Betrüger verschickten gefälschte Rechnungen - wir gehen dem Problem auf den Grund

Bitte hinterlassen Sie Ihre Kontaktdaten, wir senden Ihnen dann unsere Übersicht per E-Mail zu

Ich stimme der Verarbeitung meiner persönlichen Daten zu, um personalisiertes Marketingmaterial in Übereinstimmung mit der der Datenschutzrichtlinie geschickt zu bekommen. Mit der Bestätigung der Anmeldung erklären Sie sich damit einverstanden, Marketingmaterial zu erhalten

Vielen Dank!

Das Formular wurde erfolgreich abgeschickt.
Weitere Informationen finden Sie in Ihrem Briefkasten.

DE EN IT NL FR ES SV NB PT PL

Innowise ist ein internationales Softwareentwicklungsunternehmen Unternehmen, das 2007 gegründet wurde. Wir sind ein Team von mehr als 2000+ IT-Experten, die Software für andere Fachleute weltweit.

Überblick downloaden

Unser Nearshore-Entwicklungsprozess Unternehmerische Sozialverantwortung Design Studio XR-Studio Partnerschaft Karriere Blog

Fallstudien

Bankwesen Finanzen Gesundheitswesen Pharmazie

E-Commerce Einzelhandel CEO Unternehmen

Unsere Plattformen

Bewerber-Tracking-System (ATS) HRM-Software Learning Management System (LMS) System zur Buchung von Arbeitsplätzen

Einführung einer maßgeschneiderten Softwarelösung für die Gesichtserkennung

AWS

Python

Einzelhandel

Software-Erweiterung

Innowise hat eine fortschrittliche Gesichtserkennungslösung entwickelt, um die Sicherheit zu erhöhen und Identifikationsprozesse zu rationalisieren.

Der Kunde

Branche

Einzelhandel

Region

Kunde seit

2022

Unser Kunde ist ein australisches Softwareentwicklungs- und IT-Beratungsunternehmen, das sich auf die Bereitstellung von maßgeschneiderten IT-Lösungen für den Einzelhandel spezialisiert hat. Mit einer starken Erfolgsbilanz haben sie erfolgreich digitale Lösungen für verschiedene Einzelhandelskategorien konzipiert, entworfen und eingeführt, darunter allgemeine Waren, Bekleidung und Lebensmittel.

Das Unternehmen ist weltweit tätig - von multinationalen Einzelhandelskonzernen bis hin zu unabhängigen Ladenbesitzern - und bietet eine Reihe von hochgradig skalierbaren Produkten und Dienstleistungen an.

Herausforderung

Verbesserung der Genauigkeit der Gesichtserkennung für den Einzelhandel

Zunächst schien die Aufgabe einfach zu sein: eine Gesichtserkennungslösung zu entwickeln, die Personen in Einzelhandelsumgebungen zuverlässig in Echtzeit identifizieren kann. Aber jeder, der sich mit realen Videoübertragungen auskennt, weiß, dass diese selten perfekt sind.

Die größte Herausforderung war die uneinheitliche Videoqualität. Die Einstellungen im Einzelhandel sind unvorhersehbar - die Kameras nehmen oft Aufnahmen bei schlechter Beleuchtung, aus ungünstigen Winkeln und in ständiger Bewegung auf. Infolgedessen erschienen die Gesichter verschwommen, schattiert oder verzerrt, was es dem System erschwerte, wichtige Gesichtsmerkmale wie Augen, Nase und Mund zu erkennen und auszurichten.

In einigen Fällen verdeckten ungleichmäßige Lichtverhältnisse die Gesichtsdetails, während in anderen Fällen die Kombination aus Unschärfe und Schatten die herkömmlichen Erkennungsmethoden unwirksam machte. Dies waren keine gelegentlichen Probleme - es waren die alltäglichen Bedingungen, mit denen unser Team umgehen musste.

Um dieses Problem zu lösen, brauchten wir mehr als nur fortschrittliche Algorithmen. Unsere Ingenieure mussten ein System entwickeln, das in der Lage ist, unvollkommene, unordentliche Eingaben zu verarbeiten und aussagekräftige Daten aus minderwertigen, inkonsistenten Videos zu extrahieren, um klare und umsetzbare Ergebnisse zu liefern. Einfach ausgedrückt: Die benutzerdefinierte Gesichtserkennungssoftware musste mit den Herausforderungen der realen Welt arbeiten, nicht gegen sie ankämpfen.

Lösung

Verbesserung der Sicherheit und Effizienz im Einzelhandel durch ein Gesichtserkennungssystem

Der Ansatz unseres Teams für die Entwicklung kundenspezifischer Gesichtserkennungssoftware konzentrierte sich auf drei entscheidende Ziele: Genauigkeit, Echtzeitverarbeitung und Anpassungsfähigkeit an Eingaben von geringer Qualität.

Zuverlässige Gesichtsdetektion und -erkennung

Im Kern der Lösung haben wir fortschrittliche Deep-Learning-Algorithmen integriert, um eine präzise Gesichtserkennung und -erfassung zu gewährleisten, selbst unter anspruchsvollen Bedingungen wie schlechter Beleuchtung, ungewöhnlichen Blickwinkeln und niedrig aufgelösten Eingaben.

Gesichtserkennung und -ausrichtung

Wir haben RetinaFace wegen seiner Schnelligkeit und Genauigkeit bei der Gesichtserkennung eingesetzt, die sich besonders bei Bildern mit niedriger Auflösung und schwierigen Lichtverhältnissen auszeichnet. Wir haben uns für die Erkennung von Gesichtsmerkmalen in MediaPipe entschieden, um wichtige Merkmale wie Augen, Nase und Mund zu identifizieren und auszurichten. Dadurch konnte das System verschiedene Eingaben mit größerer Stabilität und Genauigkeit verarbeiten. Dies ermöglichte eine konsistente Vorverarbeitung von Gesichtern, selbst bei falscher Ausrichtung oder ungewöhnlichen Winkeln.

Präzise Modelle zur Gesichtserkennung

Für die Gesichtserkennung nutzten wir die ArcFace-Technik, die für ihre hohe Leistung bei der Erzeugung diskriminierender Gesichtseinbettungen bekannt ist. Zur Optimierung der Genauigkeit in Einzelhandelsumgebungen hat das Team das Backbone-Modell anhand bereichsspezifischer Daten mit gezielten Erweiterungen, einschließlich simulierter Unschärfe und Winkelverzerrung, feinabgestimmt. Als Ergebnis erreichte das System eine Gesichtserkennungsgenauigkeit von 85-90% unter schwierigen Bedingungen und eine Genauigkeit von über 95% bei hochwertigen Eingaben.

Verbesserungen für Bildgenauigkeit und Systemleistung

Überwachungsaufnahmen weisen oft Mängel auf. Deshalb haben wir im Rahmen unserer kundenspezifischen Gesichtserkennungsdienste eine robuste Bildvorverarbeitungspipeline entwickelt, um die Eingaben vor der Erkennung zu bereinigen.

Einer der wichtigsten Durchbrüche, die wir erzielt haben, war die Lokalisierung der Augen. Durch die Integration von MediaPipe-Pipelines wurde die Fähigkeit des Systems verbessert, die Zentren der Augenpupillen zu erkennen. Dies verbesserte die Ausrichtung und Stabilisierung von Gesichtern erheblich und ermöglichte es uns, Bilder herauszufiltern, die entweder schlecht erfasst oder falsch ausgerichtet waren. Auf diese Weise wurden nur saubere und qualitativ hochwertige Bilder für die Erkennung verwendet, was die Gesamtgenauigkeit des Systems verbesserte.

Effiziente Stapelverarbeitung von Bildern

Da wir große Mengen an Videodaten verarbeiten mussten, haben wir mit PyTorch und MediaPipe ein Modul zur Stapelverarbeitung von Bildern entwickelt.

Wir haben auch ein Modul entwickelt, mit dem Bilder aus Video-Feeds in großen Mengen extrahiert und verarbeitet werden können, was Zeit spart und den manuellen Aufwand verringert. Das optimierte System verarbeitet große Datenmengen nahtlos, selbst in geschäftigen Einzelhandelsumgebungen.

Integration in ein CCTV-System

Bei der Integration von kundenspezifischer Gesichtserkennungssoftware in ein CCTV-System (Closed Circuit Television) wird fortschrittliche Gesichtserkennungstechnologie mit der bestehenden Überwachungsinfrastruktur kombiniert. Durch diese Integration werden die Überwachungsmöglichkeiten neu konfiguriert, was eine präzise Identifizierung von Personen in Geschäften oder Lagern in Echtzeit ermöglicht. Ein solches System verschärft die Sicherheitsmaßnahmen gegen unbefugten Zutritt und optimiert das Mitarbeitermanagement durch Anwesenheitsverfolgung und Überwachung des Arbeitsverhaltens. Mit einem derartigen ganzheitlichen Ansatz wird die Umgebung jeder Einzelhandelsfiliale wesentlich sicherer und effizienter im Betrieb.

Die benutzerdefinierte Gesichtserkennungslösung greift nun auf Live-Videobilder von CCTV-Kameras zu und verwendet PyTorch- und MediaPipe-basierte Algorithmen, um einzigartige Gesichtsmerkmale wie die Form von Augen, Nase und Mund zu erkennen und zu analysieren.

Mithilfe von Re-ID-Modellen (Person Re-Identification) verfolgt das System Personen von einer Kamera zur anderen, selbst bei Verdeckung oder wenn sie sich von einem Bereich in einen anderen bewegen. In Kombination mit der Verarbeitung auf Frame-Ebene, die durch die Inferenzfunktionen von PyTorch unterstützt wird, unterstützt das System auch die Erkennung in Echtzeit mit einer Latenzzeit von unter 200 ms, selbst bei mehreren Live-Streams.

Technologien

Backend

.NET 6C#, Python

Cloud

AWS (Kinesis Video Streaming, EC2, EKS, ECR, S3, Glue)

DevOps

GitHub-Aktionen, Kubernetes, Nginx

Maschinelles Lernen

PyTorch, MediaPipe

VCS

Git, GitHub

Prozess

Wir begannen mit intensiven Workshops, um die Projektziele und die anstehenden Herausforderungen zu verstehen - wie
die Handhabung schlechter Videoqualität, die Echtzeitverarbeitung und die Skalierbarkeit des Systems. Unser Team führte eine
detaillierte Prüfung der CCTV-Anlage des Kunden, wobei Kameratypen, Bildraten und Videoqualität bewertet werden, um sicherzustellen, dass die
eine maßgeschneiderte Gesichtserkennungssoftware unter realen Bedingungen zuverlässig funktionieren würde.

Systementwurf und Architekturplanung

Als Nächstes entwickelte unser Team eine skalierbare, verteilte Architektur, die in der Lage ist, mehrere Live
Streams gleichzeitig. Jeder Teil des Systems - Gesichtserkennung, Vorverarbeitung und Erkennung - wurde als
unabhängige Komponente, die einen reibungslosen Datenfluss und Fehlertoleranz gewährleistet. Wir haben auch Integrationspunkte zur Verbindung von
die Lösung mit dem bestehenden CCTV-Netzwerk des Kunden.

Entwicklung und Umsetzung

Wir verfolgten einen agilen Entwicklungsansatz, lieferten die Ergebnisse schrittweise und holten regelmäßig Feedback ein.
um das System zu verfeinern. Im Folgenden erfahren Sie, wie wir die einzelnen kritischen Bereiche angegangen sind:

Gesichtserkennung und -ausrichtung: Unsere Ingenieure haben die Erkennungspipeline entwickelt und optimiert, um
stabilisieren
eingehende Videos, die Herausforderungen wie uneinheitliche Beleuchtung, ungewöhnliche Blickwinkel und Bewegungen meistern.
Vorverarbeitung von Bildern: Unser Team hat die Videobilder durch Filterung und Stabilisierung verbessert,
die nur sauber sind,
brauchbare Rahmen wurden zur Anerkennung nach vorne gebracht.
Erkennungsmodelle: Anhand von realen Videobeispielen haben wir die Erkennungspipeline feinabgestimmt
um genau
Gesichter zu erkennen, selbst bei extremen Winkeln oder teilweisen Hindernissen.
Optimierung der Stapelverarbeitung: Um große Videomengen effizient zu verwalten, ist unsere optimierte
Stapelverarbeitung
Workflows für archiviertes Filmmaterial bei gleichzeitiger Entlastung des Echtzeitbetriebs.

Bei jedem Sprint haben wir strenge Tests und Leistungsüberwachungen durchgeführt, um Engpässe zu beseitigen und
unterstützen konsequente Fortschritte.

Testen und Validieren

Unsere QA-Spezialisten haben das System auf Herz und Nieren geprüft, um seine Leistung unter realen Bedingungen zu validieren Bedingungen:

Funktionsprüfung: Jedes Modul wurde einzeln und als Teil der gesamten Pipeline getestet.
Stresstests: Unser Team bewertete die Fähigkeit des Systems, mehrere Kameraströme zu verarbeiten unter hoher Belastung.
Validierung in der realen Welt: Anhand echter Videoaufnahmen aus dem Einzelhandel haben wir überprüft, dass das System auch bei schlechten Lichtverhältnissen, Bewegungsunschärfe oder niedriger Auflösung konsistente Ergebnisse liefert.
Edge-Case-Tests: Unser Team testete anspruchsvolle Szenarien wie Teilflächen und extreme Winkel, um Robustheit und Zuverlässigkeit zu gewährleisten.

Während der gesamten Testphase haben wir die Leistungskennzahlen - Genauigkeit, Geschwindigkeit und Bildverwerfungsraten - verfolgt und und das System für optimale Ergebnisse feinabgestimmt.

Bereitstellung und Integration

Sobald die maßgeschneiderte Gesichtsanalysesoftware fertig war, setzte unser Team sie in der Produktionsumgebung des Kunden ein. Produktionsumgebung des Kunden mit minimaler Unterbrechung. Das System wurde so konfiguriert, dass es Live-Videoströme verarbeitet und sich mühelos in die bestehende CCTV-Infrastruktur zu integrieren. Um eine reibungslose Einführung zu gewährleisten, boten wir auch Schulungen und ausführliche Dokumentation für das Team des Kunden.

Wartung und Unterstützung nach der Einführung

Als Teil unserer Rolle als Unternehmen für die Entwicklung kundenspezifischer Gesichtserkennungssoftware bieten wir kontinuierliche Updates und Support, um die Effizienz und Skalierbarkeit des Systems zu verbessern.

Team

Business-Analyst

Projekt-
rmanager

ML-Ingenieur

Back-End-Entwickler

Front-End-
Entwickler

Ergebnisse

Erhöhte Sicherheit und optimierte Gesichtserkennung

Unser Team hat ein Gesichtserkennungssystem entwickelt, das die wichtigsten Herausforderungen in der Praxis meistert, wie geringe Auflösung, schlechte Beleuchtung und Bewegungsunschärfe. Durch sorgfältige Entwicklung und Optimierung konnten wir die 70% die Betriebseffizienz und verringerte die Verifizierungszeit der Mitarbeiter von 20 Sekunden auf unter 5 Sekunden pro Person.

Unsere Ingenieure sorgten dafür, dass das System anspruchsvolle Arbeitslasten bewältigen konnte, indem sie effiziente Verarbeitungspipelines. Das Ergebnis ist, dass jetzt Tausende von Gesichtern pro Sekunde über mehrere Videoströme hinweg verarbeitet werden. Durch die Nutzung der GPU-optimierten AWS-Infrastruktur und die Feinabstimmung der Leistung konnten wir einen reibungslosen und und konsistent zu halten, sogar während der Spitzenzeiten im Einzelhandel.

Unsere Bemühungen haben auch zu einer Verbesserung der Sicherheitsergebnisse geführt. Die von unserem Team entwickelten Echtzeit-Warnmechanismen ermöglichen es dem System, sofortige Benachrichtigungen über nicht autorisierte Personen zu generieren. Infolgedessen haben sich die Reaktionszeiten der Sicherheit um 40% verkürzt, was den Teams vor Ort ein schnelleres Handeln ermöglicht und das allgemeine Situationsbewusstsein verbessert.

Die Zuverlässigkeit stand während des gesamten Projekts im Mittelpunkt. Die Optimierungen unseres Teams gewährleisteten eine Betriebszeit von 99,9% und einen unterbrechungsfreien Betrieb für kritische Prozesse wie Zugangskontrolle und Live-Überwachung. Die nahtlose Integration nahtlose Integration in die bestehenden Systeme des Kunden trug außerdem zu einer 20-25% Reduzierung sicherheitsrelevanter Vorfälle bei und half Einzelhändlern, sicherere und besser verwaltete Umgebungen zu schaffen.

Insgesamt erwies sich die Lösung als schnell, genau und skalierbar. Sie hat nicht nur die Sicherheit optimiert, sondern auch vereinfachte die Anwesenheitsverwaltung und verbesserte die täglichen Arbeitsabläufe und lieferte greifbare Ergebnisse für den Einzelhandel. Umgebungen.

Projektzeitraum

Mai 2022 - Oktober 2022

99.8%

Verifizierungen unter 200 ms pro Frame auf GPU-optimierten AWS-Instanzen

85-90%

Genauigkeit der Gesichtserkennung bei schwachem Licht oder Bewegungsunschärfe

50%

weniger manuelle Eingriffe durch zuverlässige automatische Identifizierung

Unsere aktuellen Fallstudien

Kontaktieren Sie uns!

Anruf buchen or fill out the form below and we’ll get back to you once we’ve processed your

Name

Unternehmen

E-Mail

Telefon

Nachricht Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.

Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
und andere Infos bei.

Hängen Sie nach Bedarf zusätzliche Dokumente an.

Datei hochladen

Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

Wie geht es weiter?

Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA (Vertraulichkeitserklärung) für die Vertraulichkeit der Informationen zu unterzeichnen.

Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung mit Ihnen zu treffen.

Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.