Perché l'IA video è meno precisa attraverso la pioggia, il vetro o le ragnatele?

L’IA video diventa meno affidabile in presenza di pioggia, vetro o ragnatele, perché l’interferenza ottica nasconde caratteristiche reali creando al contempo falsi elementi convincenti.

Una telecamera sul patio può rilevare le persone in modo affidabile durante una serata asciutta, per poi generare avvisi relativi ad animali o persone quando una ragnatela bagnata si illumina sotto la luce infrarossa. Il modello vede pixel, non “condizioni meteorologiche”. Goccioline, riflessi e filamenti vicini all’obiettivo possono dominare quei pixel o cancellare i contorni necessari per riconoscere un soggetto distante.

L’interferenza aggiunge caratteristiche che non appartengono alla scena

Le strisce di pioggia creano brevi linee luminose; le goccioline rifrangono la luce e sfocano le aree locali; il vetro aggiunge riflessi; e le ragnatele formano curve ad alto contrasto vicine all’obiettivo. I rilevatori addestrati su scene ordinarie possono interpretare questi motivi come parti di un oggetto oppure perdere il contorno reale che vi si nasconde dietro.

La ricerca sulla rimozione della pioggia da immagini singole modella la pioggia come un livello visivo separabile dal contenuto della scena. La necessità di metodi di rimozione dedicati dimostra che la pioggia modifica la struttura dell’immagine, invece di limitarsi a ridurne la luminosità.

L’interferenza vicina all’obiettivo è sproporzionatamente potente perché occupa molti pixel pur essendo fisicamente piccola. La luce infrarossa può illuminare un filamento o una gocciolina mentre il vialetto distante rimane buio. Il falso elemento può quindi ricevere più contrasto della persona reale che il sistema dovrebbe individuare.

Vetro e acqua creano immagini sovrapposte

Una telecamera dietro un vetro può catturare contemporaneamente la scena esterna e un riflesso dell’ambiente interno. Messa a fuoco, esposizione e polarizzazione determinano quale livello prevale. L’acqua aggiunge una distorsione rifrattiva che cambia mentre le goccioline scorrono, rendendo temporalmente instabile uno sfondo statico anche quando all’esterno non si muove nulla di significativo.

La ricerca sulla separazione dei riflessi tratta il riflesso come una delle due componenti visive sovrapposte, anziché come un’unica scena nitida. Questo modello spiega perché il normale rilevamento degli oggetti possa assegnare un livello di affidabilità a dettagli provenienti dalla stanza riflessa invece che dall’area monitorata.

Il rilevamento del movimento può attivarsi per primo, seguito da un rilevatore costretto a classificare la regione modificata. L’etichetta risultante può sembrare erroneamente affidabile perché la pipeline ha già selezionato un ritaglio insolito. Le misure di affidabilità adattate ai dati di addestramento non garantiscono la correttezza in presenza di contaminazione ottica.

Quando il meteo non è la causa principale

La spiegazione basata sull’interferenza non è sufficiente quando gli errori persistono dopo aver pulito l’obiettivo e il vetro o quando i rilevamenti coincidono con artefatti dell’encoder e fotogrammi persi. Un aggiornamento del modello, una modifica della sensibilità, un cambio della modalità a infrarossi o una variazione della zona di rilevamento possono coincidere con la pioggia e creare una correlazione fuorviante.

La ricerca dedicata al rilevamento delle ragnatele riporta che le ragnatele possono causare un numero significativo di falsi allarmi nella videosorveglianza. Tuttavia, una ragnatela è causale solo quando la sua posizione e la sua illuminazione corrispondono alle regioni false osservate dal modello.

Il meteo non può inoltre spiegare un problema limitato all’app mobile se i rilevamenti lato server e i fotogrammi memorizzati rimangono corretti. Distingui l’ostruzione durante l’acquisizione dai problemi di trasporto e di visualizzazione dell’interfaccia. Una scena bagnata con contorni degli oggetti nitidi può continuare a funzionare bene, mentre una piccola gocciolina in controluce può mandare in errore una particolare angolazione della telecamera.

Featured

ZimaCube 2 NAS personale cloud domestico

ZimaCube2

$799.00 - $2,499.00

Buy Now

Metti in relazione le ostruzioni con i pixel che attivano i rilevamenti

Salva clip asciutte e contaminate abbinate, registrate dalla stessa telecamera e analizzate dallo stesso modello di inferenza. Contrassegna le regioni di pixel occupate da goccioline, riflessi o ragnatele, quindi verifica se i riquadri falsi si sovrappongono a tali regioni. Registra lo stato degli infrarossi, il tempo di otturazione, il guadagno, le dimensioni dell’oggetto, l’affidabilità e il bitrate dell’encoder.

Mantieni il test in una pipeline di elaborazione locale degli eventi, così da poter confrontare eventi dei file, fotogrammi di inferenza e orari degli avvisi senza che un servizio cloud modifichi silenziosamente la preelaborazione. Esegui il test per più notti, perché ragnatele e goccioline si spostano.

Considera causale l’interferenza ottica quando gli errori compaiono insieme all’ostruzione, si sovrappongono alla sua regione nell’immagine e scompaiono in condizioni altrimenti equivalenti. Se gli errori persistono dopo la pulizia o si verificano al di fuori dei pixel interessati, esamina le modifiche al modello o al flusso video. Se la pioggia aumenta soltanto i rilevamenti di movimento, distingui la sensibilità di attivazione dall’accuratezza della classificazione.