O cameră care înregistrează ceea ce se întâmplă este utilă pentru revizuirea după acțiune. O cameră care înțelege ce se întâmplă în timp real este decisivă din punct de vedere operațional. Analiza video AI cu camere fixe transformă infrastructura de camere existentă a unei baze într-un sistem activ de detectare care clasifică persoane și vehicule, detectează intruziuni și staționări, orientează camerele PTZ în mod autonom și trimite alerte geolocalizate la consola forței de pază și la platforma C2 — toate fără a cere unui operator să urmărească simultan fiecare flux. Acest articol acoperă întreaga arhitectură: cum diferă analiza cu camere fixe de ISR-ul cu drone la nivel de sisteme, abordările cu învățare profundă care reduc ratele de alarme false pe perimetrele exterioare, selectarea modelului pentru clasificarea la puncte de control, automatizarea PTZ și căile de integrare care conectează evenimentele perimetrale la blocările controlului accesului și la urmele C2. Aceste teme se conectează direct la disciplina mai largă a sistemelor de apărare cu vedere de calculator și la arhitecturile de inferență care le alimentează pe margine.
Analiză video cu camere fixe vs analiză cu drone ISR — diferențe de arhitectură
Analiza video cu camere fixe și cea cu drone ISR împart o stivă de vedere pe calculator, dar diverg pe aproape fiecare parametru de sistem care contează pentru implementare. Înțelegerea acestor diferențe împiedică echipele să aplice greșit arhitecturi proiectate pentru un context în celălalt.
Cea mai fundamentală diferență este geometria senzorului. O încărcătură ISR cu drone acoperă o zonă de teren largă, în schimbare, de la o altitudine, un unghi și o viteză a platformei în schimbare. Geometria cameră-subiect este necunoscută de la cadru la cadru și trebuie estimată. O cameră fixă are o poziție de montare cunoscută, stabilă, un câmp vizual calibrat și o relație fixă cu planul terestru, care permite convertirea coordonatelor pixel în coordonate de teren cu o omografie simplă. Aceasta înseamnă că un sistem cu camere fixe poate produce evenimente de detectare geolocalizate precis — „o persoană la referința de grilă XY” — fără nicio fuziune suplimentară de senzori, în timp ce un sistem cu drone necesită date de poziție și atitudine de la fuzelaj pentru a face același lucru.
Cerințele de latență, de asemenea, diverg abrupt. O misiune ISR cu drone tolerează de obicei câteva secunde de latență de procesare înainte ca un analist să revizuiască o detectare; valoarea constă în identificarea țintelor pentru planificare, mai degrabă decât în declanșarea unui răspuns imediat al forței de pază. Securitatea perimetrală cu camere fixe cere latență sub două secunde de la momentul în care o persoană traversează gardul până în momentul în care o alertă apare pe consola de pază — garda trebuie să poată răspunde înainte ca intrusul să ajungă la un activ critic. Această țintă de latență împinge inferența pe appliance-ul de margine, mai degrabă decât pe un server central, deoarece timpul de dus-întors pe un LAN de bază poate depăși bugetul dacă videoul trebuie să circule înainte de începerea procesării.
Cerințele de disponibilitate sunt categorice. O încărcătură ISR cu drone operează ore pe misiune și poate fi recuperată pentru mentenanță între ieșiri. Un sistem perimetral cu camere fixe trebuie să susțină operarea continuă — ținta este disponibilitate de 99,9% sau mai bună, echivalentă cu mai puțin de nouă ore de oprire pe an — deoarece o gol în acoperire este o gol de securitate. Aceasta necesită putere redundantă, căi de stocare redundante, monitorizare a stării de sănătate cu comutare automată și ferestre de mentenanță măsurate în minute, nu în ore. Densitatea camerelor compune acest lucru: o implementare pe întreaga bază poate rula 200 până la 500 de camere simultan, toate trebuind monitorizate și menținute la zi, spre deosebire de singura încărcătură a unei misiuni cu drone.
În cele din urmă, arhitectura lățimii de bandă diferă fundamental. O misiune ISR cu drone poate transmite video cu mișcare completă peste o legătură de date cu lățime de bandă mare sau îl poate stoca la bord pentru analiza post-misiune. Un sistem cu camere fixe cu 300 de camere care rulează la 1080p ar genera aproximativ zece gigabiți pe secundă de video brut — imposibil de rutat către un server central în mod continuu. Răspunsul arhitectural este preprocesarea pe margine: fiecare cluster de camere are un appliance de calcul local care rulează inferența pe fluxurile brute și trimite numai evenimentele de detectare și clipurile marcate către platforma centrală, reducând cerința de rețea cu două până la trei ordinuri de mărime.
Detectarea intruziunilor perimetrale — învățare profundă vs detectare tripwire bazată pe reguli
Fiecare sistem de detectare a intruziunilor perimetrale trebuie să rezolve aceeași problemă de bază: marcarea fiabilă a unei persoane sau a unui vehicul care traversează o graniță, ignorând în același timp tot ce se mișcă într-un mediu exterior. Distanța dintre abordările bazate pe reguli și cele cu învățare profundă pentru această problemă este mare și semnificativă din punct de vedere operațional.
Sistemele de tripwire bazate pe reguli funcționează prin extragerea prim-planului dintr-un model de fundal — de obicei modele de amestec gaussian sau diferențiere de cadre — și alertează atunci când o pată de prim-plan traversează o linie desenată de utilizator. Sunt simple, deterministe și ușor de auditat. De asemenea, sunt extrem de sensibile la orice modifică scena: vegetația mișcată de vânt, ploaia, schimbările de iluminare între zi și noapte, vehiculele care trec și creează artefacte de mișcare și animalele generează toate pete de prim-plan care traversează sârma virtuală. Într-o instalație militară exterioară tipică, un sistem de tripwire necalibrat produce zeci până la sute de alerte false per cameră pe zi. Consecința operațională este oboseala la alarme: gărzile încetează să mai răspundă la alerte, deoarece marea majoritate sunt deranjante, ceea ce înseamnă că intruziunile reale sunt ratate nu pentru că sistemul a eșuat să le detecteze, ci pentru că alerta a fost îngropată în zgomot.
Detectoarele de intruziune cu învățare profundă adaugă un pas de clasificare care schimbă fundamental raportul semnal-zgomot. În loc să alerteze la orice pată de prim-plan care traversează linia, sistemul clasifică pata ca persoană, vehicul, animal sau artefact de mediu înainte de a decide dacă alertează. O persoană care traversează gardul generează o alertă; o crenguță suflată de vânt nu, deoarece clasificatorul cu învățare profundă recunoaște că pata nu are forma, proporțiile sau semnătura de mișcare ale unui corp uman. Detectoarele perimetrale cu învățare profundă bine calibrate ating în mod obișnuit mai puțin de un fals pozitiv per cameră per perioadă de 24 de ore în medii exterioare operaționale. Compromisul este că modelul trebuie antrenat și calibrat pe date care reprezintă condițiile de la instalația specifică — un model antrenat numai pe materiale de supraveghere interioară bine iluminate nu se va generaliza la traversări perimetrale înainte de zori, în ploaie.
Performanța sub stres de mediu este testul critic. Trei condiții sunt responsabile pentru majoritatea atât a fals pozitivelor, cât și a fals negativelor în implementările de teren. Vântul creează mișcare a ierbii și a copacilor, care produce regiuni persistente de prim-plan; modelele cu învățare profundă antrenate cu augmentare pe condiții de vânt învață să le respingă. Ploaia produce artefacte de zgomot pe întreaga imagine și reduce contrastul; camerele termice combinate cu camerele cu lumină vizibilă permit sistemului să mențină capacitatea de detectare atunci când imaginile vizibile se degradează. Tranzițiile de iluminare — comutarea camerei de la modul de zi la modul de viziune nocturnă la amurg și zori — creează perioade scurte de schimbare a aspectului scenei, în timpul cărora modelul de fundal trebuie să se restabilizeze; un detector cu învățare profundă, cu o reprezentare robustă a caracteristicilor, este mai puțin sensibil la aceste tranziții decât un sistem de tripwire care depinde de un model de fundal la nivel de pixel.
Metrică cheie: ținta ratei operaționale de alarme false pentru sistemele perimetrale militare este de obicei exprimată ca mai puțin de o alertă deranjantă per cameră per perioadă de 24 de ore, măsurată pe o perioadă de evaluare de 30 de zile, care acoperă toate condițiile de vreme și iluminare. Sistemele care ating acest prag permit unui operator al consolei forței de pază să aibă încredere că fiecare alertă merită investigată, ceea ce este condiția prealabilă pentru ca sistemul să aibă valoare operațională, mai degrabă decât să genereze oboseală la alarme.
Clasificarea persoanelor și vehiculelor la punctele de control
Detectarea traversării perimetrului este o problemă binară — ceva a traversat sau nu a traversat. Clasificarea la punctele de control este o problemă mai bogată: sistemul trebuie să deosebească personalul autorizat de cel neautorizat, să identifice tipurile de vehicule, să detecteze obiecte de interes (arme, bagaje mari, echipamente) și să producă un rezultat de clasificare suficient de rapid pentru a sprijini o decizie de control al accesului înainte ca subiectul să fi trecut prin poartă. Arhitectura de model și pragurile de încredere care funcționează pentru detectarea perimetrală nu sunt aceleași cu cele necesare pentru clasificarea la punctele de control.
YOLOv8 și RT-DETR sunt cele două arhitecturi cel mai larg implementate pentru clasificarea la punctele de control în aplicațiile din apărare. YOLOv8 este un detector într-o singură etapă, fără ancore, care atinge un debit foarte mare pe hardware GPU: un model YOLOv8-medium care rulează pe un GPU de gamă medie poate procesa 400 sau mai multe cadre pe secundă, fiind practic să ruleze analiză profundă pe mai multe fluxuri video simultane de la un singur appliance pe margine. Acuratețea sa pe testele standard de detectare a obiectelor se află la câteva puncte procentuale de modelele mult mai mari. RT-DETR aplică un codificator transformator pe harta de caracteristici extrasă de o coloană convoluțională, ceea ce îmbunătățește acuratețea pe subiecte parțial ocuzate și unghiuri de vedere neobișnuite — condiții comune la porți, unde subiectele pot aborda în unghiuri oblice, purtând încărcături care le modifică silueta sau fiind parțial obturate de vehicule. Mecanismul de atenție al transformatorului îi permite să raționeze asupra contextului global al cadrului, ceea ce ajută la deosebirea unei persoane care poartă un sac de scule autorizat de o persoană care poartă o armă. Costul este o amprentă de calcul oarecum mai mare decât a modelelor YOLO comparabile.
Pragul de încredere este parametrul cu cel mai mare impact operațional și cel mai des setat greșit. Un prag de încredere scăzut maximizează reamintirea — sistemul marchează aproape tot ce ar putea fi o amenințare — cu prețul unei rate mari de fals pozitive, care inundă operatorul consolei. Un prag ridicat reduce fals pozitivele, dar crește rata de omisiuni. Calibrarea operațională stabilește un prag primar de alertă (de obicei 0,60–0,70) care declanșează o notificare către consolă și o fereastră secundară de confirmare care cere ca clasificarea să persiste pe trei până la cinci cadre consecutive înainte ca alerta să escaladeze la un semnal de prioritate mare. Detecțiile pe un singur cadru sunt reținute într-o coadă de prioritate scăzută pentru revizuire, dar nu întrerup operatorul. Această abordare cu prag dublu atinge atât o rată scăzută de omisiuni, cât și un volum gestionabil de alerte.
Clasificarea vehiculelor la punctele de control depășește binarul persoană/vehicul. Operațiunile de poartă militară trebuie să deosebească autoturismele de camioanele de marfă, de motociclete și de vehiculele militare și să marcheze vehiculele care nu se potrivesc tipului de trafic așteptat pentru poartă și ora din zi. Un clasificator de vehicule cu granulație fină, care rulează pe camera punctului de control, poate oferi această defalcare. Condiția critică de realizare este rezoluția: cel puțin 40 de pixeli care acoperă înălțimea vehiculului la distanța maximă de staționare pe care geometria porții o permite, și de preferat mai mult. Sub acest prag, acuratețea tipului de vehicul cu granulație fină scade abrupt, iar sistemul poate doar confirma că un vehicul este prezent. Aceasta este o considerație pentru recunoașterea automată a țintelor pe margine, unde compromisurile dintre rezoluție și distanță pentru acuratețea clasificării sunt examinate în profunzime.
Detectarea staționării și a anomaliilor
Detectarea staționării abordează un scenariu de amenințare pe care detectarea traversării perimetrului îl ratează complet: o persoană sau un vehicul care nu traversează perimetrul, ci petrece un timp neobișnuit de lung în apropierea unui punct sensibil, potențial desfășurând cercetări, așteptând o oportunitate sau pregătind o abordare. Detectarea staționării necesită urmărirea subiectelor în timp și compararea comportamentului lor cu o bază de referință așteptată.
Cea mai simplă implementare a detectării staționării este pragul de timp de staționare: un subiect clasificat ca persoană sau vehicul care rămâne într-o zonă definită mai mult decât o perioadă configurată declanșează o alertă. Zona poate fi un poligon desenat în jurul unei locații sensibile — o poartă, un stâlp de comunicații, un depozit de combustibil — iar pragul de timp de staționare este stabilit de politica operațională, pe baza sensibilității activului protejat. Un vehicul staționar la 100 de metri de un depozit de combustibil mai mult de 120 de secunde ar putea justifica o investigație; același vehicul staționar 30 de secunde s-ar putea să nu justifice. Pragul de timp de staționare este ușor de implementat și de auditat, dar produce fals pozitive atunci când activitățile autorizate implică prezență staționară — echipe de mentenanță, vehicule de livrare care așteaptă procesarea — și fals negative atunci când un subiect staționează în mai multe intervale scurte, care individual rămân sub prag.
Analiza traiectoriei abordează aceste limitări prin modelarea tiparelor de mișcare așteptate pentru fiecare locație și marcarea abaterilor de la aceste tipare. La o poartă pentru vehicule, traficul legitim urmează un flux previzibil: abordare, oprire scurtă la cititor, trecere mai departe. Un vehicul care se apropie și se retrage repetat, sau se oprește și își menține poziția la o distanță neobișnuită de cititor, se abate de la tiparul așteptat și este marcat ca anomal, indiferent de timpul său individual de staționare în orice poziție dată. Aceasta necesită clusterizarea datelor istorice de traiectorie de la cameră pentru a învăța tiparele normale de mișcare, apoi compararea fiecărei traiectorii noi cu baza de referință învățată, în timp real.
Modelarea comportamentului neobișnuit pentru medii militare necesită date de antrenament care surprind activitățile și tiparele specifice ale instalației — nu materiale generice de supraveghere comercială. Tiparele de mișcare așteptate la poarta unei baze operaționale înaintate diferă de cele ale unui campus corporativ; fluxul tipic de vehicule al unui depozit logistic diferă de al unei clădiri administrative. Colectarea de date de traiectorie etichetate de la locația specifică, pe cel puțin 30 de zile, acoperind toate turele și ritmurile operaționale, este condiția prealabilă pentru construirea unui model de anomalii care are rate scăzute de fals pozitive pe activitățile autorizate, detectând în același timp anomalii genuine.
Indiciile comportamentale vizibile prin analiza pozei extind detectarea staționării pentru a include natura activității subiectului în perioada de staționare. O persoană care stă staționară și fotografiază repetat aceeași direcție este mai îngrijorătoare decât o persoană care stă staționară și pare să aștepte o mașină. Estimarea pozei în supravegherea militară poate oferi aceste indicii comportamentale — poziția brațului unei persoane care folosește un telefon față de o cameră, orientarea capului care indică ce privește un subiect — care pot fi fuzionate cu datele de timp de staționare și traiectorie pentru a produce un scor de anomalie mai bogat.
Orientarea camerelor PTZ de la declanșatoarele AI
Camerele pan-tilt-zoom sunt continuarea de înaltă rezoluție a acoperirii de ansamblu pe zone largi pe care o oferă camerele fixe. O cameră fixă vede întregul perimetru; o cameră PTZ poate mări pentru a citi o plăcuță de înmatriculare, a identifica o față sau a examina în detaliu un obiect suspect. Problema operațională este că camerele PTZ sunt inutile dacă un operator trebuie să le orienteze manual către locația corectă mai repede decât se poate mișca un intrus; latența de la detectare la orientare manuală la achiziția prin zoom depășește de obicei 15 secunde, perioadă în care un subiect în mișcare rapidă poate acoperi un teren semnificativ. Orientarea PTZ condusă de AI reduce această latență sub două secunde și elimină complet pasul manual.
Orientarea PTZ de la declanșatoarele AI funcționează prin traducerea coordonatelor și gestionarea presetărilor. Atunci când motorul de analiză care rulează pe camera de ansamblu detectează și clasifică o persoană care traversează perimetrul, calculează poziția subiectului pe planul terestru folosind omografia calibrată a camerei. Sistemul apoi consultă un tabel de presetări care mapează pozițiile de teren la numere de presetări PTZ pe fiecare cameră PTZ care poate acoperi acel punct de teren. Trimite comanda de rechemare a presetării către controlerul PTZ corespunzător, care execută mișcarea pan-tilt către poziția stocată în mai puțin de o secundă. Pe măsură ce PTZ-ul ajunge la presetare, algoritmul său de urmărire la bord — de obicei un tracker de corelație sau un tracker profund ușor — se blochează pe subiect după aspect și începe să-l urmărească în interiorul câmpului vizual al PTZ-ului.
Gestionarea presetărilor este o disciplină operațională frecvent subestimată. Un perimetru cu 40 de camere PTZ, fiecare acoperind zone de teren suprapuse, necesită un tabel de presetări care să fie precis, actualizat și auditat regulat. Schimbările fizice ale instalației — structuri noi, garduri relocate, suporturi de cameră modificate — invalidează maparea coordonatelor și fac ca PTZ-ul să ajungă la poziția greșită. Calibrarea presetărilor ar trebui tratată ca o sarcină de mentenanță programată, reverificată trimestrial și după orice schimbare fizică a zonei acoperite.
Predarea multi-cameră pentru urmărirea perimetrului este capacitatea care permite unui singur intrus să fie urmărit de camerele PTZ în mod continuu, pe o graniță extinsă a perimetrului. Atunci când subiectul se deplasează spre marginea intervalului de urmărire al primului PTZ, logica de predare a urmăririi compară poziția curentă și traiectoria subiectului cu zonele de acoperire ale camerelor PTZ adiacente, identifică următoarea cameră din secvență și o pre-poziționează la punctul de interceptare prezis, înainte ca subiectul să ajungă acolo. PTZ-ul care predă continuă urmărirea până când PTZ-ul care primește confirmă achiziția, apoi predă curat. O predare bine implementată este invizibilă pentru operatorul consolei: acesta vede o urmă video continuă a subiectului, fără goluri, comutând automat între sursele de cameră pe măsură ce subiectul se mișcă.
Integrarea cu sistemele de control al accesului și C2
Capacitatea de detectare și clasificare a unui sistem de analiză video își creează valoarea operațională numai atunci când este conectată la sistemele care pot acționa pe baza acelor informații. Integrarea are trei destinații principale: consola forței de pază, sistemul de management al controlului accesului și platforma C2.
Transmiterea alertelor către consola forței de pază este cea mai imediată integrare. Atunci când o intruziune perimetrală este confirmată — persoană clasificată, prag depășit, persistență temporală îndeplinită — o alertă este trimisă în timp real către consolă. Alerta poartă clasa de detectare și încrederea, identificatorul camerei, o miniatură a detectării și o legătură către fluxul video în direct. Consola afișează alertele active în ordine de prioritate, cu alertele de încredere cea mai mare și din zonele de sensibilitate cea mai mare în vârf. Alertele neconfirmate escaladează după un interval configurabil, paging supervizorul de tură dacă ofițerul de serviciu nu răspunde. Clipul video care încadrează evenimentul de detectare este atașat automat la înregistrarea alertei, asigurând că fiecare alertă are dovadă suport, indiferent dacă operatorul revizuiește sau nu fluxul în direct, în timp real.
Integrarea cu sistemul de management al controlului accesului operează bidirecțional. De la controlul accesului către analiză: evenimentele de acreditare — treceri de card, potriviri biometrice, refuzuri de acces — sunt publicate pe platforma de analiză ca straturi contextuale. Atunci când un operator privește camera porții, vede identitatea și statutul de autorizare al oricărei persoane care a prezentat recent acreditări, oferind context imediat pentru orice comportament anormal. De la analiză către controlul accesului: o intruziune confirmată lângă o poartă declanșează o comandă de blocare — ușile adiacente sunt blocate automat, alarmele de pe panoul de acces sunt activate, iar ofițerul de serviciu primește o notificare pe canal separat. Protocolul de integrare este de obicei un webhook API REST pentru platformele moderne de control al accesului, sau o interfață de releu hardware pentru panourile moștenite care acceptă intrări de alarmă cu contact uscat.
Generarea urmelor C2 din evenimentele perimetrale este integrarea de cea mai mare valoare pentru comanda tactică. Mai degrabă decât să trateze fiecare detectare ca o alertă izolată, platforma de analiză generează un obiect de urmărire C2 atunci când o intruziune este confirmată, purtând clasa de detectare, poziția geolocalizată, un scor de încredere și referința video asociată. Urmăria este publicată pe TAK Server ca eveniment CoT, apărând pe fiecare client ATAK conectat ca un marker de hartă tipizat pe care ofițerul de operațiuni îl poate atribui unei patrule, corela cu alte rapoarte de senzori și gestiona prin ciclul de viață standard al urmei. Pe măsură ce subiectul se deplasează de-a lungul perimetrului și este predat între camerele PTZ, urmăria este actualizată cu rapoarte noi de poziție, menținând o imagine continuă a locației și direcției intrusului.
Atașarea automată a clipului video la rapoartele de incident este fluxul de lucru de documentare care asigură că nicio detectare nu este pierdută din cauza golurilor de proces. Atunci când un operator confirmă o alertă și o validează ca eveniment real, sistemul creează automat o intrare de raport de incident pre-populată cu metadatele detectării, clipul video asociat și marcajele de timp ale detectării și confirmării. Aceasta creează o înregistrare auditabilă care supraviețuiește momentului operațional și este disponibilă pentru revizuirea după acțiune, proceduri legale sau analiză de informații, fără a cere operatorului să captureze și să arhiveze manual dovezile sub presiunea timpului.
Arhitectura hardware pentru implementarea pe întreaga bază
O implementare care acoperă o instalație militară întreagă, cu sute de camere, necesită o arhitectură hardware care echilibrează capacitatea de calcul, lățimea de bandă a rețelei, stocarea și reziliența în întregul sistem — nu doar cerințele per cameră. Soluția standard este o arhitectură pe două niveluri, margine plus centru.
La nivelul de margine, camerele sunt grupate în clustere pe baza proximității fizice și a topologiei rețelei. Un cluster conține de obicei patru până la șaisprezece camere, alese pentru a minimiza traseele de cabluri și comutarea de rețea necesară. Fiecare cluster este deservit de un appliance dedicat pe margine — un server GPU blindat, un rack de inferență AI sau un set de acceleratoare — care gestionează ingestia video în timp real și inferența pentru fiecare cameră din cluster. Appliance-ul rulează modelele de detectare, clasificare și urmărire în mod continuu, generează evenimente de detectare, gestionează comenzile de orientare PTZ pentru camerele PTZ din cluster și menține un tampon de stocare local al videoului brut. Appliance-ul trimite numai fluxurile de evenimente de detectare către platforma centrală în condiții normale de operare, cererile de preluare video fiind gestionate la cerere.
Alegerea appliance-ului potrivit pe margine pentru fiecare cluster necesită parcurgerea bugetului de inferență. Un cluster de 16 camere care rulează la 1080p și 15 fps are nevoie de un appliance care să poată rula un model de clasificare pe toate cele 16 fluxuri simultan, fără a pierde cadre. Pentru YOLOv8-medium la intrare 640x640, fiecare flux la 15 fps necesită aproximativ 15 inferențe pe secundă, iar 16 fluxuri necesită 240 de inferențe totale pe secundă. Un singur NVIDIA A2 sau Jetson AGX Orin 64 GB livrează acest debit confortabil, cu marjă de rezervă pentru logica de orientare PTZ și transmiterea alertelor. Pentru clustere mai dense sau modele mai grele, două appliance-uri în paralel gestionează sarcina.
# Example edge appliance sizing calculation
cameras_per_cluster = 16
fps_per_camera = 15
model_throughput = 350 # inferences/sec, YOLOv8-medium, A2 GPU (INT8)
headroom_factor = 0.75 # use 75% of rated throughput to allow for spikes
inferences_needed = cameras_per_cluster * fps_per_camera # 240 inf/sec
capacity_available = model_throughput * headroom_factor # 262 inf/sec
print(f"Single A2 adequate: {inferences_needed < capacity_available}")
# Single A2 adequate: True
# For 24-camera clusters or real-time loitering trajectory analysis:
# provision dual-A2 or move to Jetson AGX Orin 64 GB.
Platforma centrală de management agregă evenimentele de detectare de la toate appliance-urile pe margine, rulează fuziunea multi-cameră pentru urmărire și analiza staționării, gestionează coada de alerte pentru consola forței de pază și stochează metadatele de detectare și clipurile video marcate pentru raportarea și analiza incidentelor. Cerința de calcul a platformei centrale este mult mai mică decât suma sarcinilor de inferență ale appliance-urilor pe margine, deoarece primește evenimente de detectare preprocesate, nu video brut. Un server cu 16 până la 32 de nuclee CPU și 128 GB RAM gestionează fuziunea, gestionarea alertelor și indexarea stocării pentru o implementare de 300 de camere, fără accelerare GPU. Stocarea este principalul factor de dimensionare: la 30 de zile de metadate de evenimente de detectare și 7 zile de stocare a clipurilor marcate, pe o instalație de 300 de camere, cerința de stocare centrală este de obicei în intervalul de 20 până la 50 TB, în funcție de lungimea clipului și setările de compresie.
Reducerea lățimii de bandă este principiul care face posibilă întreaga arhitectură. Între cameră și appliance-ul pe margine, video la rezoluție completă circulă pe o rețea de cameră dedicată — separată fizic sau logic de LAN-ul bazei, pentru securitate și izolarea lățimii de bandă. Între appliance-ul pe margine și platforma centrală, numai fluxurile de evenimente de detectare și clipurile video la cerere circulă pe LAN-ul bazei. Fluxul de evenimente de detectare pentru un cluster de 16 camere generează aproximativ 1 până la 5 Mbps în condiții active, comparativ cu cei 800 Mbps de video brut 1080p pe care același cluster îi produce. O instalație de 300 de camere care ar necesita 15 Gbps de conectivitate video brută între camere și platforma centrală necesită doar 20 până la 100 Mbps de lățime de bandă pentru evenimentele de detectare pe LAN-ul bazei. Aceasta este diferența dintre a cere un suprapunere de rețea dedicată, cu lățime de bandă mare, și a se încadra confortabil într-un LAN de întreprindere standard.
Reziliența la nivelul de margine se realizează prin proiectarea fiecărui appliance ca fiind capabil independent de operare completă. Dacă LAN-ul bazei cedează și appliance-urile pe margine pierd conectivitatea cu platforma centrală, ele continuă să ruleze inferența, să genereze evenimente de detectare, să trimită comenzi de orientare PTZ și să alerteze terminalul local al forței de pază, care este conectat direct la appliance. Evenimentele sunt tamponate local în timpul întreruperii și redate către platforma centrală când conectivitatea este restabilită, reconstruind cronologia evenimentelor pentru revizuirea după acțiune. Reziliența energetică necesită protecție UPS pentru fiecare appliance pe margine și pentru platforma centrală, cu rezervă de generator care corespunde nivelului de sisteme critice al instalației.
Securizați-vă perimetrul cu analiză video condusă de AI
Corvus SENSE integrează analiza video pe margine cu sistemele de control al accesului și C2, oferind bazelor militare și amplasamentelor de infrastructură critică protecție perimetrală continuă, cu alarme false reduse, și integrare completă a imaginii operaționale.
Această analiză a fost pregătită de ingineri Corvus Intelligence care construiesc aplicații ISR critice pentru misiune și de supraveghere de teren pentru organizații de apărare și guvernamentale. Aflați despre echipa noastră →