AI ในกล้องวงจรปิด: ใช้อะไรได้จริงสำหรับเหมือง โรงงาน และร้านค้าในลาว

จาก "เปิดดูทีหลัง" สู่ "แจ้งเตือนทันที"

กล้องวงจรปิดส่วนใหญ่ถูกเปิดดูก็ต่อเมื่อเกิดเหตุไปแล้ว รปภ. คนเดียวดูจอที่แบ่งเป็น 32 ช่องตลอดกะกลางคืน ไม่มีทางเห็นทุกอย่าง หลังชั่วโมงแรกสมาธิก็หมดแล้ว AI video analytics ทำส่วนที่คนทำได้ไม่ดี: ดูทุกกล้องพร้อมกัน และแจ้งเฉพาะเหตุการณ์ที่ควรดู

AI ทำงานได้สามที่: ในกล้อง (edge) ใน NVR ที่มี AI หรือ บน GPU server สำหรับงานที่หนักกว่า ตัวอย่างชื่อที่จะเจอใน datasheet: Hikvision AcuSense, Dahua WizSense และ WizMind, Axis Object Analytics และกล้อง AI ของ Hanwha Vision ถ้าใช้ VMS อย่าง Milestone XProtect เหตุการณ์จากกล้องหลายยี่ห้อส่งเข้ามารวมกันได้ผ่าน ONVIF Profile M หรือ plugin ของผู้ผลิต

งานที่ได้ผลจริง

ของใหม่ปี 2025: ค้นภาพด้วยภาษาพูด

ผู้ผลิตรายใหญ่เริ่มใส่ AI แบบ large model ลงใน NVR และกล้องแล้ว เช่น Hikvision ออก NVR ชุด AcuSeek ช่วงกลางปี 2025 ให้พิมพ์อธิบายเป็นภาษาพูด เช่น "รถกระบะสีขาวใกล้ประตู" แล้วได้ผลในไม่กี่วินาที โดยไม่ต้องส่งภาพขึ้น cloud Dahua ก็ประกาศ large model ของตัวเอง มีประโยชน์มากกับการสืบย้อนหลัง แต่ไม่ได้เปลี่ยนกฎพื้นฐาน: ถ้ากล้องมีพิกเซลน้อยหรือมุมผิด AI ก็หาไม่เจอ ส่วนใหญ่การค้นแบบนี้ยังทำงานดีที่สุดเป็นภาษาอังกฤษ ให้เช็กว่ารองรับภาษาที่ทีมของคุณใช้หรือไม่

ตัวอย่าง: แนวรั้วเหมืองยาว 2 km

• กล้อง AI ที่มีเส้นตรวจจับทุก 60–80 m ขึ้นกับเลนส์และภูมิประเทศ → ราว 25–35 กล้อง
• กลางคืน: กล้องความร้อน (thermal) ในจุดที่มืดสนิทหรือมีหมอกตอนเช้า
• เหตุการณ์ส่งไปห้องควบคุมพร้อมคลิปสั้น เจ้าหน้าที่ตรวจเหตุการณ์ แทนการนั่งจ้องจอทั้งกะ
• ไฟเบอร์หรือ wireless แบบจุดต่อจุดจากส่วนที่ห่างไกล พร้อมกันฟ้าผ่าและสายดินทุกเสา

ลองคิดเลขการแจ้งเตือน: 30 กล้อง แจ้งผิดกล้องละ 5 ครั้งต่อคืน = 150 การแจ้งเตือน รปภ. สองคนตรวจไม่ทัน และจะเริ่มไม่สนใจ เป้าหมายของเราหลังการจูนคือต่ำกว่าหนึ่งครั้งต่อกล้องต่อคืน ถ้าทำไม่ได้ ให้ลดพื้นที่ตรวจจับก่อนจะเพิ่มคน

ตัวอย่าง: pilot ตรวจ PPE ในไซต์ก่อสร้าง

สมมุติไซต์ก่อสร้างมีประตูหลักหนึ่งแห่งและจุดลิฟต์ขนของ ติดกล้อง AI สองตัวที่ประตู ตั้งภาพที่ความสูง 2.5–3 m ให้เห็นหมวกและเสื้อสะท้อนแสงชัด และอีกตัวที่ชานลิฟต์ สองสัปดาห์แรกให้บันทึกการแจ้งเตือนไว้ก่อน ยังไม่ต้องลงมือทำอะไร เทียบจำนวนเหตุ "ไม่ใส่หมวก" ที่ AI นับได้ กับสิ่งที่เจ้าหน้าที่ความปลอดภัยเห็นตอนสุ่มตรวจ ถ้าตัวเลขใกล้กัน ให้เริ่มประชุมเช้าด้วยตัวเลขของเมื่อวาน และให้หัวหน้าช่างจัดการ ถ้าไม่ใกล้กัน สาเหตุมักเป็นมุมกล้องหรือแสง ไม่ใช่ AI คนใส่เสื้อสีเข้มช่วงโพล้เพล้ และหมวกสีแปลกๆ คือกรณีที่เราเห็นทำให้การตรวจจับพลาดบ่อยที่สุด

ร้านค้าและร้านอาหาร: การนับที่คุ้มมี

การนับคนจากกล้องติดเพดานเหนือประตู แม่นพอจะเทียบวัน สาขา และโปรโมชั่น แต่ไม่แม่นพอจะใช้ตรวจเงินสด ติดกล้องนับคนตรงเหนือทางเข้า ไม่ใช่ติดเอียง และให้ห่างจากกระจกที่สะท้อนไฟหน้ารถตอนกลางคืน Heatmap มีประโยชน์ครั้งเดียวตอนวางผังร้าน หลังจากนั้นเจ้าของส่วนใหญ่ก็เลิกดู ไม่ต้องจ่ายเพิ่มถ้าไม่มีใครจะใช้จริง

ข้อจำกัดที่โบรชัวร์ไม่บอก

ความแม่นยำขึ้นกับการติดตั้งมากกว่ายี่ห้อ: มุมกล้อง ความสูง แสง และ pixel density ไม่มี AI ไหนแม่นยำ 100% ให้คาดไว้ว่าจะมีแจ้งผิดและพลาดบ้าง และเผื่อเวลา 2–4 สัปดาห์สำหรับจูนหลังติดตั้ง

การจดจำใบหน้าและอ่านป้ายทะเบียนต้องใช้กล้องเฉพาะที่ติดในมุมที่ถูก กล้องมุมกว้างทั่วไปทำทั้งสองอย่างได้ไม่ดี วิธีคิดพิกเซลและเลนส์อยู่ใน คู่มือความละเอียดและเลนส์ CCTV

ป้ายทะเบียนลาว มีรูปแบบและตัวอักษรลาวของตัวเอง และรถบรรทุกข้ามแดนจำนวนมากใช้ป้ายไทย ก่อนซื้อ LPR ให้ทดสอบกับป้ายจริงที่ประตูของคุณเอง แทนที่จะเชื่อ datasheet

สภาพไซต์ในลาวก็มีผล: ฝุ่นแดงเกาะเลนส์ในหน้าแล้ง ฝนหนัก และแมลงตอนกลางคืน ทำให้ AI แจ้งผิดมากขึ้น แผน MA ต้องรวมการทำความสะอาดเลนส์และการจูนใหม่เมื่อเปลี่ยนฤดู

และเรื่องความเป็นส่วนตัว: ข้อมูลใบหน้าเป็นข้อมูลส่วนบุคคลที่อ่อนไหว เขียนไว้ว่าเก็บอะไร เก็บนานแค่ไหน และใครดูได้ และแจ้งพนักงานก่อนเปิดใช้

Edge หรือ Server: เลือกอย่างไร

ไซต์ต่างแขวง edge มักชนะ GPU server คุ้มเมื่อคุณรู้แน่ว่าต้องการอะไรที่ edge ทำไม่ได้

เริ่มอย่างไรไม่ให้เสียเงินเปล่า

1. เลือก ปัญหาเดียว ที่มีต้นทุนจริง: น้ำมันรถหาย อุบัติเหตุในไซต์ คนเข้าเขตหวงห้ามตอนกลางคืน
2. กำหนดวิธีวัดผล: จำนวนเหตุต่อเดือน เวลาตอบสนอง
3. Pilot 2–4 กล้อง เป็นเวลา 30 วัน
4. นับการแจ้งผิด แล้วจูนโซน ความไว และขนาดวัตถุ
5. กำหนดว่าใครรับการแจ้งเตือนและต้องทำอะไร การแจ้งเตือนที่ไม่มีขั้นตอนไม่มีค่า
6. ขยายเมื่อตัวเลขพิสูจน์แล้ว

ผลกระทบต่อเครือข่ายและฮาร์ดดิสก์

Edge AI วิเคราะห์ในกล้องและส่งแค่เหตุการณ์กับ metadata เหมาะกับไซต์ต่างแขวงที่ลิงก์กลับสำนักงานใหญ่มี bandwidth น้อย

AI แบบ server ต้องการ stream เต็มของทุกกล้อง 30 กล้อง × 4 Mbps = 120 Mbps ตลอดเวลา จึงต้องวางแผน uplink และกำลัง GPU ให้พอ เครื่องคำนวณ bandwidth ช่วยคิดตัวเลขได้

สำหรับหลักฐาน ให้เก็บคลิปเหตุการณ์แยกไว้ และเก็บนานกว่าการบันทึกปกติ

สิ่งที่ทำให้โครงการ AI ล้ม

1. เปิดทุกฟังก์ชัน AI ในทุกกล้อง สัปดาห์ที่สอง รปภ. ปิดเสียงแจ้งเตือนแล้วเพราะดังไม่หยุด
2. หวังให้กล้องมุมกว้างจดจำใบหน้าได้
3. ไม่มีใครรับผิดชอบการแจ้งเตือนตอนกลางคืน
4. ซื้อ GPU server ราคาแพงก่อนทดสอบว่า edge AI ในกล้องพอหรือยัง
5. ใช้การตรวจ PPE เป็นเครื่องมือลงโทษ พนักงานจะหามุมที่กล้องมองไม่เห็นแทนที่จะใส่หมวก

เราจะเริ่มจากตรงไหน

ไซต์ห่างไกล เราจะเริ่มด้วยการตรวจจับการบุกรุกแบบ edge AI: คุ้มค่าและใช้ bandwidth น้อย ต่อมาคือ LPR ที่ประตูเหมืองและโรงงานเพื่อคุมรถบรรทุก หลังทดสอบกับทั้งป้ายลาวและป้ายไทย การตรวจ PPE ในไซต์ก่อสร้างเป็นตัวเตือนความปลอดภัย ไม่ใช่เครื่องมือลงโทษ และเขียนขั้นตอนตอบสนองไปพร้อมกับการติดตั้ง ไม่ใช่หลังจากนั้น รายละเอียดเพิ่มเติมอยู่ที่หน้า AI video analytics

มีจุดไหนที่ทำให้เสียเงินหรือนอนไม่หลับทุกเดือนไหม? เล่าให้เราฟังและส่งรูปพื้นที่มาสักสองสามรูป เราจะออกแบบ pilot 30 วันที่มีตัวเลขวัดได้ ก่อนคุณตัดสินใจลงทุนใหญ่กว่านั้น