Siroter de la vidéo Firehose :l'utilisation de l'analyse en temps réel par Energy

Une génération d'applications vidéo traite les caméras davantage comme des appareils de l'Internet des objets (IoT) en surveillant l'état des actifs, en identifiant l'équipement à l'aide de codes-barres, de plaques d'immatriculation ou du mouvement des véhicules et du personnel.

Les caméras vidéo sont omniprésentes dans le secteur de l'énergie et ce depuis de nombreuses années. Étant des industries à forte intensité d'actifs, elles ont beaucoup d'équipements et d'opérations très coûteux qui peuvent présenter des risques à protéger. Par conséquent, la sécurité périmétrique et la surveillance générale sont des applications critiques pour la vidéo dans l'énergie. Cependant, des applications émergent qui utilisent des caméras pour des tâches complètement différentes - créant un rôle nouveau et croissant pour la vidéo et, en particulier, l'analyse.

Voir aussi : Trop de vidéo en temps réel ? L'analyse visuelle peut vous aider

Cette nouvelle génération d'applications vidéo traite les caméras plus comme les appareils de l'Internet des objets (IoT) en surveillant les conditions des actifs, en identifiant l'équipement à l'aide de codes à barres, de plaques d'immatriculation ou du mouvement des véhicules et du personnel. Ils sont également beaucoup plus efficaces pour la sécurité vidéo en temps réel. L'innovation technologique clé derrière cette croissance est l'utilisation d'analyses vidéo sophistiquées basées sur l'apprentissage automatique et l'intelligence artificielle (IA).

Le concept d'analyse vidéo est assez simple. Pour reprendre l'exemple de la surveillance périmétrique, 99 % du temps, la scène qu'une caméra enregistre est quasiment la même jour après jour. Ainsi, lorsqu'un intrus franchit réellement la clôture, une application d'analyse peut ne pas savoir exactement ce qu'elle voit, mais elle sait que c'est différent de ce qu'elle surveille normalement. C'est, dans le langage de l'apprentissage automatique, "une anomalie".

Lorsque les analyses de surveillance sont confrontées à une anomalie, l'application peut alerter quelqu'un en sécurité pour qu'il visionne cette séquence. Le personnel de sécurité peut alors immédiatement vérifier s'il s'agit d'un événement d'intrusion ou non ; l'application n'a pas besoin d'être aussi intelligente. Cela évite au personnel d'avoir à regarder des centaines, voire des milliers d'heures de vidéo juste pour capturer les quelques minutes où une intrusion potentielle se produit. Un programme d'analyse vidéo filtre essentiellement les séquences et ne présente que les éléments qui pourraient réellement avoir de l'importance.

S'il s'avère que l'anomalie est simplement un animal sauvage local ou un chien errant, le personnel peut « apprendre » au programme à l'ignorer. L'application mémorise alors le patron du chien et ne le traite plus comme une menace.

Les premières tentatives de création d'applications similaires ont adopté une approche directe en essayant de préconfigurer l'application d'analyse avec des modèles d'incidents de menace connus. Cependant, ceux-ci ont moins de succès à moins que la menace ne soit très bien connue et prévisible dans sa forme, telle qu'une déformation d'un objet rond, tel qu'un engrenage ou une roue. Pour de nombreux types de surveillance et de suivi, cependant, le modèle d'incident n'est pas suffisamment cohérent pour pré-programmer.

C'est là que l'apprentissage automatique et l'analyse en temps réel prennent le devant de la scène. Par exemple, une caméra qui surveille une intersection dans une exploitation minière de charbon enregistre en permanence le mouvement des camions pendant qu'ils transportent du minerai. Ce n'est pas seulement une clôture de périmètre statique où rien ne se passe jamais. Néanmoins, l'application peut apprendre au fil du temps à comprendre quels modèles d'activité sont normaux et lesquels ne le sont pas. Ainsi, une application vidéo en temps réel peut reconnaître un problème lorsqu'un camion autonome tombe en panne au milieu de l'intersection, ou qu'un objet tombe et bloque la chaussée. Le programme n'a pas besoin d'avoir quoi que ce soit de programmé. Il en déduit simplement ce qui est normal et ce qui ne l'est pas, avec des commentaires occasionnels du personnel pour lui dire quand une anomalie peut être considérée comme "normale".

D'un point de vue informatique opérationnel, l'un des grands avantages de l'analyse vidéo est qu'elle réduit également la quantité de vidéo qui doit traverser un réseau. Par exemple, les solutions de vidéosurveillance traditionnelles nécessitaient des réseaux dédiés pour les caméras, alors que l'analyse vidéo peut en fait être hébergée à la périphérie du réseau car la vidéo est traitée localement. Les 99 % de vidéos enregistrées qui ne présentent aucun intérêt peuvent également être supprimées ou stockées localement, tandis que les séquences vidéo anormales, qui sont considérablement réduites, peuvent être envoyées via le réseau câblé ou sans fil principal vers un serveur cloud central.

Les programmes d'analyse vidéo peuvent également ajouter des données provenant d'autres sources telles que l'audio, la télémétrie et les données des capteurs IoT. Par exemple, avec le transporteur de minerai autonome en panne, le programme d'analyse vidéo peut également surveiller les messages de pulsation entre le camion et le réseau de communication et comprendre que le camion a perdu sa connexion réseau et attend d'acquérir un signal - un phénomène courant avec les réseaux maillés Wi-Fi. . Il pourrait également être conseillé d'ignorer le camion en panne dans ce cas, mais pas dans d'autres.

Il existe différents cas d'utilisation pour chaque partie du secteur de l'énergie et des services publics. Les parcs éoliens, par exemple, pourraient utiliser des analyses vidéo en temps réel pour identifier les volées d'oiseaux. Lorsque la caméra enregistre l'approche d'un troupeau, les pales de la turbine sont arrêtées pour éviter les collisions. Une autre application pour les gazoducs utilise des caméras infrarouges en combinaison avec des détecteurs de gaz IoT. Lorsque la présence d'une fuite déclenche une alarme, le programme d'analyse vidéo peut être invité à rechercher des signatures thermiques le long du pipeline pour localiser l'endroit où elle se produit.

La vidéo peut également jouer son rôle dans la surveillance environnementale générale aux côtés des capteurs IoT qui mesurent la contamination chimique dans l'air et l'eau, l'humidité et les vibrations dans le sol, le suivi météorologique, ainsi que la chaleur et l'humidité ambiantes. La vidéo a été utilisée pour enregistrer le débit d'eau dans les cours d'eau afin de détecter le risque d'inondation, qui peut être utilisée avec d'autres données de capteurs pour remplir des modèles hydrologiques qui peuvent prédire les risques possibles pour les actifs ou la sécurité contre les inondations. D'un point de vue plus simple, l'analyse vidéo en temps réel peut également être utilisée pour enregistrer des événements et les stocker pour une analyse médico-légale ultérieure. Seules les séquences vidéo qui s'écartent du schéma normal sont stockées et peuvent être rappelées ultérieurement lors de l'enquête sur les causes qui pourraient avoir conduit à un incident majeur.

L'analyse vidéo commence également à jouer un rôle essentiel dans la maintenance préventive des actifs énergétiques, y compris les pipelines, les lignes électriques et les équipements. La maintenance prédictive exploite les flux de données, audio et vidéo IoT - à l'aide d'analyses de données avancées - pour prédire le moment optimal pour la maintenance et le remplacement des actifs. Cela contraste avec la maintenance préventive traditionnelle, qui peut entraîner des pertes en rénovant ou en remplaçant des actifs qui sont en fait encore en état de fonctionnement. Cela revient à jeter une boîte de conserve simplement parce qu'elle a atteint la date de péremption indiquée, sans d'abord l'ouvrir pour voir si le contenu est toujours bon.

L'évaluation basée sur les conditions, quant à elle, peut utiliser des analyses en temps réel pour prévoir les temps de défaillance et optimiser les options de maintenance. Il réduit également les coûts, augmente l'utilisation, améliore la sécurité et minimise les retards et les pertes de revenus. L'analyse avancée peut également briser les silos de données en corrélant la vidéo et les données des capteurs IoT, les informations environnementales et les tendances historiques pour fournir des renseignements sur les opérations, résoudre des problèmes opérationnels et de maintenance spécifiques. , et optimiser les cycles de vie des actifs.

De toute évidence, l'analyse de données en temps réel à l'aide de l'apprentissage automatique et de l'IA révolutionne presque tous les aspects du secteur de l'énergie. Les appareils et capteurs IoT attirent la part du lion de l'attention, mais la vidéo connaît également une seconde vie en tant que source critique de données visuelles. Ces systèmes d'analyse surmontent l'un des principaux problèmes qui ont tourmenté la première génération de CCTV ; à savoir, le tuyau d'incendie qu'ils produisaient était tout simplement trop coûteux à surveiller. L'analyse vidéo, associée à d'autres types de détection IoT, est désormais en mesure de présenter des quantités de données consommables avec un taux de pertinence beaucoup plus élevé pour l'industrie et aide à concentrer ce tuyau d'incendie là où il est le plus nécessaire.