Pemantauan Keselamatan

Pemantauan keselamatan menerapkan mesin pipeline yang sama dengan inspeksi pada pertanyaan yang berbeda: bukan apakah produknya benar, melainkan apakah tempatnya berperilaku sebagaimana mestinya.

Ia berjalan di perangkat di lokasi, memproses aliran tepat di tempat aliran itu dihasilkan, dan menghasilkan peristiwa yang dialihkan ke orang yang dapat menindaklanjutinya.

• Pemeriksaan berjalan terus-menerus, bukan dalam penyisiran manual berkala.
• Frame yang sama dapat menjawab beberapa pertanyaan sekaligus, karena setiap pemeriksaan adalah node dalam satu graf.
• Setiap peristiwa membawa buktinya, sehingga keputusannya dapat dijelaskan setelah kejadian.

Deteksi orang ditambah pelacakan multi-objek mengubah aliran per frame menjadi pergerakan dengan identitas yang bertahan. Preset crowd_monitoring adalah komposisi yang terdokumentasi, dan keluarannya berupa hitungan, bukan gambar.

• Deteksi dengan detektor standar seperti facebook/detr-resnet-50, disaring ke deteksi kelas orang.
• ByteTrack untuk posisi kamera yang tetap; BotSort bila kamera berputar atau platformnya bergerak, karena ia mengompensasi gerakan kamera.
• ID trek yang unik menghasilkan jumlah orang, yang dibandingkan aturan terhadap ambang kepadatan untuk memunculkan peringatan.
• Re-identifikasi berbasis penampilan dapat memulihkan identitas setelah terhalang, memakai encoder CLIP atau OSNet.

Jalur zero-shot mencakup pemeriksaan yang sulit dilatih: sebutkan apa yang Anda cari — helm, rompi reflektif, pembatas, orang di dalam area bertanda — dan detektor mencarinya di frame tanpa satu pun gambar contoh.

Untuk objek dan bukan orang, skenario objek mencurigakan merangkai tiga tahap: deteksi berbasis prompt teks menemukan kandidat seperti tas atau paket, SAM memberi batas yang bersih, dan vision-language model mendeskripsikan keadaan serta sekitarnya sehingga manusia dapat menilai konteksnya.

Pemeriksaan baru cukup berupa prompt baru, sehingga tinjauan keselamatan dapat berubah pikiran lebih cepat daripada siklus pelatihan.

Preset vlm_scene_understanding meminta vision-language model mendeskripsikan apa yang dilihat kamera sementara tugas lain mengumpulkan buktinya secara paralel.

• Prompt deskripsi dapat diarahkan ke pertanyaan yang penting — perilaku tak biasa, jalur yang terhalang, kondisi yang layak dilaporkan.
• Deteksi entitas berjalan berdampingan, sehingga deskripsinya disertai objek yang terlokalisasi, bukan berdiri sendiri.
• Estimasi kedalaman menambahkan geometri skena bila tata ruangnya penting.
• Ketiganya digabung menjadi satu hasil per frame, sehingga sebuah peristiwa membawa narasi beserta deteksi di baliknya.

Sumber langsung ditangani sebagai aliran. Umpan RTSP dan video panjang berjalan dengan memori tetap, dan kebijakan frame menentukan apa yang diproses: setiap frame ke-N, selalu frame terbaru untuk pekerjaan waktu nyata, atau antrean terbatas yang membuang frame saat beban tinggi alih-alih tertinggal.

Peristiwa dialihkan dalam format yang sudah dipakai lokasi — JSON atau CSV ke sistem, frame teranotasi dan potongan gambar ke manusia — dan setiap peristiwa tercatat, sehingga keputusannya dapat ditinjau setelah kejadian.

• Kebijakan frame menjaga anggaran komputasi tetap saat jumlah kamera bertambah.
• Streaming bermemori tetap berarti satu shift panjang tidak menghabiskan mesinnya.
• Catatan per peristiwa mendukung peninjauan, bukan hanya reaksi waktu nyata.

Pipeline pemantauan menghasilkan kandidat; manusia yang memutuskan. Seberapa berguna ia bergantung pada letak ambangnya, dan keputusan keselamatan sebaiknya tidak diserahkan pada ambang tanpa peninjauan.

Pemeriksaan yang lebih berat membutuhkan GPU agar berjalan pada laju yang berguna — terutama yang melibatkan vision-language model. Deteksi dan pelacakan saja terdokumentasi dapat berjalan di CPU dengan laju frame yang lebih rendah.