AI Perimeter Monitoring System Development

Разработка AI-системы мониторинга периметра

Периметр — первая линия защиты объекта. Задача системы: обнаружить человека или транспорт, пересекающий границу охраняемой территории, в любое время суток, при любой погоде, с задержкой до тревоги не более 3–5 секунд и минимумом ложных срабатываний.

Ложные тревоги от ветра, животных, теней и перепадов освещения — главная причина, по которой операторы отключают аналитику и переходят обратно к ручному просмотру. Проектируем систему так, чтобы этого не происходило.

Многоуровневая детекция вторжения

import cv2
import numpy as np
from ultralytics import YOLO
from typing import Optional

class PerimeterMonitor:
    def __init__(self, model_path: str, perimeter_zones: dict):
        self.detector = YOLO(model_path)  # YOLOv8m или YOLOv9c
        self.zones = perimeter_zones

        # Background subtractor — первый уровень, быстрый
        self.bg_sub = cv2.createBackgroundSubtractorMOG2(
            history=300, varThreshold=25, detectShadows=True
        )

        self.target_classes = [0, 2, 3, 5, 7]  # person, car, motorcycle, bus, truck
        self.min_bbox_area = 1500  # фильтр мелких животных

    def _motion_precheck(self, frame: np.ndarray) -> bool:
        fg = self.bg_sub.apply(frame)
        fg[fg == 127] = 0  # убираем тени
        motion_ratio = np.count_nonzero(fg) / fg.size
        return motion_ratio > 0.0015  # порог движения

    def _in_perimeter(self, cx: int, cy: int, zone_name: str) -> bool:
        poly = np.array(self.zones[zone_name]['polygon'], dtype=np.int32)
        return cv2.pointPolygonTest(poly, (float(cx), float(cy)), False) >= 0

    def analyze(self, frame: np.ndarray) -> list[dict]:
        if not self._motion_precheck(frame):
            return []  # нет движения — пропускаем дорогой инференс

        results = self.detector.track(frame, persist=True,
                                       classes=self.target_classes, conf=0.45)
        events = []

        for box in results[0].boxes:
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            area = (x2 - x1) * (y2 - y1)
            if area < self.min_bbox_area:
                continue  # кот, птица, мусор

            cx, cy = (x1 + x2) // 2, (y1 + y2) // 2
            cls_name = self.detector.model.names[int(box.cls)]

            for zone_name, zone_cfg in self.zones.items():
                if self._in_perimeter(cx, cy, zone_name):
                    events.append({
                        'zone': zone_name,
                        'class': cls_name,
                        'confidence': float(box.conf),
                        'bbox': [x1, y1, x2, y2],
                        'track_id': int(box.id) if box.id else None,
                        'alert_level': zone_cfg.get('alert_level', 'warning')
                    })
        return events

Ночная работа и сложные условия

Большинство реальных вторжений происходит ночью. Стандартные RGB-модели теряют точность при освещённости ниже 5 lux.

Для критичных объектов рекомендуется мультиспектральный fusion: RGB + тепловая камера. YOLOv8 с двухканальным входом (RGB + thermal) на датасете FLIR ADAS даёт [email protected] = 0.87 против 0.71 для только RGB в ночных условиях.

Трекинг пересечения линии

class LineCrossingDetector:
    def __init__(self, line: tuple, direction: str = 'both'):
        # line = ((x1,y1), (x2,y2))
        self.line = line
        self.direction = direction  # 'in', 'out', 'both'
        self.track_history: dict[int, list] = {}

    def check_crossing(self, track_id: int,
                        current_pos: tuple) -> Optional[str]:
        if track_id not in self.track_history:
            self.track_history[track_id] = []

        history = self.track_history[track_id]
        history.append(current_pos)

        if len(history) < 2:
            return None

        prev, curr = history[-2], history[-1]
        if self._segments_intersect(prev, curr, self.line[0], self.line[1]):
            cross_dir = self._crossing_direction(prev, curr)
            if self.direction == 'both' or cross_dir == self.direction:
                return cross_dir

        # Хранить только 30 точек истории
        self.track_history[track_id] = history[-30:]
        return None

Кейс: промышленный объект, 3 км периметра, 24 камеры

Объект — металлургический завод, периметр 3 км. Прежняя система: PIR-датчики + охранники. Ложные тревоги от диких животных (лисы, собаки) — 30–50 в ночь.

После развёртывания:

• YOLOv8m, дообученный на 800 дополнительных изображениях с животными (negative class)
• Фильтр по площади bbox: животные < 3500 px², люди/транспорт > 5000 px² при расстоянии 15–30м
• Тепловые камеры Axis Q1961-TE на 6 критичных участках

Результат за первый месяц: FAR снизился с 40+ до 2–3 событий за ночь, все — реальные попытки. Recall на контрольных тестах (30 инсценированных пересечений): 97%.

Инфраструктура: 3 сервера NVIDIA RTX 4090 (по 8 камер каждый), Apache Kafka для стриминга событий, интеграция с PSIM Genetec.