Jiann

El mundo es un lugar peligroso y aislarnos detrás de paredes y jaulas en nombre de la seguridad impide momentos cruciales de intercambio cultural. Tradicionalmente, la violencia en los entornos laborales ha seguido este patrón destructivo en lugares con altos índices de criminalidad desde una perspectiva estadística. Las estaciones de servicio, los centros comerciales de venta minorista, los almacenes y las tiendas de compra exprés instalan jaulas incómodas entre clientes y empleados para mejorar la seguridad. La estrategia mejora la protección en los lugares de trabajo, pero tiene un costo significativo para la comunidad. Jiaan es una oportunidad que permite cambiar para mejor las reacciones tradicionales, la cultura en el lugar de trabajo y la comunidad. El sistema de seguridad inteligente identifica una amenaza en tiempo real y permite que se tome una acción al respecto. Mi meta es reducir y, en última instancia, eliminar encuentros violentos prolongados que, de otra manera, implicarían que el empleado tuviese que notificar a las autoridades con posterioridad al hecho.

Jiaan detecta y clasifica objetos en una fuente en directo y mide un nivel de amenaza acumulativo que activará una respuesta configurada. Si el sistema detecta un nivel de amenaza elevado como resultado de la presencia de un revólver, se podría enviar una notificación de inmediato a las autoridades, las agencias de seguridad, la gerencia e, inclusive, a los empleados que se encuentran en el lugar. El sistema reduce significativamente el tiempo necesario para que el personal o las autoridades sean notificados de un posible encuentro violento, al mismo tiempo que distribuye notificaciones sobre la amenaza para aumentar el nivel de alerta en las instalaciones.

Autor: Matthew Pettit

Se entrenó un modelo ajustado a partir del modelo VGG16 Reduced con Single Shot MultiBox Object Detection en 2,6 GB de imágenes comentadas que incluían interacciones con y sin violencia. Cuando el modelo produjo resultados satisfactorios para este proyecto, el modelo personalizado se optimizó con DeepLearning Toolkit de Intel y portó al dispositivo DeepLens.

Los microservicios en las funciones de Amazon Lambda se desarrollaron en Python a los fines de realizar tareas de preprocesamiento, interpretación y ejecución en la fuente en directo proveniente del dispositivo DeepLens y así medir un nivel de amenaza mediante el cálculo de la precisión del objeto detectado y la clasificación del objeto.