Mevcut Güvenlik Kameraları Yapay Zekâ Destekli Video Analitiğe Nasıl Dönüştürülür?

Mevcut Altyapı Yatırımını Korumak ve İşlevselleştirmek

Günümüzde fabrikalar, alışveriş merkezleri, lojistik depoları ve kamu binaları, yüzlerce hatta binlerce güvenlik kamerası barındıran devasa CCTV (Kapalı Devre Televizyon) ağlarına sahiptir. Ancak bu kameraların çok büyük bir kısmı "pasif kayıt" (dumb recording) cihazları olarak çalışır; yani sadece görüntü çeker, sabit diske kaydeder ve yalnızca hırsızlık veya kaza gibi bir olay yaşandıktan sonra geçmişe dönük kanıt aramak için kullanılırlar. Güvenlik operatörlerinin onlarca ekranı aynı anda hatasız izlemesi insan doğası gereği imkansızdır. Birçok tesis yöneticisi, yapay zeka (AI) yetenekleri kazanmak için mevcut tüm kameraları söküp pahalı "akıllı" kameralar takılması gerektiğini düşünerek yüksek bütçeler nedeniyle bu dönüşümden kaçınır. Oysa CS Otomasyon Video Intelligence Platformu yaklaşımları, kamera altyapısının analiz kapasitesine göre değerlendirilmesi prensibiyle, mevcut IP kameralarınızı proaktif birer uyarı sistemine dönüştürme potansiyeli taşır.

Dönüşümün Çalışma Mantığı: Edge (Uç) ve Merkez (Core) Mimarisi

Mevcut kameralara akıl katmanın temel yolu, kameranın sadece bir "göz" görevi görmeye devam etmesi, ancak "beyin" işlevinin harici bir donanım veya sunucuya taşınmasıdır. Bu mimari genel olarak iki farklı yöntemle kurulur:

Merkezi Analiz Sunucuları (Central GPU Servers): Mevcut IP kameralardan alınan RTSP (Real-Time Streaming Protocol) video akışları, yerel ağ üzerinden sistem odasında bulunan yüksek işlem gücüne (GPU) sahip merkezi analiz sunucularına aktarılır. Bu yöntem, yüzlerce kameranın farklı yapay zeka senaryolarıyla tek merkezden yoğun analizi için uygundur.
Edge (Uç) AI Cihazları: Ağ altyapısının veya bant genişliğinin yetersiz olduğu uzak noktalarda, kameranın hemen yanına veya saha panosuna küçük, endüstriyel yapay zeka kutuları (Edge AI Box) yerleştirilir. Görüntü bu kutuda işlenir ve merkeze devasa video dosyaları değil, sadece ihlal anına ait ufak metin mesajları ve resim kareleri gönderilir.

Saha Değerlendirmesi ve Kamera Uygunluğu

Her eski kamera mükemmel bir yapay zeka sensörüne dönüşemez. Sistemin sağlıklı veri üretebilmesi için kameraların belirli standartları karşılaması gerekir. Proje keşfinde şu parametrelere bakılır:

Çözünürlük ve Kare Hızı: Gerekli çözünürlük ve kare hızı, algılanacak nesnenin görüntüdeki büyüklüğüne ve hareket hızına göre belirlenir; 1080p veya belirli bir FPS değeri her proje için tek başına yeterlilik ölçütü değildir.
Kamera Açısı ve Yükseklik: Örneğin kalabalık sayımı yapılacak bir kameranın tavan hizasından tepeden bakması gerekirken, araç plakası veya yüz/baret okuyacak bir kameranın göz/tampon hizasına daha dar bir açıyla bakması şarttır.
Ortam Aydınlatması ve Gece Görüşü: Kameraların kızılötesi (IR) aydınlatmalarının (gece görüş) nesneleri net şekilde aydınlatıp aydınlatamadığı analiz edilir.

Uygulanabilecek Analitik Senaryolar

Uygun altyapı ile entegre edilen mevcut kameralar, aşağıdaki gibi pek çok senaryoda proaktif alarm üretebilir hale gelir:

İzinsiz bölge ihlali (Trespassing) ve sanal sınır teli (Virtual Tripwire) geçişleri.
Bırakılan şüpheli paket veya kaybolan değerli obje tespiti.
Araç yönü ihlali, yanlış park veya sahada hareketsiz kalan araç (Loitering) tespiti.
İş sağlığı ve güvenliği kapsamında (Bkz: İSG Takibi) makine-yaya tehlikeli yakınlaşması.

Gerçek Kullanım Senaryosu: Lojistik Merkezinde Sınır İhlali

Geniş bir açık alan deposuna sahip olan lojistik şirketi, gece saatlerinde telleri aşarak giren hırsızları önlemek için mevcut PTZ (hareketli) ve Bullet güvenlik kameralarını kullanmaktadır. Ancak güvenlik personeli ekran başında uyuyakaldığında veya dikkati dağıldığında hırsızlık vakaları yaşanmaktadır. Tesis yöneticisi, kameraları değiştirmeden sunucu odasına bir Edge AI Server entegre eder. Kameraların görüş açısına yazılım üzerinden sanal kırmızı çizgiler çizilir. Gece 03:00'te bir insan silüeti bu çizgiyi geçtiğinde, sistem yapay zeka ile bunun kedi/köpek mi yoksa insan mı olduğunu doğrular, insan olarak sınıflandırılırsa proje kapsamında belirlenen alarm ve olay klibi operatör ekranına iletilebilir. Olay gerçekleştiği an proaktif müdahale yapılır.

Sınırlamalar ve İnsan Denetiminin Ayrılmaz Rolü

Mevcut kameralarla yapılan yapay zeka analizlerinin (video analytics) en büyük zorluğu "Yanlış Alarm" (False Positive) yönetimidir. Geleneksel kameralarda lens kirlenmesi, örümcek ağları, şiddetli rüzgarda sallanan ağaç dalları veya yoğun sis, algoritmaları yanıltabilir. Bu nedenle sistemin amacı insan unsurunu tamamen devreden çıkarmak değil; insanın dikkatini sadece "öncelikli ve filtre edilmiş" olaylara odaklamaktır. Güvenlik operatörünün gelen alarmı doğrulaması her zaman sistemin parçasıdır.

CS Otomasyon Yaklaşımı

CS Otomasyon, mevcut yatırımınızı çöpe atmanızı istemez. Platformumuz standart RTSP ve ONVIF protokollerini destekleyen birçok IP kamera modeliyle uyumluluk potansiyeli barındırır. Mevcut VMS (Video Management System - Milestone, Genetec, vb.) altyapılarınızla uyumlu çalışma seçenekleri değerlendirilerek, paralel ve izole bir karar destek ağı tasarlanmasına destek oluyoruz.

Teknik Keşifte Kontrol Edilmesi Gerekenler

Mevcut kamera altyapısının video analitik için uygunluğu yalnızca çözünürlük değerine bakılarak belirlenemez. Kameranın hedef bölgeyi hangi açıyla gördüğü, nesnenin görüntüde kapladığı piksel alanı, kare hızı, sıkıştırma seviyesi, gece görüntüsü ve ağ sürekliliği birlikte incelenmelidir. Güvenlik amacıyla geniş açıya yerleştirilmiş bir kamera, belirli bir analitik senaryo için yeterli detay sağlamayabilir.

Keşif sırasında VMS ve NVR lisansları, RTSP akış sayısı, kullanıcı yetkileri, ağ segmentasyonu ve sunucu kapasitesi de değerlendirilir. Analiz sunucusunun canlı akışı alması, kayıt sisteminin mevcut çalışma düzenini veya siber güvenlik politikasını ihlal etmemelidir.

Görüntü uygunluğu: Açı, çözünürlük, FPS, ışık ve görüş engelleri.
Akış uygunluğu: Desteklenen protokol, codec ve eş zamanlı akış kapasitesi.
Ağ uygunluğu: Bant genişliği, gecikme, VLAN ve erişim yetkileri.
İşlem kapasitesi: Kamera sayısı, analiz modeli ve donanım kaynakları.
Operasyon tasarımı: Alarmı kimin doğrulayacağı ve hangi aksiyonun uygulanacağı.

Pilot uygulama mümkünse gündüz, gece ve olumsuz hava koşullarını kapsayacak şekilde yürütülmelidir. Başarı yalnızca olay tespitiyle değil; kaçırılan olay, yanlış alarm ve operatörün yanıt süresiyle birlikte ölçülmelidir. Bu yaklaşım, tüm kameraları baştan değiştirmek veya mevcut altyapının kesinlikle yeterli olduğunu varsaymak yerine kanıta dayalı karar verilmesini sağlar.

Siber Güvenlik ve Erişim Tasarımı

Video akışının yeni bir analiz sunucusuna açılması, ağ ve erişim yüzeyini değiştirir. Bu nedenle varsayılan kamera parolaları kullanılmamalı; servis hesapları yalnızca gerekli akışlara erişebilmelidir. Kamera, kayıt sistemi ve analiz sunucusu mümkün olduğunda ağ politikalarına uygun segmentlerde konumlandırılmalı, erişimler kayıt altına alınmalıdır.

Kimlik bilgileri: Güçlü parola, yetki sınırı ve düzenli anahtar değişimi.
Güncelleme: Kamera, VMS ve analiz bileşenleri için desteklenen sürüm takibi.
Bağlantı: Gereksiz dış erişimin kapatılması ve izin verilen uçların sınırlandırılması.
Saklama: Olay görüntüsü tutulacaksa amaç ve süreye göre politika belirlenmesi.

Canlıya geçiş öncesinde bilgi teknolojileri ve bilgi güvenliği ekiplerinin mimariyi onaylaması gerekir. Analitik işlev uğruna kayıt sisteminin kararlılığı veya mevcut güvenlik kontrolleri zayıflatılmamalıdır. Düzenli sağlık takibi, bağlantı kesintilerini ve yetkisiz yapılandırma değişikliklerini erken fark etmeye yardımcı olur.

SSS

Analog kameralar (AHD vb.) yapay zekaya entegre edilebilir mi?

Doğrudan bağlanamasalar da, araya eklenecek video kodlayıcılar (Video Encoders) ile analog sinyaller dijital IP akışına (RTSP) dönüştürülerek yapay zeka sunucusuna aktarılabilir.

VMS yazılımını veya kayıt cihazımızı (NVR) değiştirmemiz gerekir mi?

Her projede değişiklik gerekmeyebilir. Mevcut VMS veya NVR’nin akış paylaşımı, kullanıcı yetkilendirmesi, lisanslama ve ağ kapasitesi uygunsa AI analiz katmanı paralel çalışabilir. Kesin karar teknik keşif ve uyumluluk testi sonrasında verilmelidir.

AI analizi ağımızda bant genişliği (bandwidth) tıkanıklığı yaratır mı?

Merkezi analiz seçildiğinde kameraların ağa sürekli yük bindirmesi olasıdır; bu nedenle ana ağdan bağımsız bir VLAN veya Edge analiz yaklaşımları kurularak ağ trafiği yönetilmelidir.

Yapay zeka yağmurlu veya karlı havalarda yanlış alarm üretir mi?

Modern derin öğrenme (Deep Learning) modelleri piksel değişiminden ziyade nesne formu aradığı için yağmur, kar ve rüzgara karşı eski nesil sistemlerden çok daha dirençlidir, ancak ağır çevre koşullarında performans düşüşleri yaşanabilir.

Sonuç

Uygun kamera ve ağ altyapısını video analitikle desteklemek, olayların daha erken görünür hale gelmesine ve güvenlik ekiplerinin önceliklendirme yapmasına yardımcı olabilir. Mevcut kamera altyapınızın teknik keşfi ve proje tasarımı için CS Otomasyon ekibiyle irtibata geçebilirsiniz.