ဟိက်ဗစ်ရှင်း ဂွန်လန်၏ အသစ်သော ကုဒ်ဖော်ခြင်းနည်းပညာသည် သိမ်းဆည်းမှု ပြဿနာကို ဖြေရှင်းပေးပြီး ဗီဒီယို၏ အဓေကတန်ဖိုးကို လွှတ်တော့်ပေးသည်

ဗီဒီယိုသည် လုံခြုံရေးကာကွယ်မှုနှင့် လုပ်ဆောင်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်များချမှတ်ရာတွင် အဓိကဒေတာအခြေခံအဖြစ် ပေါ်ပေါက်လာခဲ့သည်။ သို့သော် ဒေတာအများအပြားကြောင့် ဖြစ်ပေါ်လာသည့် အခက်အခဲများအနက် သိုလှောင်မှုဆိုင်ရာ အခက်အခဲများ ပါဝင်သည်။ သုတေသနများအရ စောင်းကြည့်ရေးဗီဒီယိုများ၏ ၇၀ ရာခိုင်နှုန်းခန့်သည် မှုန်ဝါးသည့် သို့မဟုတ် တန်ဖိုးနည်းသည့် ပုံရှင်များဖြစ်ပြီး ထိုသို့သော ပုံရှင်များကို အသုံးဝင်သည့် ပုံရှင်များနှင့် ရောစပ်ထားခြင်းသည် သိုလှောင်မှုအရင်းအမြစ်များကို အကြွင်းမဲ့ ဖုန်းစေသည့်အပြင် ဟာဒ်ဝဲဝယ်ယူမှုနှင့် ဒေတာစင်တာ လုပ်ဆောင်မှုနှင့် ထိန်းသိမ်းမှုဆိုင်ရာ စုစုပေါင်းစရိတ်များကိုလည်း တိုးမောင်းပေးသည်။

လုံခြုံရေးလုပ်ငန်း၏ နည်းပညာအဆင့်မြှင့်တင်မှုကို အားဖေးပေးသည့် အင်အားဖြစ်သည့် Hikvision သည် ဗီဒီယိုများ၏ အဓိကတန်ဖိုးကို လေ့လာခြင်း ဟူသည့် အချက်ကို အခြေခံ၍ နှစ် ၂၀ ကျော်ကြာ လုံခြုံရေးလုပ်ငန်း၏ နည်းပညာဆိုင်ရာ အသစ်များကို ဆက်လက် ဦးဆောင်လျက်ရှိသည်။ မကြာသေးမီက ထုတ်ဝေလာသည့် Guanlan ကုဒ်ဖွဲ့ခြင်းနည်းပညာသစ်သည် လုပ်ငန်းနှင့် AI ကို အသုံးပြု၍ တိကျသည့် ကုဒ်ဖွဲ့ခြင်း ယေဘုယျမှုများကို နက်နက်နဲနဲ နားလည်မှုရှိခြင်းကြောင့် လုပ်ငန်းတွင် ရှိနေသည့် ပုံရေးအရည်အသွေးနှင့် သိမ်းဆည်းမှု ထိရောက်မှုကို တစ်ပါတည်း ရရှိရန် မဖြစ်နိုင်သည့် အက်ဆ်ကို ဖောက်ထွင်းနေပြီး ထောင်ပေါင်းများစွာသော လုပ်ငန်းများအတွက် စုစုပေါင်းစရိတ်ကို လျှော့ချရင်း ထိရောက်မှုကို မလျော့နည်းစေသည့် သိမ်းဆည်းမှု အကောင်အထောက်များကို ပေးအပ်နေသည်။

နည်းပညာအတွေ့အကြုံများ စုစုပေါင်းခြင်း - နှစ် ၂၀ ကျော်ကြာ ပရောဂျက်များတွင် အသုံးပြုခြင်းဖြင့် အဓိက ကျွမ်းကျင်မှုများကို ပိုမိုကောင်းမွန်စေခဲ့သည်။

Hikvision ၏ ဗီဒီယိုတန်ဖိုးကို လေ့လာခြင်းသည် နည်းပညာအဆင့်မြှင့်တင်မှုများနှင့် ပရောဂျက်များတွင် အသုံးပြုခြင်းများမှ နှစ်များစွာကြာ စုစုပေါင်းခြင်းများမှ စတင်လာခြင်းဖြစ်သည်။

၂၀၁၅ ခုနှစ်တွင် ကျွန်ုပ်တို့သည် ပထမဆုံးအကြိမ် နက်ရှိုင်းသည့် သင်ယူမှု အယ်လ်ဂေါ်ရီသမ်များကို အရှေ့ဖက်ပိုင်း ကိရိယာများတွင် ပေါင်းစပ်ခြင်းဖြင့် လုံခြုံရေး AI ခေတ်ကို စတင်ခဲ့သည်။

၂၀၁၇ ခုနှစ်တွင် AI Cloud သုံးဆင့်အဆင့်များပါသော ဗိသုကာအများအပြားကို မိတ်ဆက်ခဲ့ပြီး စက်တန်းများ ပေါ်လွင်နေခြင်းနှင့် ပူးပေါင်းဆောင်ရွက်မှုမှုမှုလေးများ မလ sufficiently ဖြစ်ခြင်းတို့ကို ဖြေရှင်းပေးခဲ့ပြီး AI အကောင်အထည်ဖော်မှုအတွက် အားကောင်းမောင်းသော အထောက်အပံ့များကို ပေးအပ်ခဲ့သည်။

၂၀၁၈ ခုနှစ်တွင် AI ဖွင့်လှစ်သော ပလက်ဖောင်းကို မိတ်ဆက်ခဲ့ပြီး အယ်လ်ဂေါရီသမ်များ မရှိသော ဖောက်သည်များအား အထူးသော စက်မှုလုပ်ငန်းအတွက် အယ်လ်ဂေါရီသမ်များကို ဖန်တီးရှာဖွေရာတွင် အထောက်အပံ့ပေးခဲ့ပြီး ဗီဒီယို အာရုံခံမှုနည်းပညာများနှင့် စက်မှုလုပ်ငန်းအသုံးချမှုများကို နက်ရှိုင်းစွာ ပေါင်းစပ်ခဲ့သည်။

၂၀၂၁ ခုနှစ်တွင် Hikvision သည် Guanlan ကြီးမားသော မော်ဒယ်ကို သုတေသနနှင့် ဖွံ့ဖြိုးရေးအတွက် တရ်းရှားစွာ ရင်းနှီးမှုပေးခဲ့ပြီး 'အခြေခံ၊ စက်မှုလုပ်ငန်း၊ လုပ်ဆောင်ချက်' ဟုခေါ်သော သုံးဆင့်စနစ်ကို တည်ဆောက်ခဲ့ပြီး ဗီဒီယို နားလည်မှုအတွက် အယ်လ်ဂေါရီသမ်များ၏ အခြေခံကို ခိုင်မာစေခဲ့သည်။

'မြင်နိုင်သော' အခြေခံအာရုံခံမှုမှ 'မြင်နိုင်သော' တိကျသော ဖော်ပြမှုသို့ ပြောင်းလဲခဲ့ပြီး နောက်ဆုံးတွင် 'နားလည်နိုင်သော' နက်ရှိုင်းသော အဓိပ္ပာယ်ဖွင့်ဆိုမှုသို့ ရောက်ရှိခဲ့သည်။ Hikvision ၏ အဓိက ပြောင်းလဲမှုသည် အောက်ပါ အ dimensions ငါးခုပေါ်တွင် အာရုံစိုက်ခဲ့သည်။

· ပုံရိပ်များ၏ ဖွဲ့စည်းပေးထားသော အများအပြားသော အမည်များမှ ဗီဒီယိုများ၏ နက်ရှိုင်းသော အဓိပ္ပာယ်ဖွင့်ဆိုမှုသို့ အဆင့်မြှင့်တင်ခဲ့ခြင်း။

· တစ်ခုတည်းသော မြင်ကွင်းအလွှာခွဲခြားရေးမော်ဒယ်မှ မြင်သာသော မြားစုပ်မော်ဒယ်ကြီးများသို့ ဆက်လက်တိုးမှုရှိခဲ့သည်။

· အဆုံးဖောက်သည်ဘက်တွင် ဖြန့်ကြူးထားသော ကွန်ပျူတာစွမ်းအားမှ မိုက်ခရိုကလောက်ဒ် အစွမ်းသော ကွန်ပျူတာစွမ်းအားကို မှုန်းမှုန်းမှုန်း အသုံးပြုခြင်းသို့ ရှေးရှေးက ပြောင်းလဲခဲ့သည်။

· လူသူများနှင့် ကားများကဲ့သို့သော အဓိကအရာဝတ္ထုများကို မှန်ကန်စွာ သိရှိခြင်းမှ အများအားဖြင့် အုပ်စုအားလုံးတွင် ရှားပါးသော အရာဝတ္ထုများကို ဖုံးလွှမ်းခြင်းသို့ ချဲ့ထွင်ခဲ့သည်။

· အမည်စွဲခြင်းအပေါ် အခြေခံသော စီစဥ်မှုမှ အဓိပ္ပာယ်ဖော်ပေးသော လူနှင့်စက်ယန္တရား နှစ်မျှော်မော်ဒယ် အပေါ် အခြေခံသော အပေါင်းအသောင်းမှုသို့ အဆင့်မြှင့်ခဲ့သည်။

နှစ်ပေါင်းများစွာကြာမှ ဟီက်စ်ဗီရှင်းသည် ကမ္ဘာတစ်ဝှမ်းရှိ ဖောက်သည်သန်းပေါင်းများစွာကို ဝန်ဆောင်မေးပေးခဲ့ပြီး သယ်ယူပို့ဆောင်ရေး၊ ဘဏ်နှင့် ငွေကေးရေး၊ စက်မှုဇုန်များနှင့် ကျန်းမာရေးစောင်းများ အပါအဝင် အသုံးပြုမှုအားလုံးတွင် နက်နက်ရှိုင်းရှိုင်း ပါဝင်ခဲ့သည်။ ဤနည်းပုန်းအဆင့်မြှင့်မှုများသည် လက်တွေ့အသုံးချမှုမှ စတင်ပြီး လက်တွေ့အသုံးချမှုအတွက် အသုံးပြုခဲ့ခြင်းဖြစ်ပြီး ဂွန်လန် ကုဒ်နည်းပညာ မှုန်းမှုန်းမှုန်း ပေါ်ပေါက်လာရေးအတွက် အောက်ခြေခံမှုကောင်းမော်ကောင်း ချမ်းသာစေခဲ့သည်။

နည်းပညာအဆင့်မြှင့်မှု – AI အားဖေးမေးခြင်းဖြင့် အတားအဆီးများကို ဖောက်ထွင်းနေခဲ့သည်

လုပ်ငန်းလောကတွင် အသုံးများသော ရှေးနည်းစနစ်များဖြင့် ဖိအားကို အလိုအလျောက် ညှိခြင်းဖြင့် သိုလှောင်မှု အကောင်အထည်ဖော်မှုကို ၃၀ ရှုပ်ထွေးမှုများ ဖြစ်စေနိုင်ပါသည်။ ဥပမါ- လေသွင်းသော အရွက်များ၊ ငှက်များ စသည်တို့ကို အရေးကြီးသော လှုပ်ရှားနေသော အရာများအဖြစ် မှားယွင်းစွာ အသိအမှတ်ပြုမှုများ ဖြစ်ပါသည်။ အလင်းရောင် ပြောင်းလဲမှုများသည်လည်း အကောင်အထည်ဖော်မှုအပေါ် သက်ရောက်မှုရှိပါသည်။ ဤနည်းစနစ်သည် စက်ရုံများ၊ လှောင်ကုန်ခြင်းနေရာများနှင့် လမ်းလျှောက်လှုပ်ရှားမှုများ အနည်းငယ်သာ ရှိသော နေရာများတွင်သာ အသုံးပြုနိုင်ပါသည်။

ဟိက်ဗီရှင်း၏ ဂွန်လန် ကုဒ်ဖော်မှုနည်းစနစ်သည် ဂွန်လန်၏ ကြီးမားသော မော်ဒယ်များ၏ နက်ရှိုင်းသော နားလည်မှုစွမ်းရည်များကို ပစ်စယ်အဆင့် အပိုင်းအစများ ခွဲခြမ်းစိတ်ဖေးမှုနည်းစနစ်နှင့် ပေါင်းစပ်ကာ အသိအမှတ်ပြုမှု၊ အရေးကြီးသော အပိုင်းအစများကို တိကျစွာ ခွဲခြမ်းစိတ်ဖေးမှုနှင့် ကွဲပြားသော ကုဒ်ဖော်မှုများ အထိ အဆင့်ဆင့် အကောင်အထည်ဖော်မှုစနစ်ကို တည်ဆောက်ပေးပါသည်။ ထို့ပါး သိုလှောင်မှုနှင့် ပုံရောင်စုံအရည်အသွေး နှစ်ခုလုံးကို တစ်ပါတည်း မှုန်းမှုပေးနိုင်ပါသည်။

အမှန်တကယ် စမ်းသပ်မှုများမှ ရလဒ်များ- သိုလှောင်မှု အကောင်အထည်ဖော်မှု အဆင့်များတွင် သိသိသာသာ တိုးတက်မှုများ ရရှိပါသည်။

ကြီးမားသော မော်ဒယ်များ၏ အကူအညီဖြင့် ဒစ်ဂျစ်တယ် အသိဉာဏ် အဆင့်မြှင့်မှု

ကျွန်ုပ်တို့၏ ကိုယ်ပိုင်ဖွံ့ဖော်ထုတ်ထားသော Guanlan မြင်ကွင်းမော်ဒယ်၏ အထောက်အပံ့ဖြင့် လူများ၊ ယာဉ်များနှင့် မော်တော်မဟုတ်သော ယာဉ်များကဲ့သို့သော အရေးပါသည့် အဓိက ပစ်မှတ်များကို တိကျစွာ ခွဲခြမ်းစိတ်ဖြာနိုင်ပါသည်။ ရှေးရိုးစွဲ အယူဝါဒများနှင့် နှိုင်းယှဉ်ပါက အသိအမှတ်ပြုမှု တိကျမှုသည် သိသိသာသာ မြင့်မားလာပါသည်။ ထို့အပြင် ပစ်မှတ် ၆၄ ခုအထိ တစ်ပါတည်း အသိအမှတ်ပြုနိုင်ပါသည်။

အသေးစိတ် သတ်မှတ်ထားသော ROI ကာကွယ်ရေး အပိုင်းခွဲမှု နည်းပညာကို အသုံးပြုခြင်းဖြင့် ရှေ့ခံပစ်မှတ်နှင့် နောက်ခံဧရိယာကို တိကျစွာ ခွဲခြားနိုင်ပါသည်။ ရှေ့ခံပစ်မှတ်အတွက် အများအားဖြင့် အသုံးပြုသည့် ကုဒ်သေးခြင်းကို အသုံးပြု၍ အသေးစိတ်အချက်အလက်များ အပြည့်အဝ ထိန်းသိမ်းနိုင်ပါသည်။ နောက်ခံအတွက် ထိရောက်မှုရှိသည့် ဖိအားသိပ်မှုကို အသုံးပြု၍ သိမ်းဆည်းမှု အသုံးပြုမှုကို လျော့နည်းစေပါသည်။ နောက်ဆုံးတွင် စံနှုန်းများနှင့် ကိုက်ညီသည့် ဘစ်စီမ်းမှုများကို ထုတ်လုပ်ပေးပါသည်။ ဤသို့ဖြင့် ပုံရေးသေးမှုအရည်အသွေးနှင့် ထိရောက်မှုကို ဟန်ချက်ညီစေပါသည်။ လူသားများနှင့် စက်မှုအသိအမှတ်ပြုမှုများအကြား ပစ်မှတ်မဟုတ်သည့် အရည်အသွေးများကို နှိုင်းယှဉ်နိုင်သည့် အခြေအနေတွင် ဘစ်နှုန်းကို ၂၀ ရှိမှ ၉၀ ရှိအထိ ချွေတာနိုင်ပါသည်။

မြင်ကွင်းအသိအမှတ်ပြုမှု၊ မြင်ကွင်းတစ်ခုလုံးနှင့် အလိုအလျောက် ကိုက်ညီမှု

ဟိက်ဗစ်ရှင်း ဂွန်လန်၏ ကုဒ်ဖော်မှုနည်းပညာသည် "မြင်ကွင်းအသိအမြင်" အပေါ်တွင် အခြေခံပြီး မြင်ကွင်း၏ အပြောင်းအလဲကို အလိုလျောက် လိုက်လျောညီထွေဖော်ပေးသည့် အသိဉာဏ်ရှိသည့် ကုဒ်ဖော်မှုစနစ်ကို တည်ဆောက်ပေးပါသည်။ ဤစနစ်သည် မြင်ကွင်း၏ အပြောင်းအလဲနှင့် မပြောင်းလဲမှုတို့ကို အသိအမြင်ရှိစွာ ပေါင်းစပ်အသုံးပြုခြင်းဖြင့် အကောင်အထည်ဖော်ပါသည်။

· မြင်ကွင်း၏ အပြောင်းအလဲကို အသိအမြင်ရှိစွာ သိရှိခြင်း - မြင်ကွင်း၏ အပြောင်းအလဲအား အချိန်နှင့်တစ်ပါတည်း ဖမ်းယူပြီး အသေးစိတ်အချက်အလက်များ၏ သိပ်သည်းမှုကို စေ့စေ့စပ်စ် စောင်းမှုပေးပါသည်။ ထို့နောက် အများဆုံး ဘိုင့်ရေးတ် (MaxBps) ရှိသည့် ရှုပ်ထွေးသည့် မြင်ကွင်းများတွင် ပုံရေးပုံသေးမှု အရည်အသွေးကို မှုန်းမှုမရှိစေရန် အရင်းအမြစ်များကို အသုံးပြုပါသည်။

· မြင်ကွင်း၏ မပြောင်းလဲမှုကို အသိအမြင်ရှိစွာ သိရှိခြင်း - မြင်ကွင်းသည် မပြောင်းလဲခြင်း သို့မဟုတ် အပြောင်းအလဲနည်းခြင်းဖြစ်ပါက တူညီသည့် ပုံများကို ထပ်ခါထပ်ခါ ကုဒ်ဖော်မှုပေးပါသည်။ ထိုသို့သော ပုံတစ်ခုလျှင် ဘိုင့်အနည်းငယ်သာ အသုံးပြုပါသည်။ ထို့ကြောင့် သိုလှောင်ရာနေရာအသုံးပြုမှုကို အကောင်းဆုံး အကောင်းမှုဖော်ပေးပါသည်။

ဥပမါအားဖေးရှုလျှင် စွန်းပေါ်ရှိ ဝင်ပေါက်နှင့် ထွက်ပေါက်များ၏ မြင်ကွင်းများကို ကြည့်ပါမည်။ မနက်ခင်း အလုပ်သမ်းများ အများအပြား ဝင်လာသည့်အချိန်တွင် အသေးစိတ်အချက်အလက်များကို အများဆုံး ဘိုင့်ရေးတ်ဖြင့် ပုံဖော်ပေးပါသည်။ ညနေခင်းတွင် ပုံရေးပုံသေးမှု အရည်အသွေးနှင့် အကောင်းဆုံး အကောင်းမှုတို့ကို ၅၀ ရှိသည့် အချိုးဖြင့် ထိန်းညှိပေးပါသည်။ မနက်ခင်းအစောပိုင်းတွင် သိုလှောင်ရာနေရာ ချွေတာရန် ၁၀ ရှိသည့် အချိုးဖြင့် ဖော်ပေးပါသည်။ မြင်ကွင်း၏ ရှုပ်ထွေးမှုကို အလိုလျောက် လိုက်လျောညီထွေဖော်ပေးခြင်းဖြင့် ကုဒ်ဖော်မှုအရင်းအမြစ်များကို တိကျစွာ ဖော်ပေးနိုင်ပါသည်။

ဂွန်လန် ကုဒ်ဖော်မှု - ငွေကုန်၊ လျှပ်စစ်နှင့် နေရာကုန်သက်သာစေပါသည်

လမ်းကြောင်း ၂၀၀၀ ခု၊ ၁၀၈၀P@၂Mbps အထိ စွမ်းရည်ရှိပါက ၉၀ ရက်နှစ်သက်တမ်းအတွက် သိုလှောင်မှုကို ဥပမာအဖြစ် ယူလျှင် ရိုးရာကုဒ်ဖော်မှုနှင့် နှိုင်းယှဉ်ပါက ဂွန်လန် ကုဒ်ဖော်မှုစနစ်သည် ဟာ့ဒ်ဒစ်စ်အရေအတွက် ၆၀ ရာခိုင်နှုန်း လျော့ချနိုင်ပါသည်။ ဒေတာစင်တာအကူအညီ ၆၀ ရာခိုင်နှုန်း လျော့ချနိုင်ပါသည်။ ၅ နှစ်အတွက် လျှပ်စစ်ဘေလ်မှု ၅၀ ရာခိုင်နှုန်း လျော့ချနိုင်ပါသည်။ ထို့ကြောင့် စီမံကိန်းစရိတ်များ သိသိသာသာ လျော့ချနိုင်ပါသည်။ ထို့အတွက် "စွမ်းဆောင်ရည်များ မလျော့နေဘဲ စရိတ်များ လျော့ချခြင်း" ကို အမှန်တကယ် အကောင်အထည်ဖော်နိုင်ပါသည်။

နက်ရှိုင်းသော သင်ယူမှုကို အကောင်အထည်ဖော်ခြင်းမှ အပြည့်အဝ ဖွဲ့စည်းထားသော ဒေတာများကို အသုံးပြုခြင်းအထ do ဂွန်လန် ကုဒ်ဖော်မှုနည်းပညာကို မော်ပေးခြင်းအထိ Hikvision သည် "ဗီဒီယိုများကို ပိုမိုကြီးမားသော တန်ဖိုးများ ဖန်တီးပေးခြင်း" ဟူသော ရည်မှန်းချက်ကို ဆက်လက် အားထုတ်နေပါသည်။ လုံခြုံရေးလုပ်ငန်းကို "အလုပ်မလုပ်သော မှတ်တမ်းတင်မှု" မှ "အလုပ်လုပ်သော အသိဉာဏ်ပါသော စနစ်" သို့ အဆင့်မြှင့်ခြင်းကို အားပေးပါသည်။ AI နှင့် ကုဒ်ဖော်မှုကို နက်နက်နဲနဲ ပေါင်းစပ်ခြင်းဖြင့် ဗီဒီယိုဒေတာများကို "အလွန်အမင်း ထပ်နေသော အရာများ" မှ "တိကျမှုနှင့် ထိရောက်မှု" သို့ ပြောင်းလဲနိုင်ပါသည်။ ထို့ကြောင့် စက်မှုလုပ်ငန်းအများအပြား၏ အသိဉာဏ်ပါသော အဆင့်မြှင့်မှုကို အသစ်သော အားကောင်းမှုများ ဖေးမော်ပေးနိုင်ပါသည်။

လက်ရှိတွင် Guanlan ကုဒ်ရေးနည်းပညာကို Hikvision ၏ ရှေ့ပိုင်းနှင့်နောက်ပိုင်း ထုတ်ကုန်များတွင် အသုံးပြုထားပြီး မကြာမီ ထုတ်ပြန်မည်ဖြစ်သည်။ ဆက်ပြီး စောင့်ကြည့်ကြပါဦး။