Detectar y localizar intromisiones de desconocidos
Inspiración
Las notificaciones de movimiento que envían las cámaras de seguridad normales como Samsung son molestas. No quiero recibir una notificación cuando mi mascota o mis hijos se mueven por la casa. Solo quiero recibir una alarma que me notifique cuando una persona desconocida llega a mi casa y quiero ver la cara de la persona inmediatamente sin una reproducción de la grabación de video.
En algunos casos, la notificación de la intromisión de un desconocidos en tiempo real no es suficiente. Por ejemplo, los guardias de seguridad necesitan la ubicación precisa de la persona desconocida para tomar acciones inmediatas. Por lo tanto, la notificación debe tener información de la ubicación del desconocidos.
Qué hace
En este proyecto, enviamos una notificación por SMS o email en tiempo real de la ubicación y la foto del extraño utilizando Deeplens y el servicio de ubicación de Cisco CMX WiFi.
Creado por: Gracia Wang y Lucy Huang
Cómo lo desarrollamos
A continuación se muestra el flujo de trabajo que utilizamos para desarrollar el sistema:
- Desarrollamos una función lambda para detectar rostros, enviar las imágenes correspondientes y las direcciones MAC de Deeplens a S3
- Implementamos la función lambda anterior y el modelo de detección de rostros en Deeplens
- Desarrollamos una función lambda para llamar a la API de Rekognition con el objetivo de que compare el rostro detectado con los de la colección llamada "familia" y verificar si es un rostro conocido que figure en la colección o no. Si se detecta un rostro desconocido, publica un mensaje en el tema SNS, lo cual activa una notificación por email. Configuramos este disparador de la función lambda mediante el evento de carga de una nueva imagen de S3
- Configuramos el tema SNS para la notificación de mensajes de email
- Para obtener información de la ubicación del desconocido, importamos un mapa de prueba y la jerarquía de ubicación en la cuenta CMX y colocamos los puntos de acceso en el mapa en el servicio en la nube de CMX (https://location-test.cmxdemo.com/tm). Mientras tanto, mejoramos la función lambda en 3, para que lea la dirección MAC del archivo S3, y llamamos a la API del cliente CMX con la dirección MAC como parámetro de consulta para obtener la ubicación del dispositivo Deeplens
Desafíos
El sistema operativo del dispositivo DeepLens no es estable. El software se actualizó automáticamente e introdujo la regresión en el dispositivo. Se sincronizó con el equipo de soporte de AWS DeepLens. Eddie y el equipo ayudaron a resolver el problema con el soporte técnico de un día para otro. Finalmente puedo probar el proyecto en el dispositivo. Agradecemos el soporte profesional online del equipo de AWS
Logros de los que estamos orgullosos
¡Es increíble que pudiéramos lograr un proyecto de aprendizaje profundo en un par de semanas! Con un conocimiento limitado en aprendizaje profundo, pudimos lograr usarlo para resolver un problema de la vida real en tan poco tiempo. Además, DeepLens nos inspiró y se nos ocurrieron muchas cosas interesantes cuando hicimos el intercambio de ideas al comienzo.
Incluso mi hija de 11 años mostró interés en DeepLens. Se le ocurrieron ideas como usar DeepLens para detectar que una persona mayor se cayó de la cama o está en estado de coma en el piso (estamos planeando hacer esta idea realidad en el próximo proyecto de creación). Siento mucho orgullo por haber presentado DeepLens y la idea a su clase de ciencias de la escuela secundaria. Atrajo mucha atención y preguntas de sus compañeros de secundaria.
Lo que aprendimos
Los ecosistemas de IAI de AWS y DeepLens son muy potentes para desarrollar soluciones que ayuden a mejorar la vida humana. Amazon está en el camino correcto de liderar la industria para lograr la evolución de la AI. Estamos inspirados y nos complace tener la oportunidad de experimentar un producto tan increíble.
Pasos siguientes
En realidad, el caso de uso que resolvimos en este proyecto se puede generalizar de la siguiente manera: un sistema inteligente para detectar el evento, capturar la imagen del evento y enviar notificaciones en tiempo real con una ubicación precisa para obtener una respuesta inmediata.
El próximo paso de nuestra creación es desarrollar un sistema para ayudar a las personas mayores que viven solas. Queremos usar Sagemaker para formar un modelo de aprendizaje profundo para detectar eventos de personas que se caen en el piso e implementar este modelo en DeepLens para detectar automáticamente esas caídas o personas en estado de coma, y enviar notificaciones en tiempo real con la ubicación precisa del evento al equipo de atención de urgencia o a familiares para que reaccionen rápidamente para su rescate o asistencia.
Desarrollado con
rekognition
lambda
cisco
cisco-cmx-wifi-location
sns
s3