Anomalieerkennung am Rand mithilfe intelligenter Kameras unter schlechten Lichtbedingungen

Die Anzahl der in Smart-City-Bereichen eingesetzten Kameras wird zunehmend prominent und bemerkenswert für die Überwachung von städtischen und ländlichen Gebieten wie Bauernhöfen und Wäldern, um Diebstähle von landwirtschaftlichen Maschinen und Vieh zu verhindern sowie Arbeiter zu überwachen, um ihre Sicherheit zu gewährleisten. Allerdings werden Anomalieerkennungsaufgaben in Umgebungen mit schlechten Lichtverhältnissen erheblich herausfordernder. Folglich wird es schwierig, effiziente Ergebnisse bei der Erkennung von Verhaltensweisen und Ereignissen in der Umgebung zu erzielen. Daher hat diese Forschung eine Technik entwickelt, um Bilder, die bei schlechten Sichtverhältnissen aufgenommen wurden, zu verbessern. Diese Verbesserung zielt darauf ab, die Genauigkeit der Objekterkennung zu steigern und die Anzahl falscher positiver Erkennungen zu verringern. Die vorgeschlagene Technik besteht aus mehreren Phasen. In der ersten Phase werden Merkmale aus den Eingabebildern extrahiert. Anschließend weist ein Klassifikator ein einzigartiges Label zu, um das optimale Modell unter mehreren Verbesserungsnetzwerken anzuzeigen. Darüber hinaus kann er Szenen, die bei ausreichendem Licht aufgenommen wurden, von solchen bei schlechten Lichtverhältnissen unterscheiden. Schließlich wird ein Erkennungsalgorithmus angewendet, um Objekte zu identifizieren. Jede Aufgabe wurde auf einem separaten IoT-Edge-Gerät implementiert, wobei die Erkennungsleistung in der ExDark-Datenbank mit einer nahezu einsekündigen Reaktionszeit in allen Phasen verbessert wurde.