在物聯網（IoT）浪潮翻江倒海而來的趨勢下，安防產業該如何找到乘風破浪、再創新機的著力點，是目前全球安防業者最關注也最迫切的問題。然而，物聯網的範圍其實非常廣泛，實在無法聚焦哪些範圍是安防產業要整合的。
因此，法蘭克福新時代傳媒以媒體平台（a&s 雜誌、secutech安全博覽會）之姿，和安全&自動化廠商們集思廣益，將物聯網中對環境安全、人員安全、事件運作三部分的物聯感知，與影像監控、智慧分析辨識、雲端大數據三大技術面向，進行從元件端到平台雲端的End-to-End整合，以期形成安全&自動化產業全新生態系統（產業鏈），我們稱之為物聯安防（IoT+Security）。
物聯安防的四大要素
「物聯安防」是一個全新的安全&自動化應用概念，它集合從IoT感知器所收集的資料，透過傳輸再與安防系統（如監控的影像資料）數據整合後，經過一連串的識別分析及運算所得出的結果，再透過監控與自動化系統的控制整合自動或人工控制下達指令，進行應有的事件反應動作。
以影像監控為例，不同於單純影像結構化的數據分離與IoT感知信號各別處理反應的方式，「物聯安防」主要包含了四大要素：安防前端設備晶片發展與感知元件的整合、不同於過去網路末端的最後一哩（Last Mile）傳輸方式、軟體與後端平台硬體的效能提升。而這四大要素則是透過不同晶片方案的創新發展與結合，它們分別是：
一、Security安控技術晶片整合
這些創新技術來自於新一代H.265 CODEC編／解碼壓縮處理、VR/AR虛擬與擴增實境全景／環景處理、VCA/IVS智慧影像處理、Biometrics多重物辨識晶片以及IoT智慧感知Sensor的導入，達到創新功能差異化，並得以搭配新一代影像監控平台達到真正的智慧監控要求境界。
二、IoT物聯感知技術
在物聯網與工業4.0的趨勢下，智慧製造、智慧醫療、智慧家庭、車聯網⋯等所有應用需求讓各種Sensor感知技術發揮了更大的核心影響力！同時隨著工業自動化及機器視覺應用的多元化發展，感知器的識別率、成本和速度將成為機器視覺系統的核心競爭力。
三、CPU/GPU/MCU Platform高效能平台晶片技術
GPU（Graphics Processing Unit）是新一代高速顯示卡，其地位與CPU在主機板上一樣重要。GPU極大提升了電腦圖形處理的速度、增強了圖形的品質，並促進了與電腦圖形相關其他領域的快速發展。在硬體搭載或平台伺服器使用CPU + GPU可提供更高階的影像處理（Video Data Processing）功能及運算速度，例如：VMS或是擴充VR。而針對伺服器的CPU + GPU圖形運算晶片將成為新一代平台硬體主要晶片技術應用，同時再佐以多種微控制晶片（Micro-controller Unit，MCU）的嵌入，安全&自動化系統可以滿足任何感知器與控制器的處理，達到真正的物聯網應用。
四、網路「最後一哩」的傳輸技術
無線傳輸技術為物聯網產業發展所必備，但WiFi、ZigBee、Z-wave都會面臨傳輸與功耗的問題。在「物聯安防」的概念下，將聚焦全球三大技術陣營－LoRa、NB-IoT與Sigfox，這三種需要基地台、長距離、低功耗的物聯網傳輸技術，可擴大通信範圍並抗干擾，將大幅滿足物聯網持續上傳／下載的傳輸需求。
物聯安防的發展應用
當安防產業發展到了「物聯安防」，包括：AI人工智慧、機器視覺、深度學習與大數據的採集發展，與安防技術（如監控）的進一步整合，將會帶來全新的應用境界。
一、AI人工智慧
AI（Artificial Intelligence）人工智慧到底是什麼？當Google開發的人工智慧程式AlphaGo打敗職業圍棋高手後，全世界的媒體與廠商都高度關注到AI、機器學習、深度學習等術語。AlphaGo之所以打敗人腦，這三項技術都立下了汗馬功勞，它們並不是突然出現，而是由人類發想理念，然後才是機器學習，當機器學習實現之後也才有深度學習這名詞。而AI人工智慧之所以能夠從2015年開始進入「大爆發」階段，除了拜深度學習應用所賜，也要歸功於GPU晶片的廣泛普及，它讓並行處理更快、更便宜;以及因應資料大規模生成（如影片、照片、圖片、文檔、交易、地圖資訊⋯）而無限拓展的存儲容量。
二、機器視覺
機器學習主要是研究AI人工智慧如何在經驗學習中改善具體演算法的效能，而「機器視覺」則是機器學習的最佳應用領域之一。機器視覺是一種利用光學系統、工業數位相機和影像處理工具來類比人類視覺和思考的技術，屬於傳感檢測領域的自動化應用設備。
機器視覺系統具有極高的分辨精度和處理速度，在諸多指標上達到或超過人眼的視覺能力，並可以通過紅外線、超聲波、微波專用感知器成像等處理人體無法感知的內容。此外，機器視覺系統還可以不間斷工作，並具有成像指標客觀、可量化等優點。隨著工業自動化與機器視覺應用領域的多元化發展，識別率、成本和速度將成為機器視覺系統的核心競爭力。而通過較低的硬體設定達到良好的識別率和處理速度，則能夠為設備供應商帶來更多的成本優勢。
三、深度學習
深度學習是實現機器學習的技術，其利用人工神經網路（Artificial Neural Networks）的運算方法，每一個神經元會對輸入的資訊進行權衡、確定權重，搞清它與所執行任務的關係，真正讓學習有了「深度」。深度學習有很多應用場景，只要涉及到目標檢測、目標識別的地方都可以應用深度學習來解決，例如：人臉辨識、行人辨識、車輛辨識、物體檢測識別、影像分割、光學字元辨識⋯等應用場景，可進一步細化特徵識別，包括人和車輛等更多特徵將得到檢測和識別。
隨著晶片技術的發展，計算性能不斷提升，加上利用大量豐富的資料樣本「錘鍊」，演算法成熟週期越來越短，場景適應性、識別指標不斷提升，性價比也越來越高。越來越豐富的智慧分析資訊，必然在各種行業中得到應用。
四、大數據採集與應用
隨著物聯網應用普及，物聯網整合監控系統軟體的影像與數據資料的接入和存儲也越來越多，如何有效利用這些影像與數據資料、深度挖掘其潛在價值，是系統商與用戶當前面臨的首要問題。
影像結構化的監控系統只能解決大量影像資訊的存儲、搜尋、互聯互通等問題，但仍然無法準確識別、定位和分析辨識影像中的人／事／物等資訊。現在，除了要有超高清的即時影像監控、追蹤及畫面調撥來查核錄影影像中的可疑目標外，「物聯安防」還必須能夠依靠大數據來提取、辨識分析及運算技術結合影像目標偵查作業，對監控畫面中可疑或重要的目標影像結合先進的3D、行為姿態與人臉／車牌等智慧辨識分析，提取可疑的人／事／物等目標資料，產生有系統架構的影像與情境文字描述，從而實現特定目標的快速定位、搜尋。
例如：若發生刑事案件，可收集案發現場監控影像及所有物聯網感知設備所收集的環境與生物反應、時間過程等資訊進行一連串智慧分析運算，對其相關聯影像中人／事／物目標進行資料提取分析，並對每個圖片和影像進行目標物件的人工標註描述，實現影像、圖片與對應人／事／物資料的關聯比對，然後上傳到影像與數據資料庫進行更快速的比對運算，以得出資料庫數據做為研判依據。還可利用GIS地圖視覺化，結合時間與空間資料，詳細刻劃可疑目標的活動軌跡，為偵破刑案提供重要支援。
結論
大數據採集分析不像傳統監控資料只有影像和圖片，如果去查詢也只能是獲得空間和時間兩個參數，隨著「物聯安防」的智慧化發展，透過大量數據的接入及數據之間的深度挖掘分析，將會大大縮小人工研判分析範圍、提高工作效率。以當前的應用來看，智慧影像分析技術在「物聯安防」背景下，將會隨著物聯安防大平台發展，邁向更加整合化、智慧化的方向，讓「物聯安防」的技術應用不止是要能達到看得清、看得懂的程度，還要能辨識得出影像場景的蛛絲馬跡和行為模式，更可以把分析結果呈現出來。而最大的改變就在於「物聯安防」的技術實務，讓大量數據雲端應用能不斷突破和成熟。