IoT · Computer vision i edge AI
Zliczanie osób przy wejściu bez wysyłania czegokolwiek do chmury
Zarządcy budynków i przewoźnicy transportu publicznego potrzebują bieżących danych o liczbie osób na potrzeby przepisów bezpieczeństwa, zarządzania przepustowością i planowania operacyjnego. Ręczne liczenie przy kilku wejściach jest niewykonalne, a kołowroty są drogie albo nie da się ich zamontować. Razem z RapidLab zbudowaliśmy kompaktowe urządzenia, które liczą automatycznie na podstawie danych z czujników i computer vision, przetwarzając wszystko na urządzeniu.
Kluczowe rezultaty
Klient: RapidLab
Specjalista od inteligentnej elektroniki i prototypowania IoT, pracujący dla zarządców budynków i przewoźników transportu publicznego.
- Branża
- IoT, obsługa budynków i transportu
- Zastosowanie
- Automatyczne zliczanie osób
- Podejście AI
- ML na szeregach czasowych i computer vision
- Sprzęt
- Czujniki time-of-flight i kamery wideo
- Wdrożenie
- Edge computing, na urządzeniu
- Środowisko
- Budynki, autobusy, pociągi
W skrócie
Proste pytanie, na które trudno odpowiedzieć
- Ile osób jest teraz w środku? Brzmi prosto. W praktyce budynki mają kilka wejść, a autobus czy pociąg na każdym przystanku otwiera wszystkie drzwi naraz.
- Ręczne liczenie się nie skaluje, a kołowroty i barierki są drogie, a w istniejącym układzie często nie da się ich w ogóle zamontować.
- Urządzenie liczy osoby wchodzące i wychodzące w dwóch wariantach: lekki model na danych z czujnika time-of-flight do prostszych przejść i computer vision tam, gdzie ruch jest duży, a oświetlenie zmienne.
- Całe wnioskowanie odbywa się na urządzeniu, więc działa ono bez internetu i bez opóźnień, a żadne nagranie nie opuszcza miejsca przy drzwiach.
Punkt wyjścia
Wyzwanie
Bieżące monitorowanie liczby osób było albo ręczne i niewykonalne na większą skalę, albo oparte na drogich bramkach, albo nie istniało wcale. Operatorzy podejmowali decyzje o przepustowości i bezpieczeństwie bez wiarygodnych danych.
Wiedza o tym, ile osób jest w danej chwili w budynku lub pojeździe, wydaje się prosta, ale taka nie jest. Budynki mają wiele wejść i wyjść. Autobusy i pociągi otwierają na każdym przystanku wszystkie drzwi jednocześnie.
Ręczne liczenie jest niewykonalne przy jakiejkolwiek sensownej skali, a fizyczne bramki zliczające, czyli kołowroty i systemy barierek, są drogie w montażu i często niemożliwe do zainstalowania w istniejącym układzie budynku.
Potrzeba stała się paląca w czasie pandemii, gdy limity osób trzeba było egzekwować na bieżąco. Sam problem jest jednak trwały: zarządcy budynków, przewoźnicy i administratorzy obiektów potrzebują dokładnych danych o liczbie osób na potrzeby przepisów bezpieczeństwa, planowania przepustowości i sprawnej organizacji pracy, a proces ręczny tego nie zapewni.
Budowa
Co zbudowaliśmy
Razem z inżynierami sprzętu IoT z RapidLab opracowaliśmy warstwę AI dla kompaktowego urządzenia, które liczy osoby wchodzące i wychodzące. Montuje się je przy drzwiach w budynku albo przy wejściu do autobusu lub pociągu.
Dwa podejścia do dwóch rodzajów przejść
Zbudowaliśmy dwie wersje. Pierwsza wykorzystuje dane z czujnika time-of-flight i uczenie maszynowe na wzorcach szeregów czasowych: jest lekka i wystarcza w prostszych warunkach. Druga korzysta z obrazu wideo i computer vision opartego na deep learningu i sprawdza się tam, gdzie kilka osób przechodzi jednocześnie albo zmienia się oświetlenie.
Nic nie opuszcza urządzenia
Całe wnioskowanie odbywa się na samym urządzeniu; do chmury nie trafia ani obraz, ani dane z czujników. To świadoma decyzja z trzech powodów: reakcja w czasie rzeczywistym bez opóźnień sieciowych, możliwość wdrożenia w miejscach zupełnie bez internetu oraz prywatność, bo żadne nagranie osób nie opuszcza miejsca przy drzwiach.
Architektura dopasowana do sprzętu
Projekt obejmował zdefiniowanie protokołów zbierania danych, analizę wzorców w danych z czujników i szybkie iteracje kolejnych architektur sieci neuronowych, aby znaleźć równowagę między dokładnością a tym, co sprzęt brzegowy jest w stanie faktycznie obliczyć.
Na tyle małe, że pasuje wszędzie
Efektem jest małe urządzenie montowane przy dowolnych drzwiach: bez prac budowlanych, bez kołowrotów, bez zmian w architekturze. Dzięki temu wdrożenie w setkach lokalizacji lub pojazdów jest opłacalne.
Co się zmieniło
Rezultaty
Przed
Ręczne liczenie, drogie fizyczne bramki albo brak jakichkolwiek danych o liczbie osób. Żadnego bieżącego obrazu tego, ile osób jest w danym miejscu.
Po
Automatyczne liczenie w czasie rzeczywistym na kompaktowych urządzeniach brzegowych. Bez zależności od chmury i bez zmian w architekturze, z możliwością wdrożenia w budynkach i całych flotach pojazdów.
Operatorzy mają dokładne dane o liczbie osób w czasie rzeczywistym, bez kosztów i ograniczeń fizycznej infrastruktury zliczającej.
Liczenie działa w sposób ciągły i automatyczny: bez udziału personelu, bez połączenia z internetem i bez problemu z prywatnością, bo nagranie nigdy nie opuszcza urządzenia.
Poza bezpieczeństwem i zgodnością z przepisami dane zasilają planowanie operacyjne: analizę godzin szczytu, obsadę personelu i decyzje o przepustowości oparte na rzeczywistych liczbach zamiast szacunków.
Pytania o ten projekt
Automatyczne zliczanie osób. Bieżące monitorowanie liczby osób było albo ręczne i niewykonalne na większą skalę, albo oparte na drogich bramkach, albo nie istniało wcale. Operatorzy podejmowali decyzje o przepustowości i bezpieczeństwie bez wiarygodnych danych.
Całe przetwarzanie na urządzeniu, bez chmury i bez internetu: Edge AI. ML na danych z czujników time-of-flight i deep learning w computer vision: 2 tryby. Bieżąca liczba osób przy każdym wejściu i wyjściu: Na żywo. Małe urządzenie do budynków i pojazdów: Kompaktowe.
ML na szeregach czasowych i computer vision. Wykorzystana technologia: Computer vision, Deep learning, Czujniki time-of-flight, ML na szeregach czasowych, Edge AI, Optymalizacja sieci neuronowych, Integracja IoT.
Wykorzystana technologia
Porozmawiaj z zespołem, który to zbudował
Odpowiadamy w ciągu jednego dnia roboczego.
Więcej projektów
Produkcja i IoT · Predykcyjne utrzymanie ruchu
Stan windy znany na bieżąco, bez sprawdzania na miejscu
Czytaj więcej
Energetyka i technologie budynkowe · IoT
Dane z czujników, które zbierano i nigdy nie analizowano
Czytaj więcej
HealthTech · Computer vision i rehabilitacja