Потягивая видео из пожарного шланга:Energy использует аналитику в реальном времени

Поколение видеоприложений рассматривает камеры как устройства Интернета вещей (IoT), отслеживая состояние активов, идентифицируя оборудование с помощью штрих-кодов, номерных знаков или движения транспортных средств и персонала.

Видеокамеры широко распространены в энергетике уже много лет. Будучи ресурсоемкими отраслями, они имеют много очень дорогого оборудования и операций, которые могут представлять опасность для защиты. В результате охрана периметра и общее наблюдение являются важными приложениями для видео в энергетике. Однако появляются приложения, использующие камеры для совершенно других задач — создавая новую и расширяющуюся роль видео и, особенно, аналитики.

См. также: Слишком много видео в реальном времени? Визуальная аналитика может помочь

Это новое поколение видеоприложений рассматривает камеры как устройства Интернета вещей (IoT), отслеживая состояние активов, идентифицируя оборудование с помощью штрих-кодов, номерных знаков или движения транспортных средств и персонала. Кроме того, они гораздо более эффективны в обеспечении видеобезопасности в режиме реального времени. Ключевым технологическим нововведением, стоящим за этим ростом, является использование сложной видеоаналитики, основанной на машинном обучении и искусственном интеллекте (ИИ).

Концепция видеоаналитики достаточно проста. Если использовать пример наблюдения за периметром, то в 99% случаев сцена, которую записывает камера, изо дня в день практически не меняется. Таким образом, когда вторжение на самом деле прорезает забор, аналитическое приложение может не знать точно, что оно видит, но оно знает, что оно отличается от того, что обычно отслеживает. На языке машинного обучения это «аномалия».

Когда аналитика наблюдения обнаруживает аномалию, приложение может предупредить кого-то из службы безопасности о просмотре этой записи. Затем сотрудники службы безопасности могут немедленно проверить, является ли это событием вторжения или нет; Приложение не должно быть таким умным. Это избавляет сотрудников от необходимости просматривать сотни или тысячи часов видео только для того, чтобы поймать несколько минут, когда происходит потенциальное вторжение. Программа видеоаналитики, по сути, фильтрует отснятый материал и представляет только те фрагменты, которые действительно могут иметь значение.

Если выяснится, что аномалия — это просто местная дикая природа или бродячая собака, персонал может «научить» программу игнорировать ее. Затем приложение сохраняет рисунок собаки и больше не рассматривает его как угрозу.

Ранние попытки создать подобные приложения основывались на прямом подходе, предполагая предварительную настройку аналитического приложения с использованием известных шаблонов угроз или инцидентов. Однако они были менее успешными, если только угроза не была хорошо известна и предсказуема по форме, например, деформация круглого объекта, такого как шестерня или колесо. Тем не менее, для многих видов наблюдения и мониторинга модель инцидента недостаточно постоянна, чтобы ее можно было предварительно запрограммировать.

Именно здесь на первый план выходят машинное обучение и аналитика в реальном времени. Например, камера, которая наблюдает за перекрестком на угольной шахте, постоянно записывает движение грузовиков, перевозящих руду. Это не просто статичный забор по периметру, где никогда ничего не происходит. Тем не менее, со временем приложение может научиться понимать, какие модели активности являются нормальными, а какие нет. Таким образом, видеоприложение в режиме реального времени может распознать проблему, когда автономный грузовик ломается посреди перекрестка или объект падает и блокирует проезжую часть. В программе ничего не должно быть запрограммировано. Он просто определяет, что является нормальным, а что нет, с периодической обратной связью от персонала, чтобы сказать, когда аномалия может считаться «нормальной».

С точки зрения операционных ИТ одно из больших преимуществ видеоаналитики заключается в том, что она также сокращает объем видео, которое должно передаваться по сети. Например, для традиционных решений видеонаблюдения требовались выделенные сети для камер, в то время как видеоаналитика фактически может размещаться на границе сети, поскольку видео обрабатывается локально. 99 % записываемого видео, которое не представляет интереса, также можно отбросить или сохранить локально, а аномальный видеоматериал, который значительно уменьшится, можно будет отправить по основной кабельной или беспроводной сети на центральный облачный сервер.

Программы видеоаналитики также могут добавлять данные из других источников, таких как аудио, телеметрия и данные с датчиков IoT. Например, в случае заглохшего автономного рудовоза программа видеоаналитики может также отслеживать сообщения пульса между грузовиком и коммуникационной сетью и понимать, что грузовик потерял подключение к сети и ожидает получения сигнала — обычное явление для ячеистых сетей Wi-Fi. . В этом случае можно было бы также игнорировать заглохший грузовик, но не в других.

Существуют различные варианты использования для каждой части энергетического и коммунального сектора. Ветряные электростанции, например, могут использовать видеоаналитику в реальном времени для идентификации стай птиц. Когда камера фиксирует приближение стаи, лопасти турбины отключаются во избежание столкновений. Еще одно приложение для газопроводов использует инфракрасные камеры в сочетании с газомониторами IoT. Когда наличие утечки вызывает тревогу, программе видеоаналитики может быть предложено сканировать тепловые сигнатуры вдоль трубопровода, чтобы определить, где она происходит.

Видео также может играть свою роль в общем мониторинге окружающей среды наряду с датчиками IoT, которые измеряют химическое загрязнение воздуха и воды, влажность и вибрации в почве, отслеживание погоды, а также температуру и влажность окружающей среды. Видео использовалось для записи потока воды в ручьях для выявления риска наводнения, которое можно использовать с данными других датчиков для заполнения гидрологических моделей, которые могут прогнозировать возможные риски для активов или безопасность от наводнения. С более простой стороны, видеоаналитика в реальном времени также может использоваться для регистрации событий и сохранения их для последующего криминалистического анализа. Сохраняются только те видеоматериалы, которые отклоняются от обычного шаблона и могут быть впоследствии использованы при расследовании причин, которые могли привести к крупному происшествию.

Видеоаналитика начинает играть решающую роль и в профилактическом обслуживании энергетических активов, включая трубопроводы, линии электропередач и оборудование. Прогностическое обслуживание использует данные Интернета вещей, аудио- и видеопотоки с использованием расширенной аналитики данных для прогнозирования оптимального времени обслуживания и замены активов. Это отличается от традиционного профилактического обслуживания, которое может привести к потерям из-за ремонта или замены активов, которые на самом деле все еще находятся в рабочем состоянии. Это похоже на выбрасывание банки с едой только потому, что на ней истек срок годности, не открывая ее предварительно, чтобы проверить, годно ли содержимое.

С другой стороны, оценка на основе состояния может использовать аналитику в реальном времени для прогнозирования времени отказа и оптимизации вариантов обслуживания. Это также снижает затраты, увеличивает коэффициент использования, повышает безопасность и сводит к минимуму задержки и потери доходов. Расширенная аналитика также может разрушать разрозненные данные, сопоставляя видео и данные с датчиков IoT, информацию об окружающей среде и исторические тенденции для предоставления операционной аналитики, решения конкретных проблем эксплуатации и обслуживания. и оптимизировать жизненный цикл объектов.

Очевидно, что аналитика данных в режиме реального времени с использованием машинного обучения и искусственного интеллекта революционизирует практически все аспекты энергетического бизнеса. Устройства и датчики IoT получают львиную долю внимания, но видео также получает вторую жизнь в качестве важного источника визуальных данных. Эти системы аналитики преодолевают одну из основных проблем, преследовавших первое поколение CCTV; а именно, огромное количество отснятого материала, который они производили, было просто слишком дорого для отслеживания. Видеоаналитика в сочетании с другими видами IoTsensing теперь может предоставлять потребляемые объемы данных с гораздо более высокой степенью релевантности для отрасли и помогает направить этот пожарный шланг туда, где он больше всего нужен.