Lomake on lähetetty onnistuneesti.
Lisätietoja on postilaatikossasi.
Asiakkaamme on australialainen ohjelmistokehitys- ja IT-konsultointiyritys, joka on erikoistunut räätälöityjen IT-ratkaisujen toimittamiseen vähittäiskaupan alalle. Yritys on menestyksekkäästi konseptoinut, suunnitellut ja lanseerannut digitaalisia ratkaisuja eri vähittäiskaupan kategorioihin, mukaan lukien yleiset kauppatavarat, vaatteet ja päivittäistavarakauppa.
Yritys toimii maailmanlaajuisesti - monikansallisista vähittäiskaupan yrityksistä itsenäisiin myymälänomistajiin - ja tarjoaa valikoiman erittäin skaalautuvia tuotteita ja palveluja.
Aluksi tehtävä vaikutti suoraviivaiselta: kehittää kasvontunnistusratkaisu, joka pystyy tunnistamaan henkilöt luotettavasti reaaliajassa vähittäiskaupan ympäristöihin. Mutta jokainen, joka tuntee reaalimaailman videosyötteet, tietää, että ne ovat harvoin täydellisiä.
Suurin haaste oli epäjohdonmukainen videon laatu. Myymäläympäristöt ovat arvaamattomia - kamerat kuvaavat usein materiaalia huonossa valaistuksessa, hankalista kulmista ja jatkuvassa liikkeessä. Tämän seurauksena kasvot näyttivät epäselviltä, varjoisilta tai vääristyneiltä, minkä vuoksi järjestelmän oli vaikea tunnistaa ja kohdistaa kriittisiä kasvonpiirteitä, kuten silmiä, nenää ja suuta.
Joissakin tapauksissa epätasainen valaistus peitti kasvojen yksityiskohdat, kun taas toisissa tapauksissa epätarkkuuden ja varjojen yhdistelmä teki perinteisistä tunnistusmenetelmistä tehottomia. Nämä eivät olleet satunnaisia ongelmia - ne olivat jokapäiväisiä olosuhteita, joihin tiimimme oli vastattava.
Tämän voittamiseksi tarvitsimme muutakin kuin kehittyneitä algoritmeja. Insinööriemme oli suunniteltava järjestelmä, joka kykeni käsittelemään epätäydellisiä ja sotkuisia syötteitä - poimimaan merkityksellistä tietoa heikkolaatuisesta ja epäjohdonmukaisesta videosta, jotta saataisiin selkeitä ja käyttökelpoisia tuloksia. Yksinkertaisesti sanottuna, räätälöidyn kasvojentunnistusohjelmistoratkaisun oli toimittava todellisten haasteiden kanssa, ei taistella niitä vastaan.
Ratkaisun ytimeen integroitiin kehittyneitä syväoppimisalgoritmeja, joilla varmistetaan tarkka kasvojen tunnistus ja tunnistaminen myös vaativissa olosuhteissa, kuten huonossa valaistuksessa, epätavallisissa kuvakulmissa ja matalan resoluution syötteissä.
Käytimme RetinaFace-ohjelmaa sen nopeuden ja tarkkuuden vuoksi kasvojen tunnistuksessa, ja se on erityisen hyvä matalan resoluution kuvissa ja haastavissa valaistusolosuhteissa. Valitsimme MediaPipen kasvojen maamerkkien tunnistuksen, jolla tunnistetaan ja kohdistetaan kriittiset piirteet, kuten silmät, nenä ja suu. Tämän ansiosta järjestelmä pystyi käsittelemään erilaisia syötteitä vakaammin ja tarkemmin. Tämä mahdollisti kasvojen johdonmukaisen esikäsittelyn myös vääränlaisissa tai epätavallisissa kulmissa.
Kasvontunnistuksessa käytimme ArcFace-tekniikkaa, joka tunnetaan vahvasta suorituskyvystään diskriminoivien kasvojen upotusten tuottamisessa. Tarkkuuden optimoimiseksi vähittäiskaupan ympäristöissä tiimi hienosäädti runkomallia käyttämällä alalle ominaista dataa ja kohdennettuja lisäyksiä, kuten simuloitua epätarkkuutta ja kulman vääristymää. Tämän tuloksena järjestelmä saavutti 85-90% kasvojentunnistustarkkuuden haastavissa olosuhteissa ja säilytti yli 95% tarkkuuden laadukkailla syötteillä.
Valvontamateriaalissa on usein puutteita, joten osana räätälöityjä kasvojentunnistuspalvelujamme kehitimme vankan kuvien esikäsittelyputken, jonka avulla voimme puhdistaa syötteet ennen tunnistusta.
Yksi tärkeimmistä läpimurroista oli silmien lokalisointi. MediaPipe-putkistojen integrointi paransi järjestelmän kykyä havaita silmän pupillien keskipisteet. Tämä paransi huomattavasti kasvojen kohdentamista ja vakauttamista, minkä ansiosta pystyimme suodattamaan pois kehykset, jotka oli joko kuvattu huonosti tai kohdistettu väärin. Näin vain puhtaat ja laadukkaat kehykset menivät tunnistukseen, mikä paransi järjestelmän kokonaistarkkuutta.
Meidän oli käsiteltävä valtavia määriä videodataa, joten loimme eräkuvankäsittelymoduulin, jossa käytimme PyTorchia ja MediaPipeä.
Kehitimme myös moduulin, joka poimii ja käsittelee kuvia videosisällöstä irtotavarana, mikä säästää aikaa ja vähentää manuaalista työtä. Optimoitu järjestelmä käsittelee suuria tietomääriä saumattomasti jopa kiireisissä vähittäiskaupan ympäristöissä.
Räätälöidyn kasvojentunnistusohjelmiston integrointi CCTV-järjestelmään edellyttää kehittyneen kasvojentunnistusteknologian yhdistämistä olemassa olevaan valvontainfrastruktuuriin. Tämä integrointi muuttaa valvontakapasiteettia, jolloin henkilöt voidaan tunnistaa tarkasti ja reaaliaikaisesti myymälöissä tai varastoissa. Tällainen järjestelmä tiukentaa turvatoimia luvattoman pääsyn estämiseksi ja optimoi työntekijöiden hallintaa läsnäoloseurannan ja työkäyttäytymisen seurannan avulla. Tällaisella kokonaisvaltaisella lähestymistavalla minkä tahansa vähittäismyymälän ympäristöstä tulee paljon turvallisempi ja tehokkaampi toiminnan kannalta.
Nyt räätälöity kasvojentunnistusratkaisu käyttää CCTV-kameroiden live-videosyötteitä ja käyttää PyTorch- ja MediaPipe-pohjaisia algoritmeja havaitsemaan ja analysoimaan ainutlaatuisia kasvonpiirteitä, kuten silmien, nenän ja suun muotoa.
Järjestelmä käyttää henkilöiden uudelleen tunnistamisen (Re-ID) malleja, joiden avulla se seuraa henkilöitä kamerasta toiseen, vaikka ne olisivat peittyneitä tai siirtyisivät vyöhykkeeltä toiselle. Yhdessä PyTorchin päättelyominaisuuksiin perustuvan streamed frame-tason prosessoinnin kanssa järjestelmä tukee myös reaaliaikaista tunnistusta alle 200 ms:n latenssilla, jopa useiden live-virtojen välillä.
Aloitimme intensiivisillä työpajoilla ymmärtääkseen projektin tavoitteet ja haasteet, kuten huonon videolaadun käsittelyn, reaaliaikaisen käsittelyn ja järjestelmän skaalautuvuuden varmistamisen. Tiimimme teki yksityiskohtaisen tarkastuksen asiakkaan CCTV-asetuksista ja arvioi kameratyypit, kuvataajuudet ja videon laadun varmistaakseen, että mukautettu kasvojentunnistusohjelmisto toimisi luotettavasti todellisissa olosuhteissa.
Seuraavaksi tiimimme suunnitteli skaalautuvan, hajautetun arkkitehtuurin, joka pystyy käsittelemään useita live-striimejä samanaikaisesti. Järjestelmän jokainen osa - kasvojen havaitseminen, esikäsittely ja tunnistaminen - rakennettiin itsenäisenä komponenttina, mikä takaa sujuvan tiedonkulun ja vikasietoisuuden. Kartoitimme myös integraatiopisteet, joiden avulla ratkaisu voidaan liittää asiakkaan olemassa olevaan CCTV-verkkoon.
Noudatimme ketterää kehittämismenetelmää, toimitimme tulokset vaiheittain ja keräsimme säännöllisesti palautetta järjestelmän parantamiseksi. Seuraavassa kerrotaan, miten käsittelimme kutakin kriittistä osa-aluetta:
Jokaisessa sprintissä suoritimme tiukkaa testausta ja suorituskyvyn seurantaa pullonkaulojen poistamiseksi ja johdonmukaisen edistymisen tukemiseksi.
Laadunvarmistusasiantuntijamme ovat testanneet järjestelmää ja validoineet sen suorituskyvyn todellisissa olosuhteissa. olosuhteissa:
Koko testauksen ajan seurasimme suorituskykymittareita - tarkkuutta, nopeutta ja kehysten hylkäysprosenttia - ja hienosäädimme järjestelmää optimaalisten tulosten saavuttamiseksi.
Kun räätälöity kasvoanalyysiohjelmisto oli valmis, tiimimme otti sen käyttöön asiakkaan tuotantoon. ympäristöön mahdollisimman pienin häiriöin. Järjestelmä konfiguroitiin käsittelemään suoria videovirtoja ja integroimaan vaivattomasti olemassa olevaan CCTV-infrastruktuuriin. Sujuvan käyttöönoton varmistamiseksi tarjosimme myös koulutustilaisuuksia ja yksityiskohtaisen dokumentaation asiakkaan tiimille.
Osana rooliamme räätälöityjen kasvojentunnistusohjelmistojen kehitysyhtiönä tarjoamme jatkuvasti päivityksiä ja tukea järjestelmän tehokkuuden ja skaalautuvuuden parantamiseksi.
1
liiketoiminta-analyytikko
1
Projektipäällikkö
1
ML Engineer
1
QA
1
Back-End-kehittäjä
1
Front-End-kehittäjä
Tiimimme toimitti kasvojentunnistusjärjestelmän, joka vastasi onnistuneesti tärkeimpiin reaalimaailman haasteisiin, kuten matalaan resoluutioon, huonoon valaistukseen ja liikkeen epätarkkuuteen. Huolellisen suunnittelun ja optimoinnin avulla paransimme toiminnan tehokkuutta 70%:llä ja lyhensimme työntekijöiden todentamiseen kuluvaa aikaa 20 sekunnista alle 5 sekuntiin henkilöä kohden.
Insinöörimme varmistivat, että järjestelmä pystyy käsittelemään vaativia työtehtäviä ottamalla käyttöön tehokkaita prosessointiputkia. Tämän ansiosta se käsittelee nyt tuhansia kasvoja sekunnissa useiden videovirtojen kautta. Käyttämällä GPU-optimoitua AWS-infrastruktuuria ja hienosäätämällä suorituskykyä pystyimme pitämään toiminnan sujuvana ja johdonmukaisena myös vähittäiskaupan ruuhka-aikoina.
Toimintamme vahvisti myös turvallisuustuloksia. Tiimimme kehittämien reaaliaikaisten hälytysmekanismien ansiosta järjestelmä voi tuottaa välittömiä ilmoituksia luvattomista henkilöistä. Tämän seurauksena turvallisuusvasteajat lyhenivät 40%, minkä ansiosta paikan päällä toimivat tiimit voivat toimia nopeammin ja yleinen tilannetietoisuus paranee.
Luotettavuus oli keskeisellä sijalla koko hankkeen ajan. Tiimimme optimoinnit takasivat 99,9%:n käytettävyyden ja tarjosivat keskeytymättömän toiminnan kriittisille prosesseille, kuten kulunvalvonnalle ja live-seurannalle. Saumaton integrointi asiakkaan nykyisiin järjestelmiin vähensi lisäksi turvallisuuteen liittyviä vaaratilanteita 20-25%, mikä auttoi vähittäiskauppiaita luomaan turvallisempia ja paremmin hallinnoituja ympäristöjä.
Kaiken kaikkiaan ratkaisu osoittautui nopeaksi, tarkaksi ja skaalautuvaksi. Se optimoi turvallisuutta, mutta myös yksinkertaisti läsnäolojen hallintaa ja paransi päivittäisiä operatiivisia työnkulkuja, mikä toi konkreettisia tuloksia vähittäiskaupan ympäristöihin.
50%
Viestisi on lähetetty.
Käsittelemme pyyntösi ja otamme sinuun yhteyttä mahdollisimman pian.
Rekisteröitymällä hyväksyt Tietosuojakäytäntö, mukaan lukien evästeiden käyttö ja henkilötietojesi siirto.