Аналитика видео в реальном времени обеспечивает безопасность энергетических активов

Новое поколение видео-приложений относится к камерам больше как к устройствам интернета вещей (IoT), отслеживая состояние активов, идентифицируя оборудование с помощью штрих-кодов, номерных знаков или движения транспортных средств и персонала.

Видеокамеры повсеместны в энергетическом секторе уже много лет. Будучи отраслями с интенсивными активами, у них много очень дорогого оборудования и операций, которые могут представлять опасность для защиты. В результате периметровая безопасность и общий мониторинг являются критическими приложениями для видео в энергетике. Однако появляются приложения, использующие камеры для совершенно других задач — создавая новую и расширяющуюся роль для видео и, особенно, аналитики.

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

Это новое поколение видео-приложений относится к камерам больше как к устройствам интернета вещей (IoT), отслеживая состояние активов, идентифицируя оборудование с помощью штрих-кодов, номерных знаков или движения транспортных средств и персонала. Они также намного эффективнее в обеспечении безопасности видео в реальном времени. Ключевая технологическая инновация за этим ростом — использование сложной видео-аналитики на основе машинного обучения и искусственного интеллекта (ИИ).

Концепция видео-аналитики достаточно проста. Для примера периметрового наблюдения, 99% времени сцена, которую записывает камера, практически одно и то же день за днем. Так что когда нарушитель фактически перерезает забор, аналитическое приложение может не знать точно, что оно видит, но оно знает, что это отличается от того, что оно обычно наблюдает. В языке машинного обучения это «аномалия».

Когда аналитика наблюдения сталкивается с аномалией, приложение может оповестить кого-то в безопасности просмотреть этот фрагмент. Персонал безопасности может затем немедленно проверить, является ли это событием проникновения или нет; приложению не нужно быть таким умным. Это спасает персонал от необходимости смотреть сотни или тысячи часов видео только для того, чтобы поймать несколько минут, когда происходит потенциальное проникновение. Программа видео-аналитики по сути фильтрует футаж и представляет только те части, которые могут действительно иметь значение.

Если выясняется, что аномалия — это просто местная дичь или бродячая собака, персонал может «обучить» программу игнорировать это. Приложение затем сохраняет паттерн собаки и больше не относит ее к угрозам.

Ранние попытки создания подобных приложений采取ли прямой подход, пытаясь предварительно настроить аналитическое приложение с известными паттернами угроз или инцидентов. Однако они были менее успешны, если только угроза не была очень хорошо известна и предсказуема по форме, например, деформация в круглом объекте, таком как шестеренка или колесо. Для многих видов наблюдения и мониторинга, однако, паттерн инцидента не достаточно последователен для предварительной программировки.

Именно здесь машинное обучение и аналитика в реальном времени выходят на первый план. Например, камера, наблюдающая за перекрестком в шахтной операции по добыче угля, постоянно записывает движение грузовиков, проезжающих мимо с рудой. Это не просто статический периметральный забор, где ничего никогда не происходит. Тем не менее, приложение может со временем научиться понимать, какие паттерны активности нормальны, а какие нет. Таким образом, приложение видео в реальном времени может распознать проблему, когда автономный грузовик ломается посреди перекрестка или предмет падает и блокирует дорогу. Программе не нужно ничего запрограммировано в нее. Она просто выводит, что нормально, а что нет, с периодической обратной связью от персонала, чтобы сказать ей, когда аномалия может считаться «нормальной».

С операционной ИТ-перспективы, одно из больших преимуществ видео-аналитики заключается в том, что она также сокращает объем видео, который должен проходить через сеть. Например, традиционные CCTV-решения требовали выделенных сетей для камер, тогда как видео-аналитика может фактически размещаться на границе сети, так как видео обрабатывается локально. 99% видео, которое записывается и не представляет интереса, может быть затем отброшено или сохранено локально, в то время как аномальный видеофрагмент, который значительно сокращен, может быть отправлен по основному кабельному или беспроводному сетевому соединению на центральный облачный сервер.

Программы видео-аналитики также могут добавлять данные из других источников, таких как аудио, телеметрия и данные от IoT-датчиков. Например, с застрявшим автономным самосвалом, программа видео-аналитики может также мониторить сообщения пульса между грузовиком и коммуникационной сетью и понимать, что грузовик потерял сетевое соединение и ожидает получения сигнала — обычное явление с Wi-Fi mesh-сетями. Она также может быть обучена игнорировать застрявший грузовик в этом случае, но не в других.

Есть разные сценарии использования для каждой части энергетического и коммунального сектора. Ветряные фермы, например, могут использовать аналитику видео в реальном времени для идентификации стай птиц. Когда камера записывает приближение стаи, лопасти турбин останавливаются, чтобы избежать столкновений. Другое приложение для газопроводов использует инфракрасные камеры в сочетании с IoT-газовыми мониторами. Когда наличие утечки запускает тревогу, программа видео-аналитики может быть подсказана сканировать тепловые подписи вдоль трубопровода, чтобы локализовать, где это происходит.

Видео также может играть свою роль в общем экологическом мониторинге вместе с IoT-датчиками, измеряющими химическое загрязнение в воздухе и воде, влажность и вибрации в почве, отслеживание погоды, а также окружающую теплоту и влажность. Видео использовалось для записи потока воды в ручьях для обнаружения риска наводнения, которое может использоваться с другими сенсорными данными для заполнения гидрологических моделей, которые могут предсказывать возможные риски для активов или безопасности от наводнений. С более простой стороны, аналитика видео в реальном времени также может использоваться для логирования событий и их хранения для судебного анализа позже. Только видеофрагменты, отклоняющиеся от нормального паттерна, хранятся и могут быть поз вызваны при расследовании причин, которые могли привести к крупному инциденту.

Видео-аналитика начинает играть критическую роль в предупредительном обслуживании энергетических активов, включая трубопроводы, линии электропередач и оборудование. Предиктивное обслуживание использует IoT-данные, аудио и видеопотоки — с использованием передовых аналитик данных — для предсказания оптимального времени обслуживания и замены активов. Это в противовес традиционному предупредительному обслуживанию, которое может привести к отходам путем восстановления или замены активов, которые на самом деле все еще в работоспособном состоянии. Это похоже на выбрасывание банки еды только потому, что она достигла штампованной даты истечения срока годности, не открыв ее сначала, чтобы увидеть, все ли еще хорошо содержимое.

Оценка на основе состояния, с другой стороны, способна использовать аналитику в реальном времени для предсказания времени отказа и оптимизации вариантов обслуживания. Она также снижает затраты, увеличивает использование, повышает безопасность и минимизирует задержки и потери дохода. Передовые аналитики также могут разрушить данные силосы, коррелируя видео и данные от IoT-датчиков, экологической информации и исторических трендов для предоставления операционной интеллектуальности, решения специфических операционных и обслуживающих болевых точек и оптимизации жизненных циклов активов.

Очевидно, аналитика данных в реальном времени с использованием машинного обучения и ИИ революционизирует почти каждый угол энергетического бизнеса. IoT-устройства и датчики получают львиную долю внимания, но видео также получает вторую жизнь как критически важный источник визуальных данных. Эти аналитические системы преодолевают одну из главных проблем, которые 괴롭овали первое поколение CCTV; а именно, пожарный шланг из футажа, который они производили, был просто слишком дорогим для мониторинга. Видео-аналитика, смешанная с другими видами IoT-сенсорирования, теперь способны представлять потребляемые объемы данных с гораздо более высокой степенью релевантности для отрасли и помогают фокусировать этот пожарный шланг там, где он нужен больше всего.