Proizvođači perimetarskih sistema za detekciju provala (PIDS) u svojim materijalima marketinga sve više upotrebljavaju terminologiju kao što je ''napredna obrada signala'', ''inteligentna obrada signala'', ''veštačka inteligencija'' ili AI, ''digitalna obrada signala'' i slično. Ovi termini i način na koji se oni upotrebljavaju mogu postati konfuzni, što otežava njihovo razumevanje i ono što se zaista nudi. Ovaj sajt namerava da pruži dodatnu pozadinu u ove termine, da demistifikuje njihovo pravo značenje, razjasni ono što oni rade i koje su njihove prednosti za krajnjeg korisnika.

Neželjeni alarmi se obično pokreću zbog širokog opsega uslova u okruženju. To može da bude vetar koji udara ili struže žicom po ogradi; kiša ili grad koji padaju direktno po senzorima; ptice koje sleću na ogradu; male životinjice kao što su veverice; udari munje ili groma; obližnji saobraćaj, železnički ili vazdušni saobraćaj; deca koja bacaju štapove ili kamenje na ogradu... Uvek ćete imati neke neželjene alarme, ali ključno za sveukupne performanse sistema jeste kako ćete se odnositi prema njima. Kako eliminišete te neželjene alarme bez kompromitovanja detekcije pravih događaja upada? Kako transformišete performanse PIDS-a radi pružanja poboljšanih vrednosti klijentu? Odgovor je - boljom obradom signala.

Obrada signala u prošlosti

Tradicionalni PIDS sistemi su imali prilično nesofisticirane načine tretiranja neželjenih alarma. Čim se nivo pozadinskog signala poveća - na primer zbog povećanja brzine vetra ili pojačavanja kiše - osetljivost sistema je bio smanjivan da bi se smanjila vrednost neželjenih alarma.

Problem sa takvim tretiranjem jeste da se smanjuje i osetljivost detekcije, a srazmerno i mogućnost alarmiranja zbog pravog događaja upada često do tačke kad je nemoguće detektovati bilo kakvo penjanje na ogradu. Zato, ako pokušavate da neopaženo provalite na zaštićeno mesto, najbolje vreme za to bilo bi mokra i vetrovita noć! Podešavanje i konfigurisanje tih tradicionalnih sistema postalo je tako delikatni čin balansiranja, žrtvovanja osetljivosti radi nižeg nivoa neželjenih alarma.

Koliko neželjenih alarma dnevno može klijent tolerisati da bi zadržao potrebnu osetljivost? Da li je moguće eliminisati neželjene alarme, a pri tome živeti sa detektovanjem samo ozbiljnijih provala na perimetarskoj ogradi? Neke sisteme bilo je potrebno ponovo kalibrisati svake sezone da bi se ponovo omogućilo razlikovanje vrsta i obima neželjenih alarma. Sistemi su čak bili povezani sa anemometrima, tako da je sa povećanjem brzine vetra osetljivost automatski bila smanjivana.

Postojale su raznovrsne metode koje su se godinama primenjivale u prepoznavanju i eliminisanju neželjenih alarma - neke od tih metoda su bile uspešnije od ostalih. Jedan od primera je prosto korišćenje slušalica koje omogućavaju operatoru da 'osluškuju' signale alarma, i onda omoguće operateru da, iz onoga što čuje, odluči da li je to bilo penjanje po ogradi ili samo buka i smetnje okruženja.

Tako je u ovom slučaju selekcija signala (odluka da li je nešto alarm ili nije) ljudski faktor, a ne elektronski, samim time je to i strogo subjektivno i nekonzistentno. Svi ovi sistemi su radili na istim fundamentalnim principima utvrđivanja osnovne linije ili nivoa ambijentalnog signala, a zatim alarmiranje na svaki signal koji odudara od prethodno utvrđenog praga - bez obzira da li je to pravi događaj za alarm ili ne.

Danas

U poređenju sa tradicionalnim sistemima PIDS sa optičkim i bakrenim vlaknima, plasiranje na tržištu novijih interferometrijskih tehnologija za detekciju provale sa optičkim vlaknima od strane sve većeg broja proizvođača donosi značajna poboljšanja u osetljivosti sistema.

Rezultat te poboljšane senzitivnosti je viši nivo verovatnoće detekcije (POD) upada, naročito kada se provalnik ili provalnici pažljivo trude da savladaju sistem koristeći tehnike kao što su prikriveno penjanje, pažljivo naslanjanje merdevina, pa čak postavljanje merdevina na sunđere naslonjene na ogradu u pokušaju da neopaženi pređu preko ograde.

Ali tu je i nedostatak poboljšanja - ta poboljšana osetljivost može dovesti do povećane vrednosti neželjenih alarma. Samim tim je ključni izazov s kojim se proizvođači i naučnici neprestano susreću - kako smanjiti neželjene alarme bez kompromitovanja osetljivosti sistema na prave događaje provale. Budući da noviji sistemi pokrivaju mnogo veće daljine nego što su to radili u prošlosti - obično nekoliko kilometara, a ne više samo nekoliko stotina metara po jednom kontroleru - sada imamo mnogo više pozadinskih izvora buke i smetnji koje detektuju mnogo duži kablovi senzora zajedno sa neželjenim alarmima koje stvara povećana osetljivost. To su razlozi što tradicionalni načini tretiranja pozadinske buke i smetnji filtriranjem i prostim postavljanjem praga smetnji ne mogu više da funkcionišu. Potrebna je mnogo efikasnija obrada signala koja može jasno da razlikuje pravi događaj provale od onoga što to nije.

To je jedan od razloga zašto novije tehnologije obično koriste procesor u centralnom kućištu radi upravljanja celim sistemom PIDS.

Osim uštede na samoj instalaciji i smanjenom trošku održavanja, jer više ne zahtevaju struju ili komunikaciju na polju detekcije, jedna od važnih prednosti takve PIDS arhitekture jeste što sada imamo na raspolaganju prilično veliku spremnu 'konjsku snagu' obrade podataka. To nam, zatim, dozvoljava implementaciju nekih veoma naprednih obrada i prepoznavanja signala - mnogo pametnije nego prosto postavljanje praga ili nivoa osetljivosti.

Razvoj i primena ovih naprednih tehnika obrade signala u okruženju PIDS utiče i na promenu tržišta.

Tradicionalni PIDS sistemi bez takvog nivoa obrade signala vremenom će nestati sa tržišta, a zameniće ih sistemi visokih performansi koje nude veću osetljivost, manje neželjenih alarma, niže sveukupne troškove i mnogo jednostavnije postavljanje i instalaciju.

Šta ta terminologija znači i šta ona u stvari radi?

Bez obzira na tehničke definicije, na tržištu PIDS-a termini 'napredna obrada signala', 'inteligentna obrada signala' i 'digitalna obrada signala' obično se slobodno i naizmenično koriste da predstave istu stvar - korišćenje inteligentnih algoritama radi analize i identifikacije različitih događaja među sirovim signalima.

Ova tehnologija (koja se sastoji i od hardvera i softvera) upotrebljena je za digitalnu obradu sirovih signala senzora PIDS-a dobijenih sa ograde, tražeći mnogo više karakteristika, a ne samo amplitudu ili frekvenciju signala. Signale digitalno obrađuje algoritam da bi izolovao i otklonio događaje sa atributima neželjenog alarma, a zadržava informacije o događaju prave provale.

Tako se filtrirani signali dalje mogu sprovesti kroz sistem sa pragom amplitude radi utvrđivanja da li je to alarm ili je potrebno još obrađivanja. Ipak veštačka inteligencija (AI) ide jedan korak dalje analizirajući i klasifikujući digitalne signale senzora, upoređujući filtrirani signal sa poznatim događajem, i donošenjem odluke u obliku DA ili NE, kao što je to slučaj kod mreža sa nadzorom. AI može takođe klasifikovati i doneti odluku o signalima senzora korišćenjem metoda bez nadzora kao što je rad sa klasterima ili nervnim mrežama bez nadzora.

Napredna / Inteligentna / Digitalna obrada signala

Ova tri termina se naizmenično upotrebljavaju u poslovima detekcije provale, ali uopšteno se odnose na 'digitalnu obradu signala' ili 'DSP' sirovih signala sa perimetra. DSP ima naglašenu upotrebu matematičkih algoritama, a ne tradicionalne tehnike filtriranja u obradi sirovih signala perimetarskih senzora.

Osim što obrađuju PIDS signale, DSP aplikacije uključuju obradu audio i govornih signala, sonarnih i radarskih signala, obradu polja senzora, obradu digitalne slike, obradu seizmičkih podataka i drugih.

Cilj DSP u okviru PIDS aplikacije jeste da izmeri i filtrira signale dobijenih od senzora na ogradi ili perimetra i efikasno ukloni one delove signala koji nisu primenjivi na pravi događaj upada, odnosno one koji su deo ambijenta ili okruženja. Prvi korak u obradi jeste konvertovanje signala iz analognog u digitalni oblik, jer su zahtevi pri obradi digitalnih signala daleko jednostavniji nego kod analognih.

Signali se zatim konvertuju iz vremenskog u frekventni domen kroz Furijeovu transformaciju. Radi dobijanja više informacija signal se takođe može transformisati u vremensko-frekventni domen korišćenjem wavelet-a ili kvadratnih vremensko-frekventnih metoda. Sledeći korak je analiza signala u frekventnom domenu, digitalno ispitivanje osobina signala sa senzora ograde radi utvrđivanja i propuštanja frekvencija koje su prisutne u pravom događaju provale, ili blokiranja onih za koje se zna da ih uzrokuje okruženje i neželjeni događaji.

Pri blokiranju frekvencija buke ili smetnji okruženja, potrebno je uzeti u obzir naprednu obradu signala, jer u nekim slučajevima opseg buke okruženja i prave provale može se preklapati što otežava razlikovanje signala jednih od drugih. DSP omogućava mnogo prefinjeniju kontrolu filtriranja nego što je to moguće sa analognim komponentama, a svaka dinamička promena koju sprovode filteri obavlja se u softveru, a ne u hardveru, što ih čini veoma fleksibilnim i mogućim za programiranje.

Nedostatak je prvobitna obrada potrebna da bi filtrirao, odnosno eliminisao, talase ili frekvencije koje nisu interesantne, odnosno koje nisu deo događaja prave provale. Zbog toga se sve veći broj DSP aplikacija sada koristi sa moćnim sveobuhvatnim PC-jem sa procesorima sa više jezgra (sa multi-core procesorima).

Veštačka inteligencija ili 'AI'

Veštačka inteligencija ili AI je drugačija i mnogo naprednija, jer gradi matematičke modele koji simuliraju ljudsku nervnu odluku pri obradi, kopirajući način kako naš mozak donosi odluke. To je elektronska verzija slušanja i pokušaja da indentifikuje signale provale kroz slušalice, ali mnogo brže, pametnije i mnogo pouzdanije. To je sledeći korak u obradi nakon DSP.

Nervne mreže, korišćene u veštačkoj inteligenciji, nisu linearni statistički alati za modeliranje podataka ili za donošenje odluka zasnovani na statistici i obradi signala. Nervne mreže se mogu koristiti za pravljenje modela kompleksnih signala primljenih sa senzora perimetarske ograde i za detektovanje uzoraka u podacima. Upravo ti uzorci u podacima alarma od posebnog su značaja i korisni u eliminisanju neželjenih alarma.

Ono što privlači najveći interes u nervnim mrežama jeste njihova sposobnost da 'uče' korišćenjem čitavog niza opažanja pomoću senzora na ogradama, klasifikujući te uzorke podataka kao pravu provalu ili neželjene događaje i donoseći odluku o tome da li je to prava provala ili samo neželjeni događaj. AI omogućava da sistem prepoznaje i otklanja pozadinske signale, kao što je kiša, a da pri tome ostavlja signal provale nedirnut bez gubljenja nivoa osetljivosti, i obrađuje taj događaj dalje radi alarmiranja i lociranja provale.

Upotrebom AI, algoritmi za ublažavanje slučajne buke prilagođavaju se raznim nivoima kiše (ili drugim izvorima buke) ali, što je najvažnije, nikada ne smanjuje osetljivost na događaj provale. Pre samo nekoliko godina ova sporedna tehnologija bila je ograničena samo na vojnu i svemirsku industriju, koristila se u sistemima biometrijske identifikacije, analizi biomedicinskih signala, prepoznavanju govora, fotografije i u robotici - to su samo neki primeri primene. Sada je ona postala bitan deo industrije tehnologije, pružajući rešenje za većinu teških problema u analizi signala, kao što se to može videti u poslednjoj generaciji sistema za detekciju provale.

Po definiciji, AI je inteligentan proces samostalnog učenja, ali u PIDS industriji trenutno se on primenjuje na osnovnom nivou kojeg još prati nadziranje, i to primarno u procesu donošenja odluke.

Nema sumnje da će se u budućnosti pojaviti samouki sistemi PIDS-a koji koriste metode AI 'bez nadzora', ali industrija još nije dotle stigla. Najefikasniji PIDS sistemi trenutno koriste kombinaciju digitalne obrade signala i veštačke inteligencije.

Digitalna obrada signala predstavlja prvi prolaz ulaznih signala pri čemu otklanja delove signala za koje je sasvim jasno da nisu povezani sa provalom. Preostali podaci signala se dalje prosleđuju do programa veštačke inteligencije radi dodatne obrade koja podrazumeva osobine kao što su, na primer, prepoznavanje signalnog uzorka radi dobijanja profinjenijeg nivoa filtriranja neželjenih događaja.

 

Kako se signali provale jasno izdvajaju među sirovim signalima korišćenjem DSP i AI.

Rezultat je jasan, veoma precizan alarm koji je moguće reprodukovati u obliku DA ili NE odluke o pokretanju alarma sa veoma malo neželjenih alarma.