспечению пожарной безопасности исследуемых объектов. Вместе с тем, анализ пожарной опасности показывает, что возможны и необходимы нетрадиционные подходы к обеспечению пожарной безопасности, которые бы позволили минимизировать затраты на обеспечение пожарной безопасности без снижения возможного ущерба при пожаре. Список использованной литературы:
1. Федеральный закон от 22 июля 2008 года № 123-Ф3 «Технический регламент о требованиях пожарной безопасности».
2. СП 1.13130.2009. «Системы противопожарной защиты. Эвакуационные пути и выходы».
3. СП 2.13130.2012. «Системы противопожарной защиты. Обеспечение огнестойкости объектов защиты».
4. СП 3.13130.2009. «Системы противопожарной защиты. Система оповещения и управления эвакуацией людей при пожаре. Требования пожарной безопасности».
5. СП 4.13130.2013. «Системы противопожарной защиты. Ограничение распространения пожара на объектах защиты. Требования к объемно-планировочным и конструктивным решениям».
6. СП 5.13130.2009. «Системы противопожарной защиты. Установки пожарной сигнализации и пожаротушения автоматические. Нормы и правила проектирования».
7. СП 7.13130.2013. «Отопление, вентиляция и кондиционирование. Противопожарные требования».
8. Пособие по определению пределов огнестойкости конструкций, пределов распространения огня по конструкциям и групп возгораемости (к СНиП П-2-80)/ЦНИИСК им. Кучеренко. - М.: Стройиздат, 1985.-56с.
9. Е.П. Комиссаров и др. Пожарная профилактика в строительстве. Часть 1 - М.: Стройиздат, 1970. - 431с.
10. Ройтман М.Я. Противопожарное нормирование в строительстве. - 2-е изд., перераб. и доп. - М.: Стройиздат, 1985. - 590 с.
11. Пожаровзрывоопасность веществ и материалов и средства их тушения: Справ. изд.: в 2 книгах; кн. 1/ А.Н. Баратов, А.Я. Корольченко, Г.Н. Кравчук и др. - М., Химия, 1990. - 496 с.
12. Пожаровзрывоопасность веществ и материалов и средства их тушения: Справ. изд.: в 2 книгах; кн. 2 / А.Н. Баратов, А.Я. Корольченко, Г.Н. Кравчук и др. - М.: Химия, 1990. - 384 с.
© Савельев А.П., Чугунов М.Н., Еналеева С.А., Салихов Р.Р., 2021
УДК 004
Сазонова Е.А., к.п.н, сотрудник ФГКВОУВО «Академия Федеральной службы охраны Российской Федерации»
Орёл, Россия Белобрыкин Н.Д., сотрудник ФГКВОУВО «Академия Федеральной службы охраны Российской Федерации»
Орёл, Россия
ОБЗОР ПЕРСПЕКТИВНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ВИДЕОАНАЛИТИКИ
Аннотация
Рассмотрены основные типы приложений, базовые функции видеоаналитики. В качестве
перспективных информационных технологий описаны технологии анализа больших данных, искусственного интеллекта, нейросети, глубокого обучения. Приведен перечень ведущих российских разработчиков в области видеоаналитики.
Ключевые слова
Видеоаналитика, компьютерное зрение, искусственный интеллект, глубокое обучение.
Видеоаналитика представляет собой автоматизированную технологию, использующую методы компьютерного зрения для получения данных путем анализа последовательностей изображений. Основу программного обеспечения видеоаналитики (рис. 1) составляет комплекс алгоритмов машинного зрения, выполняющих задачу видеомониторинга и анализа данных без прямого участия человека. В настоящее время в связи с возросшей опасностью террористических атак и ужесточением законодательных требований к инфраструктуре безопасности и контроля доступа алгоритмы видеоаналитики чаще используются в различных сферах безопасности. Однако, в связи со стремительным развитием интеллектуальных систем видеоаналитики, ее использование становится актуальным в промышленности, здравоохранении, образовании и других сферах человеческой деятельности.
Рисунок 1 - Основные типы приложений видеоаналитики
Основные функции видеоаналитики (таблица 1) базируются на задачах компьютерного зрения:
- поиск, отслеживание, классификация, идентификация объектов;
- извлечение данных из изображений;
- анализ полученной информации.
Таблица 1
Базовые функции видеоаналитики
№ п/п Функция Характеристика
1 Улучшение изображений Применение методов и алгоритмов восстановления и улучшения изображений (шумоподавление, устранение размытости и другие), а также методов повышения чёткости изображений при помощи нейросетей
2 Детектирование движения Сравнение нескольких последовательных изображений сцены с целью распознавания начала движения объекта внутри сцены
3 Распознавание лиц Автоматическая локализация лица на неподвижном или движущемся изображении и, в случае необходимости, идентификация личности по характерным параметрам лица
4 Распознавание бесцельного поведения Использование алгоритмов распознавания Loitering с отслеживанием перемещения субъекта
5 Распознавание пропажи, либо оставленных без присмотра объектов Выдача предупреждений в случае обнаружения предмета без присмотра или пропажи объекта
№ п/п Функция Характеристика
6 Закрытая зона Выдача предупреждений в случае проникновения какого-либо объекта в закрытую зону
7 Детектирование проникновения Часть сервиса "Закрытая зона"
8 Распознавание автомобильных номеров Использование оптического распознавания символов на изображениях
9 Слежение за объектами Вспомогательный сервис для услуги распознавания "бесцельного поведения", предполагает выдачу предупреждения о подозрительном поведении
Главным фактором роста рынка решений видеоаналитики является использование таких информационных технология, как анализ больших данных, искусственный интеллект, нейросети, глубокое обучение.
Технология анализа больших данных представляет собой комплекс методов и инструментов по обработке структурированной и неструктурированной информации с целью получения конкретных результатов. В видеоаналитике анализ больших данных применяется в системах охраны общественного порядка; мониторинга качества на производстве; обнаружения присутствия людей; маркетинговых программ в розничной торговле.
Большая нагрузка трафика на инфраструктуру сети возникает при передаче больших объёмов данных в центральное облако. Кроме того, это довольно длительный процесс, с возможными задержками данных. Повысить оперативность распознавания образов и получения полезной информации позволяет решение, при котором обработка больших данных происходит в непосредственной близости от их получения и использования.
Искусственный интеллект - способность функционального блока выполнять функции, обычно ассоциирующиеся с интеллектом человека такие, как, например, рассуждения и обучение [1]. На сегодняшний день это направление развивается быстрыми темпами, охватывая широкий спектр областей таких, как идентификация лица (контроль доступа в смартфонах, паспортный контроль и т. д.), распознавание речи, музыки, "умные" помощники, самоуправляемые автомобили и другие. Связано это с прогрессом в области программирования и компьютерных технологий, в частности, с применение методов глубокого обучения.
Глубокое обучение - тип машинного обучения, позволяющий обучить модель выполнять классификацию непосредственно по изображениям, текстам или звукам. Использование глубокого обучения предполагает передачу необработанных изображений программе, изучающей их на основе алгоритмов сверхточной нейронной сети. Классификаторы нейросетей и алгоритмы глубокого обучения способствуют более точному и быстрому выполнению классификации и распознавания изображений.
В России, начиная с 2000-х годов, на базе научно-исследовательских центров и университетов ведутся научные исследования в области видеоаналитики, компьютерного зрения и искусственного интеллекта. В таблице 2 представлен обзор ведущих российских систем в области видеоаналитики.
Таблица 2
Основные российские разработчики в области видеоаналитики
Компания разработчик Назначение систем
Ситуационная видеоаналитика
Автодория Вокорд Системы дорожного мониторинга
ДиСиКон Лесной дозор - система мониторинга лесных пожаров
Видеоинтеллект Система предиктивной ситуационной аналитики в местах скопления людей (метро, торговые центры)
Анализ видеопотока
Веб контроль Программный комплекс для извлечения ключевых особенностей видео
Ай ти ви групп Платформа безопасности и видеонаблюдения
Синезис Поиск информации в больших массивах видео
Биометрия, речевое распознавание
Вокорд Отраслевой лидер по технологии распознавания лиц
Visionlabs Системы идентификации лиц и построения 3D-моделей
Компания разработчик Назначение систем
ЦРТ-инновации Речевое и биометрическое распознавание
Войс лабс Голосовая биометрия
ISS-софт Ситуационный центр на базе экспертной системы
Промышленность, ритейл
Видеоинтеллект Решения по мониторингу потока в торговых центрах
Видеоматрикс Промышленная видеоаналитика
Малленом технолоджис Промышленная, складская и ритейл видеоаналитика
П эограммное обеспечение и оборудование для трансляций
Стрим лабс Программное обеспечение и оборудование для спутниковых и кабельных операторов
Видеоаналитика сегодня получает все более широкое распространение. Способствует этому применение платформ искусственного интеллекта и глубокого обучения. Распознавание изображений с использованием сверхточных нейронных сетей и методов глубокого обучения позволят разработчикам перейти на новый уровень, который сменит традиционную видеоаналитику. В перспективе можно ожидать усложнения анализа изображений на основе использования метаданных. Список использованной литературы:
1. ГОСТ 33707-2016. Информационные технологии. Словарь [Текст] - Москва: Стандартинформ, 2016. -IV, 201 с. : табл.; 29 см.
2.Видеоаналитика (российский рынок). [Электронный ресурс]. URL: h^sy/www.tadviser.ru/mdex.php/Ora^: Видеоаналитика_(российский_рынок) (дата обращения 03.12.2020)
© Сазонова Е.А., Белобрыкин Н.Д., 2021
