监控影像辨识技术日趋成熟，不仅能强化企业内部安全与保护重要的实体财产，还能做到即时发现窃盗、破坏等行为。同时，当场景转移到商业情境，更可搭配AI 人工智慧，从大量监控影像中提取并分析数据，进一步了解人潮流量分布，帮助组织做出精准的商业决策。
为提供完善的影像辨识产品和服务，Synology 群晖科技监控产品团队已深耕此领域多年，从能够为第三方影像串流提供后端AI 分析的DVA 系列，到拥有边缘运算功能的Synology Camera，帮国内外知名企业打造切合不同情境需求的监控系统。加上Synology 独特的深度学习演算法，在美国国家标准暨技术研究院（NIST）的人脸辨識供应商测试中，更是达到超过97% 的准确率。
不过，一套影像辨识解决方案究竟要训练到什么程度，才称得上精确？我们又能如何提高准确度？以下请与我们一窥Synology 如何让监控系统更加智慧：
靠丰富资料与实地测试，打造更加精准的影像辨识模型
各种情境中使用的影像辨识技术，底层皆有着不一样的模型，决定这项辨识技术的准确度，这相当仰赖各供应商开发过程中投注的资源与心力。而Synology 监控团队的影像深度学习模型，便是经过「多次训练」和「应用导入」两个核心阶段，以提升准确度。
多次训练阶段时，除了网罗网路的公开资料集，团队也会自行拍摄并搜集真实应用场景的资料，以强化模型效能。举例来说，架设在户外的摄影机画面，会拍摄同个场景，分别在白天、黄昏、夜晚，或晴天、阴天和雨天等不同环境条件下的影像资料，帮助模型持续提升辨识精确度，即便碰到像阴天或雨天环境下的人物或车辆的模糊画面，依旧能准确辨识出来。
同时，Synology 机器学习团队一直以来都会研读最新学术论文，每周固定分享、讨论顶尖或最新内容，并将研究成果应用在模型训练中。以物件侦测来说，最有名的落地研究就是YOLO 模型，该模型每隔一小段时间，便会发表新版本论文。团队就从中学习到进阶的模型建构方式和训练技巧，并带到自身的深度学习模型中。
「由于真实监控场景的变化太多，任何的影像辨识技术都有其局限性，没有厂商能做到100% 的准确度。」S ynology 机器学习组经理梁朝钦提到，对此团队会将设备带到各种场景中实际测试，以此设计出更精进的演算法并改良模型。
这过程中最大的挑战，来自面对各种难以预料、可能导致AI 误判的情境。例如：摄影机被蜘蛛网覆盖，恰好AI 模型过去没有分析类似情境的经验，或夜间画面远方的消防栓，由于形状相似于人型而被误认为人。为了解决误判问题，Synology 选择喂养更多资料给模型，帮助它分辨得更加细致，或从源头调整模型架构以提升其辨识准确度，都能一定程度解决此类困境。
以客户体验为核心，用深度学习技术提供符合需求的解决方案
而梁朝钦也指出，对于用户而言，增强体验的要素不仅是提升深度学习模型的精准度，更是要能在各类情境下提供量身打造的AI 侦测功能，才能更完美满足各产业使用者多样化的监控管理需求。他指出，「Synology 更重视解决方案是否贴近客户实际案场的使用需求，如此一来，我们才能帮客户降低管理负担、增加安全性。」因此，Synology 提供的影像辨识功能，锁定企业和个人购买监控系统主要的目标：辨识人物、交通工具作为基础，还可正确辨别有没有戴口罩或人物移动等等。
以许多用户推荐的人车侦测功能来说，若建立在传统动作侦测，往往会因风吹草动的微小变动而产生误判情况。然而Synology 的AI 人车侦测功能，则是建立在深度学习模型上，具备更高的准确度，能够精准识别画面中的人类或移动的交通工具，并且有能力追踪他们是否进入特定区域。梁朝钦进一步解释，这个基于深度学习的模型，会主动学习与判断画面中哪个物体为人类或交通工具，而过往的动作侦测模型，却是以画面变动为判断依据，即便有不相关物件出现也容易触发侦测。
更进阶的影像辨识功能，则能藉由事先设定好的威胁因子，以不间断侦测来增强安全性，例如：自动识别被禁止进入建筑物的人员、确保只有工作人员可进入限制区域，以及不让私人停车场出现未经授权的车辆等。不仅如此，Synology 监控系统还能提供警报服务，减少保全系统的负载量，像是当太多人聚集在指定区域时，系统的拥挤侦测会自动向现场工作人员发出通知，帮助保全团队即时拟定因应措施。
Surveillance Station 具备精准的人物侦测功能，因此当发生特定事件如外人入侵，就会即时发送警告给安全人员。
为欧美大厂提供多样化铝制品CNC 精密加工服务的铝创科技，就使用了Synology 即时智慧监控系统，搭配DVA 系列机种，一方面串接了车辆闸门开关控制器，可经由车牌辨识服务，判断哪些车辆得以进入厂区；另外也运用了人脸辨识功能，传连至工厂大门开关，达成自动化出入管控的目标，再也不用指派专人留守接待、有效运用产线人力。
延伸了解| Synology 如何协助铝创科技打造自动又智慧的监控系统？
自行研发Synology Camera，搭载边缘运算技术
而一套有效的影像辨识架构，除了要在准确度、应用场景下足功夫，梁朝钦特别强调了能否做到「即时分析」，同样是一项重要的评估指标，而这就突显了「边缘运算」的重要性。边缘运算优点为在影像产生的源头就完成分析，不仅可达成最低程度的延迟并节省效能，同时不会耗费后端伺服器的解编码与运算能力。
Synology 今年推出的Synology Camera，便是展现即时影像分析能力的关键产品。本次两款摄影机搭载了专为运算和AI 功能设计的NPU（神经网路处理器），并由Synology 机器学习团队打造了轻量AI 模型，让小小一台机身也能具备影像辨识能力，包含侦测人员、车辆和入侵事件，结合Surveillance Station 使用，可以更加即时地搜寻影像，协助安全人员轻易辨识潜在威胁、快速厘清可疑区域，后续追踪和撷取相关监视画面。
延伸了解| 立刻认识Synology Camera 完整功能
并重技术与管理功能，Synology 提供最为完整的一站式监控架构
不只提供出色的影像辨识技术，Synology 同样注重监控系统的布署和管理功能，能否更好且便利地协助企业强化安全性。
Surveillance Station 相容于市售140个品牌、超过8,300 款摄影机，让企业依据自身的使用需求和预算，弹性沿用或采购摄影装置。对于涉及多站点、多伺服器的监视系统管理，Synolog y 集中化管理系统（CMS） 则提供中央控管、批次系统更新等功能，可管理多达10,000 台摄影机及1,000 台Synology NAS 录影伺服器。
满足大规模管理功能的完整性之后，Synology 还考量到企业长期的持有成本。以Surveillance Station 来说，其为运行于Synology NAS 上的商用影像监控软体，采永久授权制，等于企业仅需一次性硬体支出，就能享有完整的监控软体管理功能，轻松打造长期可用的监控架构。即便未来出现扩充需求，组织也能分次采购摄影机授权，大大提升IT 预算运用弹性。
综合上述优势，Synology 能够全面满足组织的安全需要，不只提供持续追求精准度的影像辨识技术，更兼顾了易用性与成本，将是企业投入智慧监控的最佳选择。
