机器数据分析就地安全监视解读.docx

机器数据分析就地安全监视提高网络物理安全和增加安全系统的努力已形成一个不断发展的行业，该行业致力于超越这一挑战。闭路电视模拟摄像机正快速被更高清晰度、功能丰富的数字摄像机所取代，以便实现基于图像的安全系统。相比之下，数字摄像机更灵活、更智能，能够与云服务和数据分析更紧密地集成在一起。本文将介绍就地安全监视，它与基于云的数据分析相结合，使得在没有电源或网络基础架构的区域快速部署监视成为了可能。作者：Sam B. Siewert来源：36大数据|2016-12-14 11:39?收藏??分享提高网络物理安全和增加安全系统的努力已形成一个不断发展的行业，该行业致力于超越这一挑战。闭路电视模拟摄像机正快速被更高清晰度、功能丰富的数字摄像机所取代，以便实现基于图像的安全系统。相比之下，数字摄像机更灵活、更智能，能够与云服务和数据分析更紧密地集成在一起。本文将介绍就地安全监视，它与基于云的数据分析相结合，使得在没有电源或网络基础架构的区域快速部署监视成为了可能。在不久的将来，我们可能依赖于快速演变的 “机器到机器” 基础架构，它的高级感知能力与人类的能力不相上下(有时甚至超越了人类的能力)。智能运输系统和自主驾驶汽车就是证明。丰田和奥迪已与谷歌联手，在内华达州测试类似的技术。如今，通过使用高成本的光探测和测距 (LIDAR) 技术，再结合更简单的仪表和软件，就可以实现自主操作。但这种装置的成本在不断下降，可见光谱计算机视觉解决方案也有降低实现成本的潜力。还有一些更有趣的应用，比如使用车辆发送车队行为来优化交通流，使用车辆与基础架构进行通信，比如交通控制系统(例如红灯)、机场空中交通控制设备，以及建筑、道路、港口、机场和运输系统中的基础架构传感器、自动化或控制系统。一种已实现的成果是，没有人需要为了收费而停车或减速。此技术称为机器间自动化。拥堵和游客拥挤的走廊地带(比如加利福尼亚州的 5 号州际公路)都能从货车运输的车队自动化中受益。在不到 10 年的时间内，私家车或许就能够利用此功能(参见参考资料)。谷歌汽车存在已有超过 8 年的时间，自斯坦福大学的 Sebastian Thrun 团队赢得 2005 年美国国防高级计划研究署挑战赛以来，谷歌汽车就一直在运行。在不太拥堵的地方，比如阿拉斯加，可借助机器间高级感知来监视北极圈的活动，为港口提供更好的安全保护，执行环境调查和保护资源，以及探索北坡油田的能源(参见参考资料)。在一些最偏远、严酷和拥堵的环境中，有可能实现机器间系统最大的优势。在这些地方，自动化带来的节省会迅速超过初始成本。对于基础架构更加受限的远程应用，就地自供电安全监控器能够发挥其最大的价值。就地传感器网络也已经开发出来一段时间了。或许最为人熟知的就地传感器网络是通常被称为微粒 (mote) 的传感器网络，比如 Berkeley Network Embedded Systems Technology (NEST) 和 Smart Dust 项目。类似地，借助采用了从热成像到 x 射线的全光谱的自动化技术，机器视觉也已经有了数十年的应用历史。在检查制造工艺和改善远程操作的安全上，机器视觉通常优于人类的能力。本文主要将介绍机器间系统的低成本 3D 和多光谱呈现的就地部署。就地计算机视觉的价值许多安全应用可以从市区外围的电力和数据网络基础架构上存在的计算机和机器视觉中获益。一个简单的示例是野外作业，比如阿拉斯加北坡油田开展的能源生产和勘探，以及针对管道(提议的新的天然气管道)开展的野外作业。另一个示例是灾区，这里的电力和数据基础架构都已损坏。环境合规性、资源管理和调查(由美国的 U.S. Geological Survey 处理;参见参考资料)涉及到现场数据收集。最终，能源和数据未全面开发的建设项目也可以从就地计算机视觉中获益。在过去，安全服务依赖于在高成本、低频率之上的无人驾驶飞机、人类徒步旅行和艰巨的地面导航。要提供真正有用的数据，就地计算机视觉平台必须提供与人类相匹敌的、甚至超越人类的观察力，将视觉扩展到红外光谱，采用 3D 成像来生成测距和环境的点云模型(参见参考资料)。点云(point cloud)基于多个摄像机的观察结果提供了一个场景的 3D 数据模型，通常与双目取景摄像机一起使用，或者通过多个摄像机从多个协调的视角对同一个场景进行观察。任何可就地放置(或许装在三脚架上)或装在树上的摄像机都可以经过调整用在无人操纵的天线系统中。想象一台类似于流行的 GoPro 可穿戴摄像机的多光谱 3D 摄像机(参见参考资料)，但内置了更复杂的探测器和计算能力。我正在与一些研究赞助商、科罗拉多大学和阿拉斯加大学安克雷奇分校的研究生和大学生一起致力于这种设备的研究。尽管可以使用现成的硬件和软件创建这样一种设备，但我们团队认为我们需要更好的资