Эраст
О клиенте
Эраст – CV-стартап, который превращает видеонаблюдение в инструмент предотвращения угроз. Система анализирует видеопоток в реальном времени, определяет подозрительное поведение и мгновенно уведомляет ответственных.
Задача
Клиент поставил задачу в течение 3 месяцев создать MVP-версию системы AI-видеонаблюдения, которая обрабатывает видеопотоки в реальном времени, определяет подозрительное поведение и агрегирует данные в удобную административную панель. Ключевым вызовом стала необходимость обучить нейросетевую модель на ограниченном наборе данных и обеспечить стабильную работу при обработке нескольких камер одновременно.
Проблемы
и решения
Мы построили архитектуру системы, которая сочетает несколько ключевых модулей:
Обучение нейронной сети
Для распознавания подозрительного поведения мы обучили модель на основе размеченных данных клиента и открытых датасетов. Модель детектирует аномалии в поведении людей: агрессию, кражи, подозрительное перемещение.
Обработка видеопотока через OpenCV
Система принимает видеопотоки с нескольких камер одновременно. Обработка кадров реализована через OpenCV с оптимизацией для снижения задержки при анализе.
Ленивый режим анализа
Для экономии серверных ресурсов внедрён «ленивый» режим: полный анализ кадра запускается только при обнаружении движения. Это снизило нагрузку на сервер в 10 раз без потери качества детекции.
Звуковые оповещения
При фиксации инцидента система мгновенно отправляет звуковой сигнал оператору и выделяет соответствующую камеру в административной панели.
Выделение камеры
Камера, на которой зафиксирован инцидент, автоматически выделяется в интерфейсе. Оператор может быстро переключиться на полноэкранный режим для детального просмотра.
Модальное окно с деталями
Каждый инцидент можно открыть в модальном окне: скриншот момента, тип инцидента, уровень уверенности модели, время и камера.
Ключевые
результаты
Система успешно запущена в пилотном режиме в 8 магазинах торговой сети. Точность детекции подозрительного поведения составила 90%. Архитектура позволяет обрабатывать от 10 до 20 камер на одном сервере без потери производительности.