编辑| 智慧东西内参
传统安防企业和新兴AI初创企业开始从技术的各个维度积极拥抱人工智能，在模式识别、图像处理、计算机视觉和语音信息处理等基础理论方面进行深入研究和不断创新，探索模式识别机制和有效的计算方法为解决应用实践问题提供了关键技术，具有对原创技术的突破能力。
许多公司推出了一系列前后端AI安全产品，理论上满足了很多典型场景下的实际应用需求。 随着人工智能技术的不断进步，传统的被动防御安全系统将升级为具有主动判断和预警功能的智能安全系统； 安防有望从单一安防领域向多行业应用发展，提高生产效率，提升生活智能化。 更多的行业和人群提供可视化和智能化的解决方案。
本期智能内参，推荐中科院自动化所出品的报告《安防+AI人工智能工程白皮书》，系统总结了安防+AI的发展现状，特别关注分析指出了智能安防领域存在的八个局限性因素，以及智能安防发展的八个新趋势，供学术界和产业界的学者专家参考。 如需收藏本报告全文（《安全+AI人工智能工程白皮书》），可在知世公众号回复关键词“nc302”获取。
以下是智能内参整理呈现的干货：
一、安全+AI的前世今生
一、人工智能的发展历程
20世纪50年代以来，人工智能的发展经历了三个阶段：
1、20世纪50年代到80年代：人工智能基本形成，但还远未达到智能化水平。
2、80年代至90年代末：专家系统发展迅速，数学模型取得重大突破。
3、21世纪初到现在：随着大数据的积累、算法理论的革新、计算能力的提高，特别是深度学习技术的发展，机器实现了分析数据的能力，并具有独立学习的能力。
▲AI的发展史
2、AI产品化迫在眉睫
得益于基础硬件的强化和软件架构的优化，人工智能实现了这一轮的爆发式增长。 基础应用技术的深入研发，使人工智能从抽象的技术向触手可及的产品和服务转变。
▲深度学习人工智能技术架构
本次产品化基于目前三大技术框架，即基础硬件层、软件框架层和算法框架：
基础硬件层为算法提供基础计算能力。 涵盖GPU、CPU、FPGA、ASIC。
▲基础硬件提供基础计算能力，四种硬件特性
软件框架层实现算法的模块化封装，为应用开发提供集成的软件工具包。 该层覆盖包括为算法实现开发的各种应用和算法工具包，为上层应用开发提供算法调用接口，提高应用实现效率。
算法框架是构建人工智能核心生态的关键环节，是决定人工智能技术、产业和应用的核心环节，是构建人工智能核心生态的基础和关键。
当前人工智能的商业化主要基于计算机视觉、智能语音、自然语言处理等基础应用技术，并形成相应的产品或服务。
目前，国内外人工智能企业应用的技术主要有两个方面：计算机视觉和智能语音语义。
▲国内外人工智能企业应用技术分布，计算机视觉占比较高
3. 国家政策与智慧安防
人工智能被认为是第四次工业革命的主要驱动技术，受到各行业的高度关注。 为抢抓人工智能发展的战略机遇，越来越多的国家和组织相继制定国家级发展规划。
▲世界人工智能产业政策引导
中国高度重视人工智能的发展，2015年后密集出台了人工智能相关的政策和规划。
▲中国高度重视人工智能的发展
在人工智能应用领域，我国智慧安防领域走在世界前列。 国内很多关于人工智能的政策、文件、规划都多次提到人工智能技术在公安领域的应用安防系统集成与联动ibms，进行技术创新、产品和应用创新。 人工智能视频图像处理技术标准。
4、智能安防时代来临
全球人工智能相关产品产业规模庞大。 据中国人工智能学会和罗兰贝格咨询公司预测，2016年至2025年，全球人工智能市场年均增速将超过40%，到2025年将达到3万亿美元。
▲全球人工智能市场规模预测
在这样的技术背景下，我国的人工智能产业开始占据优势。 中国电子学会公开数据显示，2017年，我国核心人工智能产业规模已达约56亿美元。 预计到2020年，中国人工智能核心产业规模将超过220亿美元，年均增速近65%。
▲中国人工智能市场规模预测，行业开始占据优势
根据中国信息通信研究院的统计结果，目前中国人工智能市场主要由五个领域组成。 按照市场规模从高到低依次为：机器视觉占比37%，语音识别占比22%，自然语言处理占比22%。 16%以上，基础算法和平台占比14%，芯片占比11%。 其中，由于近年来中国互联网娱乐、广告传播、公安视频监控市场发展迅速，计算机视觉市场占比较大，达到37%。
▲ 2017年人工智能市场格局，计算机视觉占比较大
▲2017年中国计算机视觉行业市场构成，安防占比居多
在机器视觉领域的市场构成中，安防行业占据了67.9%的绝大部分份额，这得益于我国公安视频监控建设的巨大市场。 随着高清视频、智能分析、云计算和大数据等相关技术的发展，安防系统正在从传统的被动防御升级为主动判断预警的智能防御。 安防行业也在从单一的安防领域向多元化的行业应用发展，旨在提高生产效率，提升生活智能，为更多行业和人群提供可视化、智能化的解决方案。 在智慧城市、智慧楼宇、智慧交通等智能产业的带动下，智慧安防也将保持快速增长。 预计2020年全球产业规模将达到106亿美元，中国将达到20亿美元。
在安防行业，人工智能发展最快的应用是人脸识别。
▲人脸识别市场发展最快
2. 智慧安防生态
现阶段，智能安防产业生态可分为应用、技术、框架、平台、芯片五大类。
▲智慧安防生态圈
一、基础硬件
这里的基础硬件特别强调芯片厂商。 目前主要的AI核心芯片供应商如下图所示：
▲目前主要的AI芯片厂商
GPU主要用于数据中心，特点是上市时间快，缺点是功耗高。 在安全应用方面，GPU芯片基本被英伟达垄断。
▲人工智能应用，安防行业GPU芯片被英伟达垄断
安全领导者有很多基于GPU的视频监控产品，如下图所示：
▲安防+AI典型落地应用产品
FPGA 还广泛用于中央推理和数据中心。 与GPU相比，FPGA在功耗上具有明显优势。 在安全应用方面，主要的FPGA厂商包括Intel（前身）等。
ASIC主要用于设备端推理。 由于设备端应用的多样性和复杂性以及对高性价比的需求，ASIC厂商众多，如：寒武纪、海思、地平线、比特大陆等，同时提供解决方案的也很多。 2018年，ASIC在安全市场的竞争非常激烈。 下图根据网络数据展示了各个ASIC芯片的上市进度。 其中，海思的布局非常密集。
▲ ASIC芯片上市快，布局密集
2. 软件架构
软件框架技术目前仍掌握在亚马逊、微软、谷歌、百度等科技巨头手中，是深度学习人工智能的核心。
算法框架是人工智能核心生态系统建立的关键环节。 实现算法的模块化封装，为应用开发提供集成的软件工具包，包括算法实现开发的各类应用和算法工具包，为上层应用开发提供算法调用接口等服务。
3. 基本算法
安防行业的算法公司大体可以分为两类。 第一类是商汤、旷视、云从、依图、中科神探等CV企业； 第二类是海康威视、大华、宇视，它们也开始布局AI算法技术。 随着各企业投入的进一步加大，视频识别算法的准确率得到了大幅提升。 比如人脸识别算法在一定条件下已经达到了很高的水平。
此外，在图像分类和物体检测方面，计算机的识别率已经远超人类的平均水平。
四、产品及行业应用
除了海康威视、大华、宇视、科达、天地伟业、东方网力等传统安防厂商外，CV厂商和云平台商也逐渐开始提供产品和行业应用。
除了上述的云中心产品，各企业基本完成了边缘智能产品的系列化。 随着边缘和中心产品的丰富，用户开始对应用服务提出更高的要求。 从目前的行业情况来看，无论是传统的安防公司，还是CV和云平台公司，虽然在业务应用上有所改进，但典型的通用应用仍然是主体。
▲ 主流厂商边缘/中心智能产品丰富，用户更注重实际应用
三、典型智能安防应用
随着AI在安防行业的渗透和深入应用技术的研发，当前安防行业呈现出“没有AI就没有安全”的新趋势。 成为各厂商的新战略。 随着AI在安防行业的深入，AI在安防领域尤其是视频监控领域的产品形态和应用模式也开始趋于稳定。 安防行业的AI技术主要集中在人脸识别、车辆识别、行人识别、行为识别、结构化分析、大规模视频检索等方面。
AI在安防行业的应用场景分为场景和非场景。 前者是指光线、角度等条件可控的应用场景，主要是车辆卡口和人脸卡口； 后者指的是常见的安防监控视频场景。 其中，卡口场景约占监控摄像头总数的1%-3%，其余为非卡口场景监控视频。
1、卡口场景：人脸身份验证应用
人脸身份验证应用以公安行业人员部署管控为代表。 在关键点部署人脸抓拍摄像头，通过后端人脸识别服务器对抓拍到的人脸进行分析识别，并与人脸黑名单数据库进行比对。 . 随着人员调配管控应用的加强，初见成效。 比如最近的“张学友演唱会”，抓捕嫌疑人就是通过关卡现场确认的身份。
2、卡口场景：人脸认证应用
人脸认证的应用越来越普及。 常见的人脸白名单应用已经在多个行业落地，如人脸门禁、人脸速通、人脸考勤、人员身份核验等，广泛应用于企业、各类园区等场景。 人脸门禁除了可以实现基本的人脸识别应用外，还可以防止通过照片、视频等方式进行人脸假冒，有效保障出入口人员的安全管控和日常人员管理。
3、卡口场景：车辆识别应用
车辆识别技术是公安实战中最为成熟有效的技术之一。 借助遍布全国的车辆检查站，车牌识别让“开车找人”成为现实，成功协助警方破获各类案件。 车辆识别技术已经从最初的以车牌为基础的车辆识别应用阶段，发展到车型识别、车牌识别等精准车辆识别应用阶段。
4. 非卡口场景：视频结构分析及快速检索应用
在视频结构化分析和快速检索应用中，视频结构化业务功能是对视频中的机动车、自行车、行人等运动物体进行分类检测； 同时提取小目标图像和大场景图像写入存储设备，方便后续快速查询和智能检索。 通过视频结构化服务对视频中感兴趣目标的特征属性信息进行快速分析提取，用户可以高效获取案件事件的相关线索，促进大安全时代的视频数据从清楚到清楚。
5. 非卡口场景：行为分析辅助安全应用
行为分析可以协助安全应用。 通过行为分析系统对人员的异常行为进行分析处理，可应用于重点区域防范、重要物品监控、可疑危险物品遗留等行为的机器识别； 它还可以对人员的异常行为进行报警，大大提高了视频监控的应用效率。
四、智慧安防规模化应用的八大制约因素
人工智能技术虽然发展迅速，但在产品化和实际应用中还存在诸多问题。 过去几年，人工智能的普及度很高，但实际上只是完成了“概念模型”的建立，还没有达到“有效使用”的理想效果。 现阶段制约规模化应用的主要因素有八个：成本高、算法场景限制高、部署难度大、网络和安全要求高、深度应用不足、系统性顶层设计、缺乏行业标准和评估体系，以及用户学习和组织保障成本较高。
昂贵。 目前，影响“安防+AI”产品方案大规模应用的因素很多，成本高就是其中之一。 从一个典型的大中型城市级公安视频监控组网项目各部分成本占比可以明显看出，成本是“安防+AI”发展的重要瓶颈。
▲安防+AI与传统安防两周建设成本对比
算法限制高。 人工智能算法的泛化能力是模式识别长期以来面临的问题，也是现阶段的主要瓶颈。
由于训练好的模型在变化的场景中使用时，性能往往会显着下降，因此在实际使用中，必须严格定义场景，或者将智能算法设计为对指标不敏感的辅助功能。 在更成熟的应用中，如智能交通中的过往车辆和抓拍违规行为、机场和车站的人证比对等，都需要具体的工程安装方案。 这种做法在技术不成熟的情况下有效实现了商业价值，但弊端也很明显：一方面，改造现有设备需要增加建设成本，影响人工智能算法对传统应用的渗透； 这限制了获取有效素材的效率，影响了算法指标的进一步提升。
难以放置。 人工智能往往有特定的场景要求，只有在特定的场景下才能保持良好的识别率。人脸识别摄像头需要严格遵守公安部出台的政策标准，导致大量
缩小了人脸识别的适用空间，也大大增加了施工难度。
▲ 人脸识别摄像头使用场景模拟示意图
网络和安全要求更高。 近年来，人工智能技术的蓬勃发展赋予了安防监控系统更加丰富的业务功能，进一步拓宽了安防监控行业的市场空间，使安防监控系统在各行业得到广泛部署。 但从风险的角度来看，在人工智能与安防融合发展的过程中，大量的非结构化视频被转化为可快速检索的结构化数据。 一旦网络受到攻击，数据泄露后的损失会更大； 另一方面，人工智能将大量的视频、图片集中到云端中心，对网络带宽提出了更高的要求。
深度应用不够。 视频监控系统产生的数据量巨大，而且日益多样化。 但现阶段部分数据利用率较低，真正解决客户实战问题的能力有待提升，基于结构化视频数据的深度智能应用还处于起步阶段。 .
系统的顶层设计。 安防+AI解决方案在传统安防的基础上，不仅对点位布局、网络、存储等提出新的挑战，还包括视图分析系统、大数据研判系统、视图资源归档、对外接口服务、而最重要和必不可少的是预警、审查、辅助研判、逮捕等一系列流程配合。 而安防+AI解决方案则融入了更多的系统集成，无论是前期的科学选型，还是后期的研判、抓捕，以及组织、流程保障等人为因素，贯穿于整个流程的各个环节。时间。 因此，安防+AI解决方案需要具有前瞻性、系统性、科学性的顶层设计，这是能否真正落地并取得丰富实战效果的前提。
缺乏行业标准和评价体系。 当前情况下，安防+AI算法、产品和解决方案以企业标准为主，应逐步建立实战应用的行业标准。 鉴于人工智能技术的快速发展，现阶段建立统一的行业标准可能会损害安防行业的健康发展，但安防+AI算法、产品和解决方案的评价体系应尽快建立可能的。
用户学习和组织支持的成本更高。 AI产品解决方案在安防行业的落地对用户来说是一个新的挑战：如何用好这样的系统，让系统发挥出最好的效果。 不断的学习和经验总结来自于用户自身的组织和系统如何保证系统的有效运行。
5、八大新趋势，开创智能安防新未来
科学布局工程。 人工智能强大的场景化特性决定了在智能安防应用中，摄像头的位置和覆盖范围受到很大限制。 同样数量的摄像头，安装在城市空旷地带的不同位置，显然会有不同的效果。 智能安防系统如何在摄像头资源覆盖有限的情况下，达到最佳的防范效果？ 这对系统方案设计和布局设计提出了更高的要求。
产品云集成。 目前，在安全体系中，中心计算架构的共性问题日趋严重，主要体现在网络传输带宽和时效性问题无法得到有效解决。 边缘计算的出现有效缓解了上述问题。 云计算侧重于非实时、长周期数据和业务决策场景，而边缘计算在实时、短周期数据和本地决策场景中发挥着不可替代的作用。 这使得云与云的结合成为一种新趋势：一些需要集中处理的计算，继续交给大型云计算中心，比如大数据挖掘、大规模学习； 大量需要交互和分析的实时计算在边缘节点完成。 同时，边缘计算也是云端所需的高价值数据的采集端，可以更好地支持云端应用的大数据分析； 云端通过大数据分析得到的一些业务规则，也可以下发到边缘，优化边缘决策的业务。 云计算与边缘计算共同满足智能时代爆发式的计算需求。
人工智能分布式计算。 在智能应用场景中，存在时空失衡。 空间不平衡是指分析目标在不同场景不同位置的密度不同； 时间不平衡是指在同一区域，不同时间分析目标的密度不同。 因此，采用分布式计算架构将成为未来的趋势。 通过全网中央计算设备和边缘计算设备的统一计算调度，可以有效缓解问题，大大降低智能应用系统的整体建设成本。
数据的多维度应用。 如今的智能监控系统开始融合人工智能分析技术和物联网技术，采集和提取更有效的多维数据。 人工智能技术可以对视频内容进行智能分析，自动对所有运动对象进行分离分类，自动提取目标的多维结构化数据和半结构化数据。 通过对历史数据的分析和挖掘，可以挖掘事件的内在联系，识别异常模式，从而提供实时告警服务； 利用知识图谱技术，可以挖掘人与人、人与物、事件与事件之间的关联，并进行深度推理，进而为重大事件提供决策分析，提高决策的准确性和时效性预先警告。
数据和网络安全。 为解决安防系统中存在的安全问题，适应新等级保护法规的要求，主要采用以下几点新技术、新方案来解决安防系统中存在的安全问题。
▲网络安全相关技术要求
下一代人机交互技术。 随着智能技术在安防系统中的应用，产生的数据越来越多，随之而来的问题是：如何让用户快速了解数据，即数据可视化的问题。 安防行业的下一代人机交互，在呈现上将向更具操作性和立体感的方向发展，在交互上向着更强的交互感，在应用上向功能与服务的深度融合发展。
系统设计和项目实践能力不断提升。 智能化业务应用的实施需要基于合理的成本控制、合格的施工质量、完善的数据集成和配套的管理机制。 然后，支撑场景的算法和模型基于高效的计算框架将数据转化为可视化的用户服务，进一步驱动或辅助用户决策。 因此，智能商业应用是一个系统工程，架构、算法、计算、数据、应用、工程、管理流程等缺一不可。 要不断加强系统顶层设计能力，提高项目实践能力。
非卡口股票视频逐渐应用。 据统计，我国每年约有5000万台摄像头需求，但实际有效使用的智能摄像头只有约50万台，仅占1%左右，而高达99%的摄像头无法被赋予“智能”属性. 这意味着安全+AI才刚刚进入萌芽阶段。 人工智能算法在非卡口场景下的泛化能力是安全领域的主要瓶颈之一。 与传统的模式识别方法相比，在大数据的支持下，深度学习算法的泛化能力和对复杂场景的适应能力得到显着提升。
智世认为，智能安防的技术基础和产品化已经成熟，下一阶段的命题是如何系统化、规模化部署。 挑战与机遇并存。 From the of means to the of forms, smart still faces many , such as high cost, in , , lack of in-depth , lack of top-level , lack of Meet the and for . The to which these can be is to smart and can take root.
工业主机是制造工厂中非常重要的生产设备。 它由车床、铣床、刨床、钻床、镗床、磨床、齿轮加工机等机床组成。 可为各行各业提供各种机械、零部件和材料。 它处于行业供应链的核心位置，是工厂的重要资产。
数控机床是实现工业母机自动化生产的关键设备。 它们可以执行多样化的精密加工任务，替代人工的重复性任务和成本楼宇自控网关，实现高效可控的生产。 因此，为保证工业生产的安全可靠和连续生产的需要，需要对工业主机进行管理和监控，即对数控机床进行数据采集和远程监控。
工业智能网关可以采集数控机床的运行参数，在边缘侧进行计算处理，然后上传到云平台和本地上位机，实现机床远程监控、安全报警、远程维护，有效提高设备管理水平，提高生产效率。 .
系统功能
1、实时采集现场数据，实时监控设备状态
工业智能网关拥有丰富的网口和串口，兼容OPC、PLC等多种工业协议，支持不同厂商的设备数据，实现机床数据MQTT云端接入，提供设备运行信息和故障工厂用户的信息，并将它们存储在云端或本地。 可视化终端。
2、网络边缘计算传输，提速减压
在现场部署具有边缘计算能力的工业智能网关，对来自机床和PLC的数据进行采集、清洗、过滤，有效降低服务器运行压力，降低计算能力开销，保证数据的高速实时传输。
3、远程维护上传下载，降低运维成本
通过搭建VPN网络通道，对机床、PLC等设备进行远程维护，远程上传下载程序，远程编程调试等，工程师无需亲临现场即可及时解决故障，节省出差时间和成本.
