• 021-88534337-9
  • 09309747471
  • این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید
  • شنبه تا پنج شنبه 19-8
  • نرم افزار گشت و نگهبانی وفناوریRFID

    همه فضاهایی که امنیت، کنترل و نظارتشان اهمیت بسیار زیادی دارد  و نیاز است در بازه های زمانی معین بطور منظم بازدید و نظارت شوند، نگهبانانی برای این کار می باشند. بعنوان مثال:  انبارها، کارخانه ها، کارگاهها، مراکز نظامی، مجتمع های مسکونی- تجاری و اداری، پست های مخابراتی، پست های لوله نفت و گاز و ...

  • انتخاب صحیح دستگاه حضور و غیاب

    مدتهاست دستگاه های حضور و غیاب به منظور کنترل منظم و دقیق رفت و آمد پرسنل شرکتها ، سازمانها و موسسات با تعداد پرسنل زیاد الزامی شده است . و نیاز به مدیریت این افزایش پرسنلی نیز احساس می شود. لذا انتخاب دستگاه حضور و غياب ، متناسب با نیاز سازمانها، در حالتی كه تخصص لازم نداشته باشند، كار ساده ای نیست.

  • از انقلاب صنعتی تا ظهور دستگاه های حضور و غیاب

    ساعت زمان محصولی از انقلاب صنعتی

    درشروع دهه یک هزارو هشتصد ، انقلاب صنعتی درکشور انگلستان آغاز گردید و دراواسط قرن نوزدهم به کشورهایی مانند بلژیک ، آلمان ، فرانسه ، ایالات متحده آمریکا و ژاپن راه یافت . تقریبا درتمامی نقاط دنیا اثرات ظهور انقلاب صنعتی محسوس بود و جهان به دارای صنعت و بدون صنعت تقسیم شد .

  • تاریخچه دستگاه حضور و غیاب
    تاریخچه دستگاه حضور و غیاب به زمان انقلاب صنعتی دراواخر قرن19میلادی باز می گردد زمانیکه بسیاری از افراد که دراروپا،آفریقا و آمریکا زندگی می کردند در کارخانه های بزرگ مشغول به کار بودند و کسب وکارهای کوچک و خصوصی از رونق چندانی برخوردار نبودند این موضوع باعث شد حضور و غیاب پرسنل وافراد شاغل در این کارخانه اهمیت بسیاری پیدا کند وحجم بالای کار دراین کارخانه ها و سازمان ها نظارت دقیق برروی کارکرد پرسنل و حضور و غیاب آنها راطلب می کرد و این کارخانه ها و سازمان ها برای سوددهی و نظم بخشیدن به کار خود نیازمند ثبت دقیق ورود و خروج،تردد و حضور و غیاب پرسنل خود بودند.
    ثبت حضور و غیاب و تردد افراد در آن زمان توسط نیروی انسانی به صورت دستی صورت می گرفت که این موضوع امکان خطا و همچنین تقلب در این روند را افزایش می داد بنابراین نیاز به ایجاد روش جدیدی برای ثبت حضور و غیاب و تردد پرسنل را بیش از پیش نمایان می کرد کم کم ثبت حضور و غیاب و تردد افراد شاغل کارخانه ها تبدیل به یک الزام شد و همین موضوع سبب اختراع دستگاه حضور و غیاب گردید که دستگاه حضور و غیاب پانچی نام گرفت و حضور و غیاب پرسنل را توسط پانچ کردن برگه آنها انجام میداد.
    دستگاه حضور و غیاب کلید ونوار یا همان کاغذی در سال1888 میلادی توسط یک جواهرفروشی به نام ویلاردباندی ساکن شهر نیویورک اختراع شد.این دستگاه حضور و غیاب ازچرخ دنده های متعددی که توسط حرکت ساعت کنترل می شد ساخته شده بود وکارایی بسیار بالاتراز یک ماشین ثبت زمان داشت و حضور و غیاب افراد را بر روی یک نوار کاغذی بصورت دقیق چاپ میکرد ودیگر از کارت ساعت حضور و غیاب درآن استفاده نمیشد.شماره پرسنلی هرفرد برروی نوار کاغذی از پیش چاپ شده قرارداشت وزمان ورود وخروج افراد برروی این کارت درهنگام ورود وخروج آنها ثبت وچاپ میشد.هرکارمند هنگام ورود به محل کارخود باوارد کردن شماره کلید مخصوص خود حضور و غیاب خود را ثبت میکرد.
    نوع دیگری از دستگاه حضور و غیاب درسال1988 توسط فردی به نام دکترالکساندردی اختراع شد. این دستگاه بنام حضور و غیاب دی شهرت یافت.دراین ماشین شماره گیر بزرگی تعبیه شده بودکه شماره اختصاصی مربوط به هرفردبرروی آن قرارداشت.کارگران برای ثبت حضور و غیاب خود توسط این دستگاه ابتدا بازوی اشاره گررابرروی شماره ی پرسنلی منحصربفرد خود قرار می دادند وپس از آن این بازو اشاره گر رافشار میدادند.این فرآیند باعث چاپ ساعت ورود وخروج افراد برروی کاغذهای موجود دراین دستگاه حضور و غیاب می شد وبدین شکل حضور و غیاب افراد ثبت می گردید.
    درسال1894 دستگاه حضور و غیاب کارتی توسط فردی به نام دانیل ام کوپراختراع گردید که به دستگاه حضور و غیاب روچستد معروف شدکه ساعت ورود وخروج افراد رابرروی کارت چاپ می کرد.کارت ساعت استفاده شده دراین دستگاه نوعی کارت از جنس مقوا بودکه ایام هفته برروی آن چاپ شده بود که هرروزدارای دو قسمت ورود وخروج بود که یکی برای صبح ویکی دیگر برای عصر مورد استفاده قرار میگرفت.دراین نوع دستگاه حضور و غیاب هرپرسنل کارت مخصوص ومنحصربفرد خود را درون دستگاه قرار می دادوبا فشردن اهرم دستگاه ساعت تردد فرد برروی دستگاه به چاپ می رسید وبدین وسیله حضور وغیاب فرد ثبت می شد.بدین سان شرکت ویاکارخانه درپایان هر هفته با بررسی کارت ساعت هرفرد قادربود تاکارکرد هرکارمند را محاسبه کند وبراساس این محاسبات حقوق آنها را پرداخت کند.
    اولین دستگاه حضور و غیاب ساخته شده ازجنس چوب بود که از یک ساعت ونوع خاصی از چرخدنده تشکیل شده بود که کنترل چاپ ساعت ورود وخروج افراد برروی ستون های کارت ساعت نیز به صورت دستی انجام میشد.اولین شرکت تولید کننده دستگاه حضور و غیاب به صورت انبوه،شرکتIBM بودکه تولیدانبوه دستگاه حضور و غیاب راازسال1911 انجام دادوتا سال 1920اکثر کارخانه ها،شرکت هاو ادارات از دستگاه حضور و غیاب استفاده می کردندو دیگرازدست نوشته وثبت دستی استفاده نمیکردندودستگاه حضور و غیاب جای ثبت حضور و غیاب دستی راذربسیاری از این مراکز گرفت.
    ثبت حضور و غیاب توسط شرکت IBM موردتوجه قرارگرفت ودرمدت کوتاهی توسعه پیداکرد به گونه ای که تنظیم وکنترل صحت ورود وخروج کارت حضور و غیاب به صورت خودکارانجام می شد.طی این فرآیند خودکار وضعیت کاری کارمندان بارنگ های خاصی ومختلف برای اضافه کارویاکسر برروی کارت حضوروغیاب هرفرد به صورت رنگی چاپ میشد تاامکان تشخیص اضافه کاروکسرکارهرفرد به صورت مستقیم برروی کارت ساعت حضور و غیاب آن مشخص شود.
    اولین دستگاه حضور و غیاب تمام خودکاردرسال 1928 تولید وعرضه شد که روز وساعت کارکردهریک از پرسنل،کارگران وکارمندان به صورت افقی وبرروی یک خط چاپ میشد که این روش تحول اساسی رادرمحاسبه ساعت کارکرد پرسنل به وجود آورد ومحاسبات کارکرد افراد رابسیار ساده وسریع کرد.داخل این دستگاه حضوروغیاب وسیله ای قرار داشت که قادر به ثبت زمان براساس دقیقه بود وهمین موضوع باعث ثبت دقیقه ساعت حضور و غیاب پرسنل گردید.
    اولین نوع از دستگاه های حضور و غیاب پس از دستگاه های پانچی،دستگاه حضور و غیاب بارکدخوان بودند که کارتی شامل اطلاعات پرسنلی فرد به صورت بارکد دراختیار هرفرد قرار میگرفت که پرسنل پس از ورود وهنگام خروج کارت خودرا دردستگاه بارکدخوان قرارداده واطلاعات ورود وخروج آنها دردستگاه ثبت می شدوسپس این اطلاعات توسط نرم افزار به کامپیوتر انتقال داده ومحاسبات مربوط به آن انجام می شد.
    باتوسعه تکنولوژی وفناوری های نوین امروزی وتکنولوژی کامپیوتر نسل جدید دستگاه حضور وغیاب تولید وعرضه گردیدکه به جای استفاده از کارتهای مقوایی یکبار مصرف از کارت های دائمی استفاده میکنند.دراین نوع کارت ها شماره ی شناسایی افراد برروی آنها قراردارد وبا تکنولوژی مغناطیسی،بارکد،بدون تماس،مایفیر،HDI کار می کند.
    نرم افزارهای ابتدائی حضور و غیاب تحت سیستم عامل DOS طراحی شده بودند واز انعطاف و امکانات کمی برخورداربودند اما باتوسعه ی علم و فناوری اکثر نرم افزارهای حضوو غیاب تحت ویندوز و وب طراحی می شوندو اطلاعات بسیار زیادی را از ورود و خروج وتردد افراد پردازش ودراختیار مدیران قرار می دهند.
    درسیستم کنترل تردد وحضور و غیاب کارتی که برمبنای بارکد کار می کردند اطلاعات پرسنلی هرفرد برروی کارت مخصوص وی بصورت بارکد به چاپ می رسید که در اصطلاح شماره کارت ویا شماره تردد فرد نامیده می شد.
    ورود دستگاه های حضوروغیاب بیومتریک تحول عظیمی را بوجود می آورد که این دستگاه های حضور وغیاب با استفاده از اسکن اثرانگشت و یا اسکن بخش دیگری از اعضای بدن اطلاعات ورود وخروج افراد را ثبت می کنند.باگسترش تکنولوژی بیومتریک وقرارگرفتن اسکنر اثرانگشت درون دستگاه های حضور وغیاب این دستگاه ها کارایی بسیار بالایی پیدا کردند چراکه امنیت بالاتر واطمینان بیشتری را برای مدیران به همراه داشتند.
    شایدبتوان مصری ها را اولین افرادی نامید که از اثرانگشت دست و یا پا 4000 سال قبل در زمان ساخت اهرام مصر باستان استفاده می کردند.همچنین نمونه ای از اثر کف دست یک موجود ناشناخته در حفاری های باستان شناسی مصر مربوط به 10 هزار سال قبل یافت شده است که درنوع خود نمونه منحصربفرد می باشد واز اهمیت بسیاری برخوردار است.همچنین ثبت اثرانگشت افراد توسط جوهر یکی از روشهای مرسوم چینی ها بوده است که بمنظور ثبت اسناد وقراداد های رسمی ومعاملات وموارد مهم دیگر مورداستفاده قرار می گرفته است.
    محققان براین باورند اگرچه چینی هااز ثبت اثرانگشت وانگشت نگاری توسط جوهر استفاده می کنند اما از منحصربفرد بودن اثرانگشت هرفرد اطلاعی نداشتند.اولین مستندبرپایه علوم پزشکی در سال1684 هجری قمری توسط "دکتر نهیماگرو" انگلیسی درخصوص انگشت نگاری به چاپ رسید که به منحصربفرد بودن اثرانگشت افراداشاره داشت.همچنین یک گیاه شناس دانشگاه "بلوگنا"به نام "مارسلومالپیگی"تحقیقاتی مشابه تحقیقات دکتر گرو رادرسال 1986 انجام دادواولین مقاله دراین خصوص را با عنوان De Extemo Factas Orange به چاپ رسانیدکه جزئیاتی درخصوص خطوط برجسته وفرورفتیگی های کف دست را شامل می شدو همچنین اطلاعاتی رادرخصوص منافذ پوست ارائه می کرد.این تحقیقات دکتر "مالپیگی"آنچنان با اهمیت بود که بعد ها یکی از لایه های دست را به نام وی"Stratam Malpighi" نام گذاری کردند ودرسال 1923 یک پروفسور کشیش به نام "جوهان اوانگلیست پورکینجی" جزئیات بسیار کاملی رادرخصوص اثرانگشت منتشر کرد.این مقاله جزئیات مربوط به 9نمونه اثرانگشت متفاوت رابررسی می کردوبااستفاده از تصاویر به شرح دقیق خصوصیات اثرانگشت پرداخته شده است.

    همچنین در سال1958 یک افسر ارشد ارتش انگلیس که درکمپانی هند شرقی مشغول به خدمت بود به تقلید ازکارفرمایان هندی خود به هنگام تنظیم اسناد وقراداد هااز افراد طرف معامله انگشت نگاری تا افرادخود راموظف می کرد تا به تعهدات ،پیمان ها وقراردادهای خودپایبند باشند همچنین این افسرانگلیسی تمایل زیادی ازخود برای انگشت نگاری از زندانیاننشان می داد.
    پیشرفت علم انگشت نگاری توسط دکتر"هنری فالز" دراواخر قرن 19 واوایل قرن بیستم میلادی به نحو چشم گیری افزایش پیدا کرد.دکتر "فالز"که یک پزشک ارتش اسکاتلند بود زمانیکه در بیمارستانی در توکیو ژاپن مشغول به کاربود به علم مربوط به اثرانگشت علاقمند گردید وتحقیقات گسترده ای رادرخصوص علم اثرانگشت آغاز کرد.درنتیجه تحقیقات وی این نتیجه حاصل شد که خطوط اثرانگشت درهر فردمتفاوت است ودرصورت ایجاد جراحت سطحی دراثرانگشت هرفرد،این جراحت به فرم اصلی خودترمیم پیدا می کند.
    دکتر"فالز"نتیجه تحقیقات خور در مورد علم انگشت نگاری را درسال1880 در مقاله ای در نشریه "نیچر"به چاپ رسانید وی درمقاله خود به تکنیک های ثبت واستفاده از اثرانگشت پرداخته است که از جمله آن می توان به ثبت اثرانگشت با استفاده از جوهر اشاره کرد که امروزه نیز کاربردهای بسیاری دارد مثل جرم شناسی ویا شناسایی افراد.
    بامشاهده مقاله دکتر"فالز"در نشریه "نیچر" توسط "هرشل" وی نامه ای به این نشریه نوشت وبدون اعلام حق تقدم اعلام کرد که وی بیش از50 سال عملا در هندوستان از انگشت نگاری افراد استفاده کرده است واین تکنیک رامورد استفاده قرار داده است.بامقایسه کارعملی50 ساله "هرشل" وتحقیقات کوتاه مدت"فالز" به گواه تاریخ می توان پایه گذار عم انگشت نگاری امروزی را "ویلیام هرشل" دانست و می توان به جرات "هرشل" راکاشف وموسس انگشت نگاری نوین اعلام کرد.
    ذکر این موضوع حائز اهمیت است که تحقیقات "فالز" استفاده از اثرانگشت به جای مانده به صورت اتفاقی درمکان های مختلف اشاره می کند این درحالی است که "هرشل" برروی اثرانگشت تحقیق ومطالعه کرده بود وبه این نتیجه رسیده بود که میتوان از اثرانگشت به منظور تشخیص هویت افراد استفاده کرد به عبارت دیگر تحقیقات"هرشل برپایه ی تشخیص هویت وآثار امگشت گرفته شده ازافراد استوار است این درحالی است که تحقیقات انجام شده توسط دکتر"فالز"بیشتر درجرم شناسی وکشف جرم برپایه آثارانگشت به جای مانده درصحنه جرایم به صورت تصادفی استوار است.
    نظریه ارائه شده توسط "هرشل"و فالزدرسال1892 توسط ریاضی دان وانسان شناسی معروف "سرفرانسیس گالتون" به رسمیت شناخته شد واین ریاضی دان وانسان شناس معروف برای این نظریه ها پایه و اساس علمی ایجاد کرد.اثرانگشت های گردآوری توسط"هرشل" توسط "گالتون" با استفاده ازعلوم ریاضی مورد بررسی وتجزیه وتحلیل قرار گرفت ودرنتیجه تحقیقات وی امکان یکسان بودناثرانگشت دو فرد تقریبا یک به 64 میلیارد است وعملا امکان یافتن دو اثرانگشت یکسان وجود ندارد واین موضوع شناسایی افرادبراساس اثرانگشت آنهارا راهی مطمئن در شناسایی هویت افراد به اثبات می رساند.
    تقسیم نقوش موجود برروی اثر انگشت به سه دسته "کمانیArch" ،"کسراییLoop" و "پیچیWhrol" نخستین بار توسط گالتون ارائه شد همچنین وی در تلاش برای طبقه بندی اثرانگشت افراد بود که با پایان رسیدن عمرش این کار ناتمام ماند.نخستین کسی که از اثرانگشت زندانیان به منظور شناسایی آنها استفاده کرد افسر پلیس آرژانتینی به نام "یوهان وستیش" بود وی فردی است که روشی را برای طبقه بندی آثار انگشت درسال 1891 برای اولین بار در جهان را ابداع کرده است که این روش درحال حاضر نیز اهراز هویت افراد درکشورهای آمریکایی لاتین مورد استفاده قرار می گیرد.
    معاون وستیش در سال 1892 از روی آثار انگشت به جای مانده در صحنه جرم که آغشته به خون بود توانست مردی راکه متهم به قتل فرزندان خود بود را تبرئه کند و قاتل اصلی را که همسر وی بود دستگیر کند این اتفاق درآن زمان اهمیت شناسایی متهمان توسط اثرانگشت رابرای عموم مردم روشن کرد.بعدهانیز "ادوارد هنری"همکار"ویلیام هرشل" که در هندوستان با یکدیگر همکاری کرده بودند ورئیس پلیس سهر لندن شده بود روش طبقه بندی آثار انگشت ارائه شده توسط"گالتون" را تکمیل و به جهان عرضه کند.این روشی به روش"هنری" شهرت پیدا کرده است در ابتدا در هندوستان ودر زمانیکه این کشور مستعمره انگلیس بود استفاده می شد.
    این روش درسال1901 توسط اسکاتلندیارد به رسمیت شناخته شد وبه مرور زمان درتمامی نقاط جهان مورد استفاده قرار گرفت.باپیشرفت علم و فناوری وگسترش استفاده از کامپیوتر دنیای دستگاه حضورو غیاب وتشخیص هویت نیز وارد فاز جدیدی گردید.فناوری تشخیص هویت به سرعت گسترش پیداکرد و فناوری های جدید تشخیص هویت افراد اعم از فناوری سیستم حضور و غیاب تشخیص چهره وفناوری تشخیص قرنیه به نیزسرعت گسترش وتغییر کرد وبه منظور حضور وغیاب مورد استفاده قرار گرفت.همچنین فناوری تشخیص اثرانگشت نیز با پیشرفت علم پیشرفت های بسیاری کرد ونسل های جدید دستگاه تشخیص اثرانگشت باکیفیت وقابلیت های بسیاربالا عرضه گردید.
    دستگاه های حضور وغیاب تشخیص چهره کارکردی دقیقا شبیه به کارکرد دستگاه های حضور و غیاب تشخیص اثرانگشت دارند وبا نمونه برداری از چند نقطه صورت شناسایی افراد راانجام می دهند با این تفاوت که دستگاه حضور و غیاب اثرانگشت،شناسایی اثرانگشت رااز روی اشکال هندسی اثرانگشت انجام می دهند.
    معمولا دستگاه های تشخیص چهره و قرنیه دارای دوربین بسیار قوی هستند که یکی برای شناسایی افراد درنور معمولی ودیگری برای شناسایی افراد درتاریکی مطلق استفاده می شودو همانطور که در گذشته دستگاه های حضور و غیاب پانچی جای خود را به دستگاه های حضور و غیاب بارکد خوان دادند پس از آن دستگاه های حضور و غیاب بارکد خوان با دستگاه های حضور و غیاب کارت خوان تعویض شدند و نیز دستگاه های حضور و غیاب اثرانگشت جای دستگاه های کارتی را گرفتند درآینده نه چندان دور نیز دستگاه های حضور و غیاب تشخیص چهره وقرنیه دستگاه های حضور وغیاب اثرانگشتیرا خواهند گرفت.لازم به ذکر است با پیشرفت فناوری های تشخیص اثرانگشت این دستگاه های تشخیص اثرانگشت پیشرفت چشمگیری را داشته اند و با کیفیت شناسایی اثرانگشت در آنها بسیار بالارفته است وبا ورود دستگاه های حضور و غیاب اثرانگشت با فناوری پلیمری یا همان LES)Light Emmiting Sensor)این دستگاه ها نیز از کیفیت بسیار بالایی برخوردار شده و موارد استفاده بسیاری را دارند.
    بشر از ابتدای آفرینش خود از اجزای بدن افراد از جمله چهره،صدا،قد،وزن،نحوه راه رفتن برای شناسایی یکدیگر استفاده کرده اند.فردی به نام "الپنز برتیلون" در قرن19میلادی اندازه گیری فیزیولوژی افراد برای شناسایی مجرمان را مطرح کرد.وی که رئیس بخش جنایی پلیس پاریس بود ایده خود را مطرح کرد و پس از مدتی این ایده مورد توجه قرار گرفت و تحقیقات گسترده ای در خصوص این ایده صورت گرفت و همین ایده منجر به کشف اثرانگشت در انتهای قرن 19 میلادی گردید.پس از مطرح شدن ایده و کشف اثرانگشت بسیاری از سازمان های ملی از آن استقبال کردند و اثرانگشت مجرمین را گرفته ودر یک پایگاه داده ذخیره می کردند.پس از وقوع جرم و بررسی نمونه اثرانگشت های به جای مانده در صحنه جرم و مقایسه آن ها با نمونه های موجود در پایگاه داده خود موفق به کشف مجرم و شناسایی مجرمین می شدند.
    گرچه شناسایی بیومتریک افراد در ابتدا آنها برای شناسایی مجرمین و یا موارد حساس استفاده می شد به عنوان مثال برای شناسایی اتباع غیرقانونی و یا شناسایی کارمندان در مشاغل حساس و یا شناسایی مجرمین و همچنین در پزشکی قانونی برای تعیین هویت افراد مورد استفاده قرار می گرفت اما به طور چشمگیری برای شناسایی افراد در شغل های غیر نظامی نیز مورد استقبال قرار داده می شد.اما سوال بسیار مهمی در خصوص شناسایی بیومتریک افراد مطرح می شود که کدامیک از خصوصیات بیولوژی افراد واجد شرایط شناسایی بیومتریک می باشد.دراینجا مواردی مطرح است که در صورتی که برای مدت زمان طولانی بتواند انجام شود آن ویژگی بیولوژیک را واجد شرایط برای ویژگی بیومتریک می سازد.
    امکان جمع آوری در صورتی که یک ویژگی بیولوژیک قابل جمع آوری می باشد و همچنین قابلیت نگهداری را داشته باشد.یکی از شروط بیومتریک را داراست.
    ویژگی عملکرد:شناسایی با سرعت و دقت جز ویژگی هایی است که در صورت دارا بودن امکان استفاده به عنوان بیومتریک را دارد.
    ویژگی مقبولیت:یک ویژگی بیولوژیک می بایست از مقبولیت در بیت افراد برخوردار باشد و بتوانند آن را در زندگی روزمره خود پذیرا باشند.

    تقلب که نشان‌دهنده آن است آیا این ویژگی بیومتریک قابل تقلب کردن است یا خیر؟

    سیستم‌ ها و مولفه های بیومتریک
    به طور کلی سیستم های بیومتریک به دو دسته فیزیولوژیکی و رفتاری تقسیم می شود که ویژگی فیزیولوژیکی مربوط به اشکال بدن می باشند به عنوان مثال می توان به تشخیص چهره ،اثر انگشت ،اثر کف دست ،شکل هندسی دست، تشخیص عنبیه، تشخیص شبکیه و ‏dna اشاره کرد.

    ویژگی های رفتاری  به رفتارهای هر فرد اشاره می کند از قبیل :راه رفتن ،صدا ،بوی طبیعی بدن، شکل امضای یک فرد.
    ویژگیهای بیومتریکی دارای مزایای بی شماری هستند که از آن جمله می توان به موارد زیر اشاره کرد:
    منحصر به فرد بودن، قابل تکرار بودن ،غیر قابل فراموشی، غیر قابل سرقت ،عدم نیاز به نگهداری ویژه ،سهولت در استفاده و سرعت بالا در استفاده آن .

    سیستم های شناسایی بیومتریک به طور کلی یک سیستم شناسایی از روی الگوی داده شده به آنها می باشد که به وسیله اطلاعات بیومتریک حرف و استخراج ویژگی های مربوط به آن اطلاعات و مقایسه آن با اطلاعات موجود در بانک اطلاعاتی ذخیره شده عمل می کند با توجه به نرم‌افزار مورد استفاده بیومتریک حالت شناسایی می تواند در حالت تایید verify و یا حالت شناساییidentify قرار بگیرد.

    هنگام قرار گیری سیستم در حالت تایید مشخصه بیومتریکی فرد مشخصه بیومتریکی موجود در بانک اطلاعاتی تطبیق داده می شود در چنین حالتی هویت افراد به وسیله شماره شناسایی شخصی و یا نام کاربری و یا کارت هوشمند ‏ شناسایی می گردد با ورود این اطلاعات سیستم در ابتدا اطلاعات بیومتریک را از بانک اطلاعاتی و این اطلاعات را با سنسور بیومتریکی که اطلاعات بیومتریک که فرد را تهیه می‌کند تطبیق می دهد که نتیجه این تطبیق می تواند مثبت و یا منفی باشد این روشی است که در آن ساعات هویتی فرد در ابتدا احراز می گردد و سپس مشخصات بیومتریک فرد احراز هویت شده با مشخصات بیومتریک موجود در بانک اطلاعاتی تطبیق داده می شود

    یک حالت دیگر حالت شناسایی می باشد که در آن مشخصات بیومتریک هر فرد به طور مستقیم با مشخصات بیومتریک موجود در بانک اطلاعاتی تحقیقات شده و هویت هر فرد شناسایی می گردد که در این روش سیستم به طور مثال مقایسه یک یا چند مشخصه بیومتریک  هر فرد را بدون نیاز به احراز هویت با مشخصه بیومتریک موجود در سیستم تطبیق می دهد .در واقع می توان بیان کرد که عملکرد سیستم پاسخ به این سوال است که اطلاعات بیومتریک ارائه شده توسط دستگاه مربوط به کدام یک از افراد در بانک اطلاعاتی می باشد.

    از اساسی ترین بخش های برنامه های شناسایی منفی تعیین هویت افراد می باشد که به منظور شناسایی افراد به صورت صریح یا ضمنی و یا تکذیب شناسایی فرد به کار می رود هدف از شناسایی منفی جلوگیری از استفاده  چندین هویت برای یک فرد می باشد لازم به ذکر است این فرایند تعیین هویت مثبت نیز برای راحتی کاربران مورد استفاده قرار می گیرد

    شناسایی افراد با توجه به مواردی چون جمله کلمات عبور شناسایی، شخصی کلید ها و نشانه ها در روش های سنتی شناسایی افراد مورد استفاده قرار می گیرد با این روش ها مورد استفاده در شناسایی مثبت می باشند لازم به ذکر است شناسایی منفی تنها از طریق ویژگی های بیومتریک افراد قابل احراز می باشد هر سیستم بیومتریک دارای ۴ ماژول اصلی زیر می باشد:

    اولین ماژول مورد استفاده در سیستم های بیومتریک ماژول سنسور می باشد این ماژول به منظور تصویر برداری از اطلاعات بیومتریک حرفه ای مورد استفاده قرار می گیرد به عنوان مثال می توان به سنسور اثر انگشت اشاره کرد که شناسایی را از طریق تصویر برداری شیارها و برآمدگی های موجود در اثر انگشت را انجام میدهد. ماژول های سنسور دیگری نظیر سنسور تشخیص چهره ،سنسور تشخیص عنبیه ،سنسور تشخیص کف دست از دیگر ماژول های سنسور بیومتریک می باشد

    مورد دیگر مورد استفاده در سیستم های بیومتریک ماژول استخراج می باشد که در این ماژول اطلاعات بیومتریک به دست آمده از ویژگی های منحصر به فرد افراد پردازش می گردد، برای مثال می توان به بررسی شیار های موجود در اثر انگشت به هر فرد که منحصر به فرد است اشاره کرد

    ماژول دیگر ماژول تتویی دهنده است که در آن ویژگی های بیومتریک  استخراج شده با اطلاعات بیومتریک موجود مقایسه می شود به عنوان مثال می توان به سیستم تطبیق اثر انگشت با توجه به داده های موجود در اطلاعات تصویر اثر انگشت فرد و اطلاعات موجود در پایگاه داده اشاره کرد.

    چهارمین ماژول مورد استفاده در سیستم بیومتریک پایگاه داده می باشد منظور ذخیره الگوی بیومتریک هر فرد در هنگام ثبت اطلاعات بیومتریک افراد مورد استفاده قرار می گیرد اطلاعات بیومتریک افراد هنگام ثبت نام در این پایگاه داده ذخیره می گردددر هنگام ثبت نام اطلاعات بیومتریک هر فرد توسط یک رویداد بیومتریک گرفته شده و در بانک اطلاعاتی به نام آن فرد با مشخصه کاربری منحصر به فرد ذخیره می گردد روند ثبت ثبت اطلاعات بیومتریک افراد در بانک اطلاعاتی با توجه به نرم‌افزارهای مختلف نیاز به یک یا دو کاربر دارد که این فرآیند به منظور حصول اطمینان کیفیت اطلاعات بیومتریک که ثبت شده در بانک اطلاعاتی می باشد.یکی از مهمترین عوامل در ثبت نام بیومتریک افراد تخصیص شماره دیجیتال منحصر به فرد برای هر فرد می باشد که کلیه اطلاعات بیومتریک افرا د را در بانک اطلاعاتی با یک شماره دیجیتال منحصر به فرد تخصیص می دهد به طور معمول از چند قالب برای ثبت بیومتریک افراد استفاده می شود و در طول زمان اطلاعات بیومتریک به روز رسانی می گردد.

  • مدتهاست دستگاه های حضور و غیاب به منظور کنترل منظم و دقیق رفت و آمد پرسنل شرکتها ، سازمانها و موسسات با تعداد پرسنل زیاد الزامی شده است . و نیاز به مدیریت این افزایش پرسنلی نیز احساس می شود. لذا انتخاب دستگاه حضور و غياب ، متناسب با نیاز سازمانها، در حالتی كه تخصص لازم نداشته باشند، كار ساده ای نیست.

  • نیاز هر سازمان به دستگاه حضور و غیاب

    یکی از اساسی ترین نیازهای هر سازمان و ارگان کوچک و بزرگ به منظور بهره وری هر چه بیشتر ایجاد اتوماسیون مالی و اداری و و سیستم حضور و غیاب و پرسنلی می باشد.امروزه سیستم های پیشرفته اتوماسیون مالی و اداری کارکرد خود را از سیستم حضور و غیاب و کنترل تردد هر سازمان و ارگانی دریافت می‌کند و بدون وجود سیستم های حضور و غیاب بیومتریک عملاً کارکرد سیستم های مالی اداری و پرسنلی با اختلال روبرو می شود از این رو استفاده از سیستم حضور و غیاب بیومتریک پیشرفته نرم‌افزار منعطف و پیشرفته امری ضروری می باشد چراکه در صورت عدم کارکرد مناسب سیستم های حضور و غیاب کارکرده سیستم های مالی اداری و حقوق و دستمزد نیز با مشکل مواجه می‌گردد ، بدین جهت انتخاب سیستم حضور و غیاب امری بسیار ضروری برای هر سازمان می باشد و بسیار مورد توجه مدیران و کارکنان بخش منابع انسانی هر سازمان قرار می گیرد.
    با نصب دستگاه های حضور غیاب بیومتریک در هر سازمان پرسنل هنگام ورود و خروج و مرخصی و ماموریت از این دستگاه استفاده می کنند و تردد کارکنان پس از احراز هویت به صورت آنلاین بانک اطلاعاتی ذخیره می گردد که پس از انجام عملیات حضور و غیاب و انجام محاسبات مربوط به پرسنلی قابل استفاده در نرم افزار های مالی و اداری می‌باشد.
    عموما دستگاه های حضور غیاب از دو بخش نرم افزار و سخت افزار تشکیل می‌شوند که در بخش سخت افزاری دستگاه هایی با قابلیت مختلفی از قبیل کارت‌های هوشمند، اثر انگشت، اسکن چهره، اسکن عنبیه چشم ،اسکن کف دست می باشد. در بخش نرم‌افزاری نیز نرم افزار مدیریت دستگاه ها و نرم افزار حضور و غیاب وجود دارد که نرم افزار مدیریت دستگاه ها اطلاعات موجود در روی دستگاه های مختلف را را مدیریت کرده و نقل و انتقال اطلاعات از یک دستگاه به دستگاه دیگر را را انجام می دهد د لازم به ذکر است سرویس جمع آوری اطلاعات آنلاین نیز از جمله سرویس هایی است که اطلاعات تردد موجود بر روی دستگاه ها را به صورت آنلاین جمع آوری کرده و بر روی بانک اطلاعاتی قرار می دهد و اهمیت بسزایی برخوردار است چرا که با استفاده از سرویس جمع آوری آنلاین این تخلیه کلیه اطلاعات تردد افراد از روی دستگاه ها به صورت آنلاین و برخط بر روی بانک اطلاعاتی قرار می گیرد و به تبع آن این اطلاعات به صورت آنلاین در نرم افزار های مالی و اداری حقوق و دستمزد مورد استفاده قرار می گیرد. نرم افزار حضور و غیاب کلیه فرایندهای حضور و غیاب پرسنل اعم از مرخصی و ماموریت تاخیر و تعجیل مدت زمان حضور فرد مدت زمان حضور موثر مدت زمان موظفی کارکرد فرد در ماه و موارد دیگر را پس از دریافت اطلاعات تردد از دستگاه های حضور و غیاب بررسی و طی فرآیندی بر اساس قوانین کارت کاری موجود بر روی دستگاه ها عملیات حضور و غیاب و مدت زمان حضور و غیاب فرد را محاسبه می ‌کنند و گزارشات مختلف از حضور پرسنل برای مدیران فراهم می کند .همچنین نرم افزار حضور و غیاب اطلاعات پایه خود را از نرم افزار پرسنلی اخذ کرده و چارت سازمانی و اطلاعات پرسنلی هر فرد را نرم‌افزار پرسنلی دریافت می‌کند و همچنین پس از محاسبات مربوط به حضور و غیاب هر فرد اطلاعات مورد نیاز نرم افزار حقوق و دستمزد را در بانک اطلاعاتی برای استفاده نرم افزار حقوق و دستمزد قرار می دهد.
    در بخش اول این مقاله قصد داریم به مرور ابزارهای مختلف سخت افزاری حضور و غیاب مورد استفاده در سازمانهای مختلف بپردازیم و به تکنولوژی های مختلف به کار رفته در این سیستم ها اشاره کنیم:

    1- تکنولوژی کارت هوشمند :
    با دستیابی بشر به تکنولوژی کارت های هوشمند چند تحول شگرفی در بخش های مختلف صنعت ایجاد گردید که دارای دو مولفه امنیت و به همراه بودن از جمله ویژگی‌های کارت‌های هوشمند میباشد که در حال حاضر از این تکنولوژی در بخش های مختلف در دنیا کارکرد های متنوعی مورد استفاده قرار می گیرد و استفاده از این تکنولوژی در سراسر دنیا در زمینه های مختلف مشهور و رو به رشد می باشد. سازمان ها و اداره های دولتی و خصوصی ،بانک‌ها، مراکز مخابراتی ،مراکز ارائه دهنده خدمات مراکز آموزشی، مراکز تفریحی و سیاحتی از کارکردهای بسیار گسترده این کارت ها و این تکنولوژی استفاده می کنند.
    انواع کارت های هوشمند به صورت کلی
    کارت‌های حافظه تماسی
    کارتهای دارای پردازشگر
    کارت‌های حافظه بدون تماس
    کارتهای دارای پردازشگر با رابط دوگانه
    انواع کارتهای هوشمند از نظر تکنولوژی ساخت به موارد زیر تقسیم می شود:
    کارت های تماسی
    کارت های بدون تماس
    کارت های رابط دوگانه
    2-سنسور اثر انگشت سیستم های حضور و غیاب:
    هویت افراد از طریق سنسورهای اثر انگشت یکی از متداول ترین روشهای احراز هویت افراد میباشد که در این سیستم ها از سنسورهای نوری آمریکا یا سنسورهای خازنی یا گرمایشی و سنسورهای سیلیکون فیلم یا پلیمری استفاده می شود.
    در سرورهای اثر انگشت نوری از قرار گرفتن انگشت بر روی سنسور نوری بر روی انگشت تابیده می شود و بازتاب نور تابیده شده از طریق لنز موجود در سنسور اسکن می شود استفاده از این ویژگی معایبی را دارد که شناسایی اثر انگشت های کثیف و آلوده مقدور نمی باشد .

    در سنسورهای خازنی از یک صفحه خازن زن که دارای ۱۰۰.۰۰۰ خازن بوده استفاده می شود که پس از تماس اثر انگشت هر فرد را اندازه گیری و ثبت میکند بهترین روش از روی نتایجی که توسط سنسورها به دست می آید اثر انگشت هر فرد ایجاد ‌ می‌گردد.

    در سنسور سیلیکون فیلم یا پلیمری پس از قرار گرفتن اثر انگشت بر روی صفحه سنسور بار الکتریکی موجود در شیارها و برآمدگی های اثر انگشت در صفحه به نور تبدیل می شود و نور ایجاد شده مستقیماً به لنز می تابد در این روش شناسایی بافت زنده صورت می گیرد و اثر انگشت های کثیف چرب و آلوده نیز شناسایی می‌شود همچنین سرعت شناسایی اثر انگشت در این روش بسیار بالا بوده و طول عمر سنسور اثر انگشت بسیار بالا می باشد.

    3-سیستم شناسایی تشخیص چهره:
    دستگاه های شناسایی تشخیص چهره بر اساس مولفه های بیومتریک و با استفاده از روش های هوشمند و اتوماتیک شناسایی چهره افراد ویژگی های هویتی حرف را انجام می دهند و شناسایی را بر اساس زوایای چشم ها زوایای بینی و گونه و چانه افراد و برآمدگی ها و فرورفتگی های در صورت انجام می دهد لازم به ذکر است سیستم دستگاه های حضور و غیاب تشخیص چهره پیشرفت های چشمگیر را داشتند و و در ابتدا شناسایی چهره را بر اساس زوایای چشم ها انجام می دادند چه بسا معایبی را هم در برداشت و شناسایی افراد دارای عینک را سخت و غیر ممکن می کرد پس از پیشرفت های به عمل آمده دستگاه های حضور و غیاب تشخیص چهره که قابلیت شناسایی تمام زوایای چهره را دارد ارائه شده اند که مشکلات نسل اول این دستگاه‌ها را برطرف کرده است.

    4- سیستم های حضور و غیاب بیومتریک :

    سیستم های بیومتریک گوناگونی از قبیل دستگاه شناسایی عنبیه چشم،سیستم اسکن کف دست ،سیستم های شناسایی افراد با استفاده از صدا و دست خط از جمله سیستم های هستند و به منظور شناسایی بیومتریک استفاده می شود که در حال حاضر شناسایی افراد بر اساس تشخیص چهره نسبت به موارد دیگر بیشتر مورد استفاده قرار می گیرد.
    فناوری شناسایی تشخیص چهره به علت سرعت و دقت بسیار بالا به یکی از روشهای بسیار متداول که در سیستم های حضور و غیاب تبدیل شده است و استقبال بسیار خوبی از سوی کارفرماها از این سیستم ها صورت گرفته است.

  • دستگاه حضور و غیاب تشخیص چهره Trust1 FE-500

     

     

    دستگاه حضور و غیاب تشخیص چهره تراست وان مدل Trust1 FE-500 با بهره‌گیری از الگوریتم شناسایی یادگیری عمیق هوش مصنوعی یکی از از پیشرفته ‌ترین دستگاه‌های حضور و غیاب تشخیص چهره در دنیا می باشد. این دستگاه با استفاده از یادگیری عمیق هوش مصنوعی و به روز رسانی دائمی، امکان شناسایی تغییرات چهره کاربران را دارد.
    دستگاه حضور و غیاب Trust1 FE-500 شناسایی ۵۰ هزار کاربر را در کمتر از یک ثانیه انجام می دهد این دستگاه قابلیت شناسایی افراد از فاصله ۳ متری را دارد ،همچنین امکان شناسایی ۳ تا ۵ نفر به صورت همزمان از جمله ویژگی های منحصر به فرد این دستگاه می باشد.
    این دستگاه قابلیت شناسایی افراد در نور بسیار شدید و یا تاریکی مطلق را داراست از ویژگی های بسیار مهم این دستگاه امکان شناسایی صورت افراد به صورت خودکار در هر فاصله از دستگاه (تا 3 متر) است و نیاز به قرارگیری فرد در یک فاصله معین و کادر مشخص در این دستگاه وجود ندارد.
    این دستگاه امکان شناسایی افراد حتی از پشت شیشه را نیز دارد که این قابلیت امکان استفاده از دستگاه و شناسایی افراد در فضای باز از پشت شیشه را فراهم می کند . از دیگر ویژگی های این دستگاه می توان به شناسایی کاربران تقلبی از قبیل استفاده از عکس و فیلم به جای فرد اشاره کرد.عملا الگوریتم پیشرفته یادگیری عمیق هوش مصنوعی امکان تقلب در دستگاه را غیر ممکن می سازد.


    امکان تعریف افراد از طریق عکس گرفته شده حتی به وسیله تلفن همراه در این دستگاه وجود دارد و امکان ثبت افراد را میسر می سازد.

    • قدرت تشخیص: 99.77 درصد

    • فاصله شناسایی: حد اکثر 3 متر

    • سرعت شناسایی: شناسایی در حالت 1:N تعداد 50 هزار کاربر در کمتر از 1 ثانیه

    • امکان شناسایی 3 تا 5 نفر به صورت همزمان در یک ثانیه

    • شناسایی زنده: تشخیص عکس و تشخیص فیلم

     

    • الگوریتم یادگیری عمیق هوش مصنوعی:

    با استفاده از هوش مصنوعی امکان به روز رسانی مداوم برای دستگاه حضور و غیاب FE-500 در کمترین زمان ممکن فراهم می شود در این فرآیند حتی تغییرات کم چهره افراد در مقایسه با چهره ثبت شده فرد در دستگاه، در شناسایی لحاظ می گردد .فناوری یادگیری عمیق هوش مصنوعی و بروز رسانی مداوم، درصد شناسایی موفق افراد را به طرز چشمگیری افزایش می دهد.جهت شناسایی چهره هزاران نقطه صورت لحاظ می گردد و چهره کاربران در زوایایی مختلف قابل شناسایی است.

     

    • نصب و استفاده ساده و منحصر به فرد:

    دستگاه حضور و غیاب Trust1 FE-500 در ارتفاع 1.4 متری نصب می شود و قابلیت شناسایی افراد از فاصله نیم متری الی سه متری را دارد. لذا به منظور شناسایی چهره، نیاز به قرار گیری افراد در فاصله مشخص و قرار دادن صورت در یک کادر معین وجود ندارد و شناسایی چهره به صورت اتوماتیک انجام می شود این موضوع سهولت کار با دستگاه را برای کاربران بسیار بالا می برد.

     

     

     

     

     

    • مشخصات فنی:

     

    پردازنده چهار هسته ای
    حافظه 2Gرم، 8G فلش
    صفحه نمایش 5اینچ ISP تمام لمسی
    دوربین 2MP دارای دو لنز نور شدید و تاریکی مطلق
    تعداد کاربر 50 هزار کاربر N:1 (بدون نیازبه تعریف کارت)
    سیستم عامل لینوکس
    برق مصرفی 12 ولت 2آمپر (نهایتا24 ولت)
    نوع تشخیص تک و یا چند کاربر همزمان(3نهایتا الی 5 نفر یه صورت همزمان)
    فاصله تشخیص نهایتا 3 متر
    شناسایی زنده عکس و فیلم قابل شناسایی است
    راه ارتباطی TCPIP یا وایفای به صورت آبشنال
    سرعت شناسایی   کمتر از 1ثانیه به ازای تطبیق 50 هزار کاربر به صورت 1:N 
    کارت خوان EM/Mifare/HID
    دمای کارکرد -10 الی 50 درجه سانتی گراد
    رطوبت کارکرد 10% الی 90%
    اندازه 190mmX92mmX30mm



    • استفاده از دستگاه تشخیص چهره TrustOne-EF500 بعنوان سیستم کنترل تردد

    e6.jpg

     

     










































  • چکیده:

    شناسایی چهره در چند سال اخیر به عنوان یک حوزه پژوهشی جالب مورد توجه قرار گرفته است زیرا در چندین برنامه از جمله مدیریت حضور و غیاب و سیستم های کنترل دسترسی نقش اساسی در احراز هویت بیومتریکی انسان ایفا می کند. سیستم های مدیریت حضور و غیاب برای تمام سازمان ها بسیار مهم هستند، اما مدیریت ورودی و خروجی منظم حضور و غیاب پیچیده و زمان بر است. روش های شناسایی انسان خودکار زیادی از جمله بیومتریک، RFID، ردیابی چشم و تشخیص صدا وجود دارند. چهره یکی از گسترده ترین بیومتریک ها برای احراز هویت انسان است. در این مقاله، یک سیستم حضور و غیاب تشخیص چهره بر اساس شبکه های عصبی کانولوشنی عمیق یادگیری انتقالی ارائه شده است. با استفاده از سه شبکه عصبی کانولوشنی پیش آموزیده و آنها را بر روی داده خود آموزش دادیم. سه شبکه عملکرد بسیار خوبی در ارتباط با دقت پیش بینی بالا و زمان آموزش مناسب نشان دادند.

     

    مقدمه:

    همه سازمان ها به یک سیستم مدیریت حضور و غیاب برای نگهداری سوابق حضور و غیاب کارکنان خود، به صورت دستی یا خودکار، نیاز دارند. حضور و غیاب روزانه دانشجویان در کلاس برای ارزیابی عملکرد و کیفیت ضروری است.

     

    مانیتورینگ. صدا زدن نام ها یا امضا کردن روی کاغذها، روش های سنتی استفاده شده در بیشتر سازمان ها هستند که هر دو مصرف زمانی زیادی دارند و ناامن هستند [1]. از طرف دیگر، بیشتر سیستم های شناسایی خودکار انسان بر پایه روش های سنتی مانند اثر انگشت، رمز عبور و اسکن کارت شناسایی کاربرد دارند. با این حال، همه این روش ها محدودیت هایی مانند فراموش کردن رمز عبور یا گم شدن کارت شناسایی دارند. بنابراین، مطمئن ترین روش برای اطمینان از امنیت کامل و ذخیره سوابق تاریخی از طریق سیستم هوشمند تشخیص چهره است [2]. این حوزه در زمان اخیر به سرعت در حال رشد است و نقش مهمی در امنیت ایفا می کند، زیرا تکنیک بسیار دقیقی برای شناسایی و تأیید هویت افراد است [3] [4].

    یادگیری انتقالی یک شکل از یادگیری ماشین است که در آن یک مدل برای یک وظیفه خاص ساخته شده و به عنوان نقطه شروع برای تغییرات در وظیفه دوم استفاده می شود. در یادگیری عمیق به عنوان یک مدل پیش آموزش دیده در وظایف بینایی ماشین و پردازش زبان طبیعی برای توسعه مدل های شبکه عصبی بر روی این مسائل استفاده می شود [5]. یادگیری انتقالی در مسائل یادگیری عمیق بسیار مفید است زیرا بیشتر مسائل واقعی دارای میلیاردها داده برچسب خورده هستند و این نیاز به مدل های پیچیده را دارد [6]. این یک تکنیک کاملاً مناسب برای بهینه سازی، صرفه جویی در زمان و دستیابی به عملکرد بهتر است. توسعه دهندگان می توانند از یادگیری انتقالی برای ادغام برنامه های مختلف در یکی استفاده کنند. آنها می توانند به سرعت مدل های جدیدی را برای برنامه های پیچیده آموزش دهند. علاوه بر این، یادگیری انتقالی ابزار خوبی برای بهبود دقت مدل های بینایی ماشین است [5].

    در این کار، یک سیستم حضور و غیاب تشخیص چهره بر اساس شبکه های عصبی کانولوشنی عمیق (CNN) ارائه شده است. ما با استفاده از سه شبکه عصبی کانولوشنی پیش آموزیده و آنها را بر روی داده های خود که شامل 10 کلاس مختلف است و هر کلاس شامل 20 تصویر چهره است، آموزش دادیم. سه شبکه با دقت پیش بینی بالا و زمان آموزش مناسب، عملکرد بسیار خوبی را نشان دادند.

     

    1. شبکه های پیش آموزش دیده

      شبکه های CNN پیش آموزش دیده ویژگی های متمایزی دارند که در انتخاب یک شبکه برای مقابله با مسئله خاصی مهم است. دقت، سرعت و اندازه شبکه مهمترین ویژگی ها هستند. به طور کلی، انتخاب یک شبکه بین این وظایف تنظیم می شود. برای افرادی که می خواهند یک الگوریتم یاد بگیرند یا یک سیستم برپایی شده را تست کنند، مدل های پیش آموزش دیده منبع عالی پشتیبانی هستند [7]. همیشه ممکن نیست یک مدل را از ابتدا بسازید به دلیل محدودیت های زمانی یا محاسباتی، به همین دلیل مدل های پیش آموزش دیده وجود دارند. چندین مدل CNN پیش آموزش دیده به صورت عمومی در دسترس هستند [8]. در این کار، ما سه شبکه پیش آموزش دیده را بررسی کردیم؛ AlexNet، GoogleNet و SqueezeNet.

      2.1. AlexNet

      یکی از رایج ترین معماری های شبکه های عصبی تا به حال، AlexNet است. این برای آموزش میلیون ها تصویر و دسته بندی آنها به دسته های شیء مانند چهره ها، میوه ها، لیوان ها، مداد ها و حیوانات استفاده شده است. به عنوان ورودی، شبکه یک تصویر را دریافت کرده و برچسب آن شیء در تصویر را خروجی می دهد. همچنین، احتمالات برای هریک از دسته های شیء. ابعاد ورودی شبکه 227 × 227 × 3 تصویر RGB هستند [9] [10] [11] [12]. معماری AlexNet در شکل 1 نشان داده شده است.

      2.2. GoogleNet

      ساختار GoogleNet شامل 22 لایه عمیق و همچنین 5 لایه پولینگ است [13]. در کل، 9 ماژول شروع خطی را  قابلیت ادغام به حافظه کامپیوتر به راحتی بیشتری دارند و می توانند به راحتی از طریق شبکه های کامپیوتری ارتباط برقرار کنند [9] [14] [12]. معماری شبکه SqueezeNet در شکل 3 نشان داده شده است.

    2. A
    3. شکل 1. معماری AlexNet [12].


    4. Bشکل 2. معماری GoogleNet [12].


    5. Cشکل 3. معماری SqueezeNet [12].

      1. کارهای مرتبط

        شناسایی چهره توسط چندین پژوهشگر بررسی شده است. یک راه حل موجود [15] از یک تکنیک شناسایی چهره استفاده کرد که از ویژگی های مشتق شده از ضرایب تبدیل کسینوسی گسسته (DCT) استفاده می کند، به همراه یک 

        برای شناسایی چهره، یک رده‌بند مبتنی بر نقشه خودسازمانده (SOM) استفاده شده است. در نرم‌افزار MATLAB، این روش با استفاده از تصاویر چهره با انواع عبارات صورتی آزمایش شده است. با آماده‌سازی برنامه برای حدود 850 دور بازپردازی، دستگاه می‌تواند با دقت 81.36% در 10 آزمایش متوالی شناسایی را انجام دهد. با اختصاص حجم کمی از ویژگی‌ها، این روش به خوبی برای پیاده‌سازی سخت‌افزاری برای کارهای دنباله‌ای و با هزینه کم مناسب است.

        Arsenovic و همکاران [16] یک سیستم حضور و غیاب شناسایی چهره مبتنی بر یادگیری عمیق پیشنهاد کرده‌اند. این مدل از چندین مرحله کلیدی تشکیل شده است که با استفاده از جدیدترین تکنیک‌های موجود امروزی مانند کسری از شبکه‌های عصبی برای تشخیص چهره و شبکه‌های عصبی برای تولید Embedding چهره توسعه یافته‌اند. در یک مجموعه داده محدود از تصاویر اصلی چهره کارکنان در جهان واقعی، دقت کلی 95.02٪ بوده است. این مدل شناسایی چهره پیشنهادی می‌تواند در سایر سیستم‌ها نیز استفاده شود.

        Fu و همکاران [17] یک راه حل پیشنهاد کرده‌اند که دو الگوریتم یادگیری عمیق، شبکه عصبی کانولوشنی چندوظیفه‌ای (MTCNN) برای تشخیص چهره و شناسایی مرکز چهره را ترکیب می‌کند تا یک سیستم حضور و غیاب خودکار در کلاس دانشگاه ایجاد کند. سیستم، حضور و غیاب خودکار را برای سه نوع تخلف از نظم کلاس گزارش می‌دهد: غیبت، تأخیر و خروج زودهنگام، بر اساس تعداد قابل توجهی یافته‌های آزمایشی. پس از کلاس، جدول حضور و غیاب با وضعیت یادگیری تمام دانشجویان به صورت خودکار ثبت می‌شود. این سیستم با دقت بالا، چهره‌ها را به طور سریع شناسایی می‌کند و با دقت 98.87٪، نرخ تشخیص صحیح کمتر از 1/1000 و نرخ تشخیص اشتباه 93.7٪ دارد.

        Zulfiqar و همکاران [18] یک سیستم شناسایی چهره مبتنی بر شبکه‌های عصبی کانولوشنی پیشنهاد کرده‌اند که با استفاده از دستگاه تشخیص چهره Viola-Jones [19]، چهره‌ها را در تصویر ورودی شناسایی کرده و ویژگی‌های چهره را به صورت خودکار از چهره‌های شناسایی شده با استفاده از یک شبکه عصبی پیش‌آموزش دیده برای شناسایی استخراج می‌کند. برای آموزش کارآمد شبکه عصبی کانولوشنی، یک پایگاه داده بزرگ از تصاویر چهره افراد ایجاد شده است که برای افزایش تعداد تصاویر برای هر فرد و ارائه شرایط روشنایی و نویز متنوع تقویت شده است. علاوه بر این، برای شناسایی چهره عمیق، یک مدل شبکه عصبی پیش‌آموزش دیده بهینه و مجموعه‌ای از پارامترهای هایپرآموزش انتخاب شده است. اثبات کارآیی شناسایی چهره عمیق در سیستم‌های احراز هویت بیومتریک خودکار با دقت کلی 98.76٪ در نتایج آزمایشی روشن‌کننده است.

        1. روش

          روش پیشنهادی شامل چندین مرحله است: جمع‌آوری داده، پیش‌پردازش داده، افزایش داده، آموزش و اعتبارسنجی شبکه عصبی کانولوشنی و آزمایش سیستم است.

         

        4.1. جمع‌آوری داده

        پایگاه داده ما شامل 200 تصویر است که با استفاده از دوربین جلویی iPhone 12 با لنز 12 مگاپیکسلی f/2.2 جمع‌آوری شده است. داده‌ها به 10 کلاس تقسیم شده‌اند و هر کلاس شامل 20 تصویر است. این 10 کلاس، 10 نفر از هر دو جنس را نشان می‌دهند که در شکل 4 نمایش داده شده است.

      2. D
      3. شکل 4. پایگاه داده

        4.2. فرمت داده‌ها

    داده‌های جمع‌آوری شده با فرمت فایل JPG استفاده می‌شوند. اندازه تصاویر بین 3.00 مگابایت و 4.00 مگابایت است. هر شبکه از ورودی با اندازه متفاوتی استفاده می‌کند. بنابراین، باید تصاویر را به اندازه ورودی مورد نظر هر شبکه تغییر اندازه دهیم. شبکه‌های SqueezeNet و AlexNet از اندازه 227 × 227 استفاده می‌کنند، در حالی که GoogleNet از اندازه 224 × 224 استفاده می‌کند. تمام تصاویر گرفته شده در رنگ‌های RGB هستند که برای استخراج ویژگی‌های صحیح مناسب هستند.

    4.3. افزودن داده

    افزایش حجم داده با وارد کردن نسخه‌های کمی تغییر یافته از داده‌های موجود یا تولید داده‌های تصنعی از داده‌های موجود از ابزار افزایش داده استفاده می‌شود. این ابزار به منظور تنظیم و کمینه‌سازی افراط‌گرایی در آموزش مدل یادگیری ماشین استفاده می‌شود. در یادگیری عمیق، افزودن داده به صورت تغییرات هندسی، برعکس کردن تصویر، تغییر رنگ، برش، چرخش، داشتن نویز و حذف تصادفی استفاده می‌شود تا تصویر را بهبود بخشد [8]. در شبکه‌های آموزش دیده‌شده ما، با گرفتن چند تصویر از زوایای مختلف، محیط‌ها و شرایط، جهت، موقعیت و روشنایی، از افزودن داده استفاده کردیم که در شکل 5 نشان داده شده است. پس از وارد کردن داده به شبکه، دو نوع افزودن داده اعمال شد که شامل چرخش و مقیاس‌بندی است. برای هر تصویر، یک چرخش تصادفی با زاویه بین -90 تا 90 درجه انجام می‌شود. برای هر تصویر، یک مقیاس‌بندی تصادفی با عاملی بین 1 تا 2 انجام می‌شود.

    J

    شکل 5. نمونه‌هایی از افزودن داده.

    4.4. انتخاب شبکه‌های پیش‌آموزش داده شده

    برای آموزش شبکه عصبی کانولوشنی بر داده‌های ما، 3 شبکه را انتخاب کردیم که شامل شبکه‌های SqueezeNet، AlexNet و GoogleNet می‌شوند. SqueezeNet یک CNN کوچک است و نیاز به کمترین ارتباط بین سرورها در طول آموزش توزیع شده دارد. CNN‌های کوچک همچنین راحت‌تر بر روی سخت‌افزار با حافظه محدود، مانند FPGA، پیاده‌سازی می‌شوند.

     

    AlexNet می‌تواند به راحتی ویژگی‌های یادگرفته شده را با تعداد کمتری تصاویر آموزشی به یک تخصیص ویژه منتقل کند. AlexNet برای بهبود عملکرد چالش ImageNet توسعه داده شد. این اولین شبکه کانولوشنی عمیق بود که به دقت قابل توجهی رسید. مسئله افراط‌گرایی نیز توسط AlexNet با استفاده از لایه‌های drop-out حل شد که در آن هنگام آزمایش یک اتصال با احتمال p = 0.5 حذف می‌شود. احتمال 0.5 انتخاب شده است زیرا بهترین احتمال برای تطبیق با مشخصات و تنظیمات شبکه بوده است. این تنظیمات پس از بسیاری از آزمایش‌ها و تغییرات تعیین شد. این باعث می‌شود که شبکه ترکیب بدیهی از حداقل‌های محلی بد را پیشگیری کرده ولی تعداد بارهای لازم برای همگرایی به دو برابر افزایش می‌یابد.

    ماژول شروع در معماری GoogleNet بیشترین چالش‌های شبکه‌های بزرگ را حل کرد. GoogleNet با نرخ خطای 6.67٪ که نزدیک به عملکرد سطح انسان است، ساختاری با 22 لایه از CNN عمیق دارد که تعداد پارامترها را به 4 میلیون کاهش می‌دهد (60 میلیون در مقابل AlexNet).

     

    4.5. تنظیم شبکه پیش‌آموزش داده شده

    در هر یک از سه شبکه استفاده شده، پارامترهای شبکه پیش‌آموزش داده شده که شامل لایه کانولوشن 2D و لایه خروجی طبقه‌بندی هستند، تنظیم شد. در طراح عمیق شبکه، اندازه فیلتر را به 1 × 1 و تعداد فیلترها را به 10 تغییر دادیم که همان 10 کلاس داده ما هستند، همان‌طور که در شکل 6 نشان داده شده است. لایه خروجی طبقه‌بندی را نیز برای سازگاری با طبقه‌بندی و برچسب‌های خروجی خود تغییر دادیم.

     E

    شکل 6. تنظیم لایه کانولوشن.

    4.6. آموزش

    روند عمومی در آموزش هر شبکه با استفاده از یادگیری انتقالی با تغییر پارامترهای مربوط به معماری پایه شروع می‌شود. این شامل انتخاب نرخ یادگیری مناسب، زمان آموزش، تعداد دوره‌ها و فرکانس اعتبارسنجی است. هنگامی که نرخ اولیه کم است، فرایند آموزش ممکن است به‌طور کلی متوقف شود و هنگامی که نرخ بسیار بالا است، فرآیند آموزش ممکن است ناپایدار یا یک مجموعه وزن‌های نامناسب را به سرعت یاد بگیرد. بنابراین، ما نرخ یادگیری اولیه را برابر با 0.0001، فرکانس اعتبارسنجی را برابر با 10 و حداکثر دوره‌ها را برابر با 30 انتخاب کردیم، زیرا باید به اندازه امکان بالا باشد تا خطاهای آموزش متوقف شدن را حذف کند. به طور خاص، یک دوره یک چرخه یادگیری است که در طول آن، یادگیرنده به کل مجموعه داده‌های آموزشی معرفی می‌شود. همچنین، حداقل اندازه دسته برابر با 11 است که با نیازهای حافظه (8.00 گیگابایت) سخت‌افزار CPU که با سرعت 1.8 گیگاهرتز کار می‌کند، سازگار است. با افزایش تعداد دوره‌ها، دقت شبکه بالاتر می‌رود. بنابراین، ما باید یک شماره بزرگتر را انتخاب کنیم. مجموعه داده به صورت تصادفی به دو بخش تقسیم شد: 70٪ داده برای آموزش استفاده می‌شود و 30٪ داده برای اعتبارسنجی استفاده می‌شود. پارامترهای آموزش در شکل 7 نشان داده شده است.

     

    F

    شکل 7. گزینه‌های آموزش.

    1. نتایج و بحث

      آموزش SqueezeNet نیاز به 30 دوره با 12 بار در هر دوره داشت تا شبکه به خوبی داده‌ها را آموزش دهد و آنها را اعتبارسنجی کند. پس از 360 بار، به دقت اعتبارسنجی 98.33٪ رسید. فرایند آموزش 26 دقیقه و 53 ثانیه طول

    2. کشید. علاوه بر این، فرکانس اعتبارسنجی در یک فرایند 10 باری انجام شد تا اطمینان حاصل شود که سیستم به خوبی آموزش دیده است اما داده را بیش از حد آموزش نداده است.

    آموزش GoogleNet نیز نیاز به 30 دوره با 12 بار در هر دوره داشت تا شبکه به خوبی داده‌ها را آموزش دهد و آنها را اعتبارسنجی کند. پس از 360 بار، به دقت اعتبارسنجی 93.33٪ رسید. شبکه 39 دقیقه و 21 ثانیه برای تکمیل آموزش طول کشید. علاوه بر این، اعتبارسنجی در یک فرایند 10 باری انجام شد تا اطمینان حاصل شود که سیستم به خوبی آموزش دیده است اما داده را بیش از حد آموزش نداده است.

    آموزش AlexNet نیاز به 60 دوره با 12 بار در هر دوره داشت تا شبکه به خوبی داده‌ها را آموزش دهد و آنها را اعتبارسنجی کند. پس از 720 بار، به دقت اعتبارسنجی 100٪ رسید که دقت بسیار بالایی است و نشانگر یک شبکه به خوبی آموزش دیده است. زمان آموزش شبکه 76 دقیقه بود که نسبت به دو شبکه قبلی طولانی است. علاوه بر این، اعتبارسنجی در یک فرایند 10 باری انجام شد تا اطمینان حاصل شود که سیستم به خوبی آموزش دیده است اما داده را بیش از حد آموزش نداده است.

    ما از یک سیستم تشکیل شده از یک CPU تکی استفاده کردیم که با سرعت 1.8 گیگاهرتز و 8.00 گیگابایت RAM کار می کند. همانطور که در شکل 8 نشان داده شده است، ما از همان نرخ یادگیری اولیه، بیشترین تعداد بار و یک CPU تکی برای سه شبکه استفاده کردیم، در حالی که تعداد دوره‌ها برای هر شبکه متفاوت بود. به طور کلی، مشاهده می‌شود که AlexNet بهترین شبکه با دقت اعتبارسنجی است اما زمان آموزش آن بیشتر است به دلیل تعداد پارامترها. SqueezeNet دومین گزینه است که با زمان آموزش حداقلی که 26 دقیقه و 53 ثانیه است، دقت 98.33٪ را ارائه می دهد. GoogleNet دقت پایین‌تری را نسبت به سایر شبکه‌ها دارد. نتایج آموزش و اعتبارسنجی سه شبکه در جدول ۱ خلاصه شده است.

    الحنائي و همکاران / مجله علوم کامپیوتر Procedia 00 (2021) 000-000

    G

    H

    شکل 8. نتایج آموزش و اعتبارسنجی شبکه های عصبی پیچشی (CNN) (a) SqueezeNet؛ (b) GoogleNet؛ (c) AlexNet.

    جدول 1. نتایج آموزش شبکه های عصبی پیچشی (CNN).

    مدل نرخ یادگیری دوره ها دقت اعتبارسنجی زمان گذرانده سخت افزار بیشینه تکرارها

    SqueezeNet 0.0001 30 98.33٪ 26 دقیقه و 53 ثانیه CPU تکی 360

    GoogleNet 0.0001 30 93.33٪ 39 دقیقه و 21 ثانیه CPU تکی 360

    AlexNet 0.0001 60 100٪ 76 دقیقه و 0 ثانیه CPU تکی 720

    زمانی که برای تصاویر نامعلوم از ده کلاس مختلف تست شد، سه مدل CNN قادر به با موفقیت تشخیص چهره‌ها با اطمینان پیش‌بینی بسیار بالا بودند. درصدی که در بالای تصاویر نشان داده شده است، به سطح اطمینان شبکه آموزش دیده برای پیش‌بینی برچسب‌های مربوطه اشاره دارد. سطح اطمینان بسیار بالا نشان می‌دهد که مدل با موفقیت تصویر را پیش‌بینی کرده است. شکل 9a، 9b و 9c مثال‌هایی از نتایج به دست آمده توسط SqueezeNet، GoogleNet و AlexNet را نشان می‌دهند.

    برای تحلیل نتایج، ما از همان نرخ یادگیری اولیه، بیشترین تعداد تکرارها و یک CPU تکی برای شبکه ها استفاده کردیم، در حالی که تعداد دوره ها برای هر شبکه متفاوت بود. مشاهده می‌شود که AlexNet بهترین شبکه برای آموزش داده‌ها است زیرا دقت اعتبارسنجی بالاترین است اگرچه زمان آموزش طولانی تری دارد. SqueezeNet دومین گزینه است که با حداقل زمان گذرانده شده 26 دقیقه و 53 ثانیه، دقت 98.33٪ را ارائه می‌دهد. GoogleNet سومین شبکه برتر است زیرا دقت پایین‌تری را نسبت به سایر شبکه ها دارد.

    شکل 9. نتایج آزمون (a) SqueezeNet؛ (b) GoogleNet؛ (c) AlexNet.

    در جدول 2، مقایسه‌ای از روش پیشنهادی با روش‌های قبلی نشان داده شده است. نتایج جدول 2 بر اساس مجموعه داده‌های ما به دست آمده است. به وضوح نشان داده شده است که رویکرد پیشنهادی ما نسبت به روش‌های دیگر عملکرد بهتری داشته است.

    جدول 2. مقایسه روش‌های تشخیص چهره.

     

    نتیجه گیری

    این مقاله یک سیستم حضور و غیاب تشخیص چهره بر پایه یادگیری عمیق ارائه می‌دهد. ما با استفاده از یادگیری انتقالی با سه شبکه عصبی پیچشی پیش‌آموزش داده شده، آن‌ها را بر روی داده‌های خود آموزش دادیم. در مقایسه با روش‌های دیگر، سیستم نشان داد که در عملکرد با دقت پیش‌بینی بالا و زمان آموزش مناسب، عملکرد بسیار خوبی دارد. سه شبکه SqueezeNet، GoogleNet و AlexNet به ترتیب دقت اعتبارسنجی 98.33٪، 93.33٪ و 100٪ را داشتند. رویکرد پیشنهادی می‌تواند در سیستم‌های حضور و غیاب و دسترسی به درها در سازمان‌های مختلف مانند دولت و بخش خصوصی، فرودگاه‌ها، مدارس و دانشگاه‌ها استفاده شود. این کار با بررسی بیشتر مدل‌های CNN پیش‌آموزش .داده شده و شامل بیشتر داده‌های تصویری چهره انسان می‌تواند توسعه یابد. بررسی کاربرد این مدل‌ها در وظایف شناسایی انسان با صورت ماسک زدنده نیز جالب است.

    منبع : ساینس دایرکت 

  • همانطور که میدانیم روشهای مختلفی برای برقراری ارتباط بین لپ تاپ یا کامپیوتر یا سروری که نرم افزار حضور و غیاب روی آن نصب است و سیستم فیزیکی حضور و غیاب وجود دارد که رایج ترین آنها همان پورتهای RS232,RS485,USB,GPRS,Micro SD,، شبکه و... میباشد.که در این میان سه نوع RS232و شبکه و استفاده از تخلیه اطلاعات توسط USB جاافتاده از بقیه است.
    حال به بررسی روش تخلیه اطلاعات حضور و غیاب توسط شبکه میپردازیم:
    شایان ذکر است که مهمترین وکاربردی ترین و اساسی ترین روش درگاه ارتباطی بین دستگاه حضور و غیاب وکامپیوترها پورت شبکه است،با پیشرفت تکنولوژی میتوان گفت تمام کامپیوترهای امروزی و سیستمهای حضور و غیاب مجهز به این پورت بوده که یا بصورت سیمی ویا بدون سیم کار میکنند که به ترتیب Wied,Wireless نامگذاری میشوند.بنابراین برای برقراری ارتباط بین کامپیوتری که میخواهیم روی آن تخلیه اطلاعات انجام دهیم و دستگاه حضور و غیاب در صورتی که در شبکه سیمی توسط کابل شبکه و یا با اتصال دوطرفه به بستر شبکه موجود یعنی همان اتصال به نود یا سوییچ شبکه این مرحله برقراری ارتباط را انجام دهیم.خوب است بدانیم که تنظیمات شبکه بمراتب پیچیده تر از دو درگاه RS232 ,USB میباشد وبعلت اینکه از لحاظ کاربردی خیلی تنوع خوبی دارد پس بسیار مفید تلقی میشود.تکنولوژیRS232 قدیمی ترین روش برای تخلیه اطلاعات است که در آن از پورت Com  کامپیوتر استفاده میشود و حداکثر طول استاندارد کامپیوتر در این متد30 متر میباشد.

تمامی حقوق مادی و معنوی این وب سایت متعلق به شرکت آرمان سیمرغ پارسیان می باشد.