Vi lanserer en tilpasset programvareløsning for ansiktsgjenkjenning

Innowise har utviklet en avansert ansiktsgjenkjenningsløsning for å øke sikkerheten og effektivisere identifikasjonsprosessene.

Kunde

Industri

Detaljhandel

Region

Kunde siden

2022

Vår kunde er et australsk programvareutviklings- og IT-konsulentselskap som spesialiserer seg på å levere skreddersydde IT-løsninger til detaljhandelen. De har en lang erfaring med å konseptualisere, designe og lansere digitale løsninger for ulike detaljhandelskategorier, blant annet dagligvarer, klær og dagligvarer.

Selskapet opererer på global skala - fra multinasjonale detaljhandelsselskaper til uavhengige butikkeiere - og tilbyr en rekke svært skalerbare produkter og tjenester.

Utfordring

Økt nøyaktighet for ansiktsgjenkjenning i detaljhandelen

Til å begynne med virket oppgaven enkel: å utvikle en ansiktsgjenkjenningsløsning som kunne identifisere personer i sanntid i butikkmiljøer. Men alle som kjenner til videofeeder fra den virkelige verden, vet at de sjelden er perfekte.

Hovedutfordringen var ujevn videokvalitet. Innstillingene i detaljhandelen er uforutsigbare - kameraene tar ofte bilder i dårlig belysning, fra uheldige vinkler og i konstant bevegelse. Resultatet var at ansiktene virket uskarpe, skyggelagte eller forvrengte, noe som gjorde det vanskelig for systemet å oppdage og justere viktige ansiktstrekk som øyne, nese og munn.

I noen tilfeller skjulte ujevn belysning ansiktsdetaljer, mens i andre tilfeller gjorde kombinasjonen av uskarphet og skygger tradisjonelle gjenkjenningsmetoder ineffektive. Dette var ikke sporadiske problemer - det var hverdagslige forhold teamet vårt måtte håndtere.

For å få bukt med dette trengte vi mer enn avanserte algoritmer. Ingeniørene våre måtte utvikle et system som kunne behandle ufullkomne, uoversiktlige inndata - og trekke ut meningsfulle data fra inkonsekvent video av lav kvalitet for å levere tydelige og handlingsrettede resultater. Kort sagt måtte den tilpassede programvareløsningen for ansiktsgjenkjenning fungere med utfordringene i den virkelige verden, ikke kjempe mot dem.

Løsning

Økt sikkerhet og effektivitet i detaljhandelen med et system for ansiktsgjenkjenning

Teamets tilnærming til utvikling av tilpasset programvare for ansiktsgjenkjenning har fokusert på tre viktige mål: nøyaktighet, sanntidsbehandling og tilpasningsevne til inndata av lav kvalitet.

Pålitelig ansiktsgjenkjenning og -registrering

I kjernen av løsningen har vi integrert avanserte dyplæringsalgoritmer for å sikre presis ansiktsgjenkjenning, selv under krevende forhold som dårlig belysning, uvanlige vinkler og inndata med lav oppløsning.

Ansiktsgjenkjenning og justering

Vi brukte RetinaFace på grunn av dets hastighet og nøyaktighet når det gjelder ansiktsgjenkjenning, og det utmerket seg spesielt i bilder med lav oppløsning og utfordrende lysforhold. Vi valgte MediaPipes deteksjon av landemerker i ansiktet for å identifisere og justere kritiske trekk som øyne, nese og munn. Resultatet var at systemet kunne håndtere ulike inndata med større stabilitet og nøyaktighet. Dette muliggjorde konsekvent forbehandling av ansikter, selv under feil innretting eller uvanlige vinkler.

Nøyaktige modeller for ansiktsgjenkjenning

For ansiktsgjenkjenning brukte vi ArcFace-teknikken, som er kjent for sine gode resultater når det gjelder å generere diskriminerende ansiktsbeddings. For å optimalisere nøyaktigheten i butikkmiljøer finjusterte teamet backbone-modellen ved hjelp av domenespesifikke data med målrettede utvidelser, inkludert simulert uskarphet og vinkelforvrengning. Resultatet var at systemet oppnådde 85-90% nøyaktighet for ansiktsgjenkjenning under utfordrende forhold og opprettholdt en nøyaktighet på over 95% med inndata av høy kvalitet.

Forbedringer av bildepresisjon og systemytelse

Overvåkingsopptak har ofte ufullkommenheter, så som en del av våre tilpassede utviklingstjenester for ansiktsgjenkjenning har vi utviklet en robust pipeline for bildeforbehandling for å rydde opp i inndataene før gjenkjenning.

Et av de viktigste gjennombruddene vi brakte inn, var øyelokalisering. Integreringen av MediaPipe-pipelines forbedret systemets evne til å oppdage øyepupillenes senter. Dette forbedret ansiktsjusteringen og -stabiliseringen betraktelig, slik at vi kunne filtrere bort bilder som enten var dårlig fanget opp eller feiljustert. På denne måten ble bare rene bilder av høy kvalitet gjenkjent, noe som forbedret systemets generelle nøyaktighet.

Effektiv batch-bildebehandling

Vi hadde behov for å håndtere store mengder videodata, så vi utviklet en modul for batchbehandling av bilder ved hjelp av PyTorch og MediaPipe.

Vi utviklet også en modul for å hente ut og behandle bilder fra videostrømmer i bulk, noe som sparer tid og reduserer det manuelle arbeidet. Det optimaliserte systemet håndterer store datamengder sømløst, selv i travle butikkmiljøer.

Integrering med et CCTV-system

Integrering av tilpasset programvare for ansiktsgjenkjenning med et kameraovervåkingssystem innebærer å kombinere avansert ansiktsgjenkjenningsteknologi med den eksisterende overvåkingsinfrastrukturen. Denne integrasjonen omkonfigurerer overvåkingskapasiteten og muliggjør presis identifisering av personer i butikker eller lagerbygninger i sanntid. Et slikt system skjerper sikkerhetstiltakene mot uautorisert tilgang og optimaliserer ledelsen av de ansatte gjennom sporing av oppmøte og overvåking av arbeidsatferd. Med en slik helhetlig tilnærming blir miljøet i et hvilket som helst utsalgssted mye tryggere og mer effektivt.

Nå får den tilpassede ansiktsgjenkjenningsløsningen tilgang til direkte videostrømmer fra CCTV-kameraer og bruker PyTorch- og MediaPipe-baserte algoritmer for å oppdage og analysere unike ansiktstrekk, for eksempel formen på øyne, nese og munn.

Ved hjelp av modeller for persongjenkjenning (Re-ID) sporer systemet personer fra ett kamera til et annet, selv med okklusjon eller mens de beveger seg fra en sone til en annen. Kombinert med strømmet prosessering på rammenivå, drevet av PyTorchs inferensfunksjoner, støtter systemet også sanntidsgjenkjenning med en latenstid på under 200 ms, selv på tvers av flere direktestrømmer.

Teknologier

Back-end

.NET 6, C#, Python

Cloud

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

DevOps

GitHub Actions, Kubernetes, Nginx

Maskinlæring

PyTorch, MediaPipe

VCS

Git, GitHub

Prosess

Vi begynte med intensive workshops for å forstå prosjektets mål og utfordringer - som
håndtere dårlig videokvalitet, muliggjøre sanntidsbehandling og sikre at systemet kunne skaleres. Teamet vårt utførte en
detaljert gjennomgang av kundens CCTV-oppsett, med vurdering av kameratyper, bildefrekvenser og videokvalitet for å sikre at
tilpasset programvare for ansiktsgjenkjenning ville fungere pålitelig under virkelige forhold.

Systemdesign og arkitekturplanlegging

Deretter utviklet teamet vårt en skalerbar, distribuert arkitektur som kunne behandle flere live
strømmer samtidig. Hver del av systemet - ansiktsgjenkjenning, forbehandling og gjenkjenning - ble bygget som en
uavhengig komponent, noe som sikrer jevn dataflyt og feiltoleranse. Vi kartla også integrasjonspunkter for å koble
løsningen med kundens eksisterende CCTV-nettverk.

Utvikling og implementering

Vi fulgte en smidig utviklingsmetode, leverte resultatene trinnvis og innhentet regelmessige tilbakemeldinger
for å forbedre systemet. Her kan du se hvordan vi taklet hvert enkelt kritisk område:

Ansiktsgjenkjenning og justering: Våre ingeniører bygget og optimaliserte deteksjonspipelinen for å
stabilisere
innkommende video, og løser utfordringer som inkonsekvent belysning, uvanlige vinkler og bevegelse.
Forbehandling av bilder: Teamet vårt forbedret videobildene med filtrering og stabilisering,
sikrer bare rent,
brukbare rammer flyttet frem for anerkjennelse.
Gjenkjenningsmodeller: Ved hjelp av virkelige videoeksempler finjusterte vi gjenkjenningsrørledningen
for å nøyaktig
identifiserer ansikter, selv under ekstreme vinkler eller delvis obstruksjon.
Optimalisering av batchprosessering: For å håndtere store videovolumer effektivt, har vår optimaliserte
batchbehandling
arbeidsflyter for arkiverte opptak, samtidig som belastningen på sanntidsoperasjoner reduseres.

Ved hver sprint gjennomførte vi grundige tester og ytelsesovervåking for å løse flaskehalser og
støtte konsekvent fremgang.

Testing og validering

Våre QA-spesialister har testet systemet for å validere ytelsen under virkelige forhold. forhold:

Funksjonell testing: Hver modul ble testet enkeltvis og som en del av hele pipelinen.
Stresstesting: Teamet vårt evaluerte systemets evne til å behandle flere kamerastrømmer under store belastninger.
Validering i den virkelige verden: Ved hjelp av faktiske videofeeder fra detaljhandelen verifiserte vi at systemet leverte konsistente resultater selv med dårlig belysning, bevegelsesuskarphet eller lav oppløsning.
Testing av kanttilfeller: Teamet vårt testet utfordrende scenarier som delvise flater og ekstreme vinkler for å garantere robusthet og pålitelighet.

Gjennom hele testingen sporet vi ytelsesmålinger - nøyaktighet, hastighet og bildeavvisningsrater - og og finjusterte systemet for å oppnå optimale resultater.

Utplassering og integrering

Da den tilpassede programvaren for ansiktsanalyse var klar, distribuerte teamet vårt den inn i kundens produksjonsmiljø produksjonsmiljø med minimale forstyrrelser. Systemet ble konfigurert til å behandle direkte videostrømmer og integreres med den eksisterende CCTV-infrastrukturen. For å sikre en smidig utrulling sørget vi også for opplæring og detaljert dokumentasjon for kundens team.

Vedlikehold og support etter utrulling

Som en del av vår rolle som et selskap som utvikler tilpasset programvare for ansiktsgjenkjenning, tilbyr vi kontinuerlig oppdateringer og støtte for å forbedre systemets effektivitet og skalerbarhet.

Team

Forretningsanalytiker

Prosjektleder

ML-ingeniør

Back-end-utvikler

Front-end-utvikler

Resultater

Forbedret sikkerhet og strømlinjeformet ansiktsidentifisering

Teamet vårt leverte et system for ansiktsgjenkjenning som løste viktige utfordringer i den virkelige verden, som lav oppløsning, dårlig belysning og bevegelsesuskarphet. Gjennom nøye design og optimalisering forbedret vi driftseffektiviteten med 70%, og reduserte verifiseringstiden for ansatte fra 20 sekunder til under 5 sekunder per person.

Ingeniørene våre sørget for at systemet kunne håndtere krevende arbeidsmengder ved å implementere effektive prosesseringspipelines. Resultatet er at det nå behandler tusenvis av ansikter i sekundet på tvers av flere videostrømmer. Ved å bruke GPU-optimalisert AWS- infrastruktur og finjustere ytelsen, klarte vi å holde ting i gang jevnt og konsistent, selv i de travleste butikktidene.

Innsatsen vår har også styrket sikkerhetsresultatene. Sanntidsvarslingsmekanismene som teamet vårt har utviklet gjør det mulig for systemet å generere øyeblikkelige varsler om uautoriserte personer. Som et resultat av dette ble responstiden redusert med 40%, noe som gjør det mulig for teamene på stedet å handle raskere og forbedre den generelle situasjonsforståelsen.

Pålitelighet var et hovedfokus gjennom hele prosjektet. Teamets optimaliseringer sikret 99,9% oppetid og uavbrutt drift for uavbrutt drift for kritiske prosesser som tilgangskontroll og live-overvåking. Sømløs integrering med kundens eksisterende systemer bidro ytterligere til en reduksjon på 20-25% i sikkerhetsrelaterte hendelser, noe som hjalp til å skape tryggere og bedre administrerte miljøer.

Alt i alt viste løsningen seg å være rask, nøyaktig og skalerbar. Den optimaliserte ikke bare sikkerheten, men men også forenklet fremmøtehåndtering og forbedret den daglige arbeidsflyten, noe som gir konkrete resultater for miljøer.

Prosjektets varighet

Mai 2022 - oktober 2022

99.8%

verifiseringer under 200 ms per bilde på GPU-optimaliserte AWS-instanser

85-90%

nøyaktig ansiktsgjenkjenning i svak belysning eller bevegelsesuskarphet

50%

færre manuelle inngrep med pålitelig automatisert identifikasjon

Relaterte saker

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.