Analytique vidéo temps réel renforçant la sécurité des actifs énergétiques

Une génération d'applications vidéo traite les caméras plus comme des appareils Internet des Objets (IoT) en surveillant les conditions d'actifs, identifiant équipements via codes-barres, plaques d'immatriculation, ou mouvement de véhicules et personnel.

Au-delà de la surveillance périmétrique traditionnelle

Les caméras vidéo sont omniprésentes dans le secteur énergétique depuis de nombreuses années. Étant des industries à forte intensité d'actifs, elles ont beaucoup d'équipements et opérations très coûteux qui peuvent poser des dangers à protéger. En résultat, la sécurité périmétrique et la surveillance générale sont des applications critiques pour la vidéo dans l'énergie. Cependant, des applications émergent qui utilisent les caméras pour des tâches complètement différentes — créant un rôle nouveau et en expansion pour la vidéo et, surtout, l'analytique.

Voir aussi : Trop de vidéo temps réel ? L'analytique visuelle peut aider

Cette nouvelle génération d'applications vidéo traite les caméras plus comme des appareils IoT en surveillant les conditions d'actifs, identifiant équipements via codes-barres, plaques d'immatriculation, ou mouvement de véhicules et personnel. Elles sont aussi beaucoup plus efficaces pour la sécurité vidéo temps réel. L'innovation technologique clé derrière cette croissance est l'utilisation d'analytique vidéo sophistiquée basée sur machine learning et intelligence artificielle (IA).

Le concept d'analytique vidéo est assez simple. Pour utiliser l'exemple de la surveillance périmétrique, 99 % du temps, la scène qu'une caméra enregistre est virtuellement la même chose jour après jour. Donc, quand un intrus coupe réellement la clôture, une application d'analytique 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 du machine learning, « une anomalie. »

Quand l'analytique de surveillance confronte une anomalie, l'application peut alerter quelqu'un en sécurité pour visionner ces images. Le personnel de sécurité peut alors immédiatement vérifier si c'est un événement d'intrusion ou pas ; l'application n'a pas besoin d'être si intelligente. Cela évite au personnel de devoir regarder des centaines, ou milliers, d'heures de vidéo juste pour attraper les quelques minutes où une intrusion potentielle se produit. Un programme d'analytique vidéo filtre essentially les images et ne présente que les morceaux qui pourraient réellement importer.

S'il s'avère que l'anomalie est simplement de la faune locale ou un chien errant, le personnel peut « enseigner » au programme de l'ignorer. L'application stocke alors le motif du chien et ne le traite plus comme une menace.

Les premières tentatives pour créer des applications similaires prenaient une approche directe en essayant de pré-configurer l'application d'analytique avec des motifs de menace ou d'incident connus. Cependant, celles-ci étaient moins réussies sauf si la menace était très bien connue et prévisible en forme, comme une déformation dans un objet rond, tel qu'un engrenage ou une roue. Pour beaucoup de types de surveillance et monitoring, cependant, le motif d'incident n'est pas assez consistant pour être pré-programmé.

C'est là que le machine learning et l'analytique temps réel viennent au premier plan. Par exemple, une caméra surveillant une intersection dans une opération minière de charbon enregistre constamment le mouvement de camions qui passent en transportant du minerai. Ce n'est pas juste une clôture périmétrique statique où rien n'arrive jamais. Néanmoins, l'application peut apprendre au fil du temps à comprendre quels motifs d'activité sont normaux et lesquels ne le sont pas. De cette façon, une application vidéo temps réel peut reconnaître un problème quand un camion autonome tombe en panne au milieu de l'intersection, ou un objet tombe et bloque la route. Le programme n'a rien à avoir programmé en lui. Il déduit simplement ce qui est normal et ce qui ne l'est pas, avec un feedback occasionnel du personnel pour lui dire quand une anomalie peut être considérée « normale. »

D'une perspective IT opérationnelle, un des grands avantages de l'analytique vidéo est qu'elle réduit aussi la quantité de vidéo qui doit traverser un réseau. Par exemple, les solutions CCTV traditionnelles requéraient des réseaux dédiés pour les caméras, alors que l'analytique vidéo peut réellement être hébergée à l'edge du réseau alors que la vidéo est traitée localement. Les 99 % de vidéo enregistrée qui n'est d'aucun intérêt peuvent alors être jetés ou stockés localement, tandis que les images vidéo anormales, qui sont beaucoup réduites, peuvent être envoyées sur le réseau câblé ou sans fil primaire vers un serveur cloud central.

Les programmes d'analytique vidéo peuvent aussi ajouter des données d'autres sources comme audio, télémétrie, et données de capteurs IoT. Par exemple, avec le camion de minerai autonome en panne, le programme d'analytique vidéo pourrait aussi surveiller les messages de heartbeat entre le camion et le réseau de communications et comprendre que le camion a perdu sa connexion réseau et attend d'acquérir un signal — une occurrence commune avec les réseaux mesh Wi-Fi. Il pourrait aussi être enseigné à ignorer le camion arrêté dans ce cas, mais pas dans d'autres.

Il y a différents cas d'usage pour chaque partie du secteur énergie et utilities. Les parcs éoliens, par exemple, pourraient utiliser l'analytique vidéo temps réel pour identifier des vols d'oiseaux. Quand la caméra enregistre l'approche d'un vol, les pales d'éolienne sont arrêtées pour éviter les collisions. Une autre application pour pipelines de gaz utilise des caméras infrarouges en combinaison avec des moniteurs de gaz IoT. Quand la présence d'une fuite déclenche une alarme, le programme d'analytique vidéo peut être incité à scanner les signatures thermiques le long du pipeline pour localiser où elle se produit.

La vidéo peut aussi jouer son rôle dans la surveillance environnementale générale aux côtés de capteurs IoT mesurant contamination chimique dans air et eau, humidité et vibrations dans sol, météo, ainsi que chaleur et humidité ambiantes. La vidéo a été utilisée pour enregistrer le flux d'eau dans les ruisseaux pour détecter le risque d'inondation, qui peut être utilisé avec d'autres données de capteurs pour peupler des modèles hydrologiques qui peuvent prédire les risques possibles pour les actifs ou la sécurité depuis les inondations. Du côté plus simple, l'analytique vidéo temps réel peut aussi être utilisée pour logger des événements et les stocker pour analyse forensic plus tard. Seules les images vidéo qui s'écartent du motif normal sont stockées et peuvent plus tard être rappelées quand on enquête sur les causes qui auraient pu mener à un incident majeur.

L'analytique vidéo commence à jouer un rôle critique dans la maintenance préventive des actifs énergétiques aussi, incluant pipelines, lignes électriques, et équipements. La maintenance prédictive exploite données IoT, audio, et flux vidéo — en utilisant de l'analytique de données avancée — pour prédire le moment optimal pour maintenance et remplacement d'actifs. Cela contraste avec la maintenance préventive traditionnelle, qui peut mener au gaspillage en rénovant ou remplaçant des actifs qui sont en fait encore en condition serviceable. C'est akin à jeter une boîte de conserve juste parce qu'elle a atteint la date d'expiration tamponnée, sans l'ouvrir d'abord pour voir si le contenu est encore bon.

L'évaluation basée sur la condition, d'autre part, est capable d'utiliser l'analytique temps réel pour prédire les temps de défaillance et optimiser les options de maintenance. Cela réduit aussi les coûts, augmente l'utilisation, améliore la sécurité, et minimise les retards et pertes de revenus. L'analytique avancée peut aussi briser les silos de données en corrélant vidéo et données de capteurs IoT, informations environnementales, et tendances historiques pour fournir de l'intelligence opérationnelle, résoudre des points de douleur opérationnels et de maintenance spécifiques, et optimiser les cycles de vie d'actifs.

Clairement, l'analytique de données temps réel utilisant machine learning et IA révolutionne presque chaque coin du business énergétique. Les appareils et capteurs IoT obtiennent la part du lion de l'attention, mais la vidéo obtient aussi une seconde vie comme source critique de données visuelles. Ces systèmes d'analytique surmontent un des problèmes principaux qui plagaient la première génération de CCTV ; à savoir, le tuyau d'incendie de footage qu'ils produisaient était simplement trop cher à monitorer. L'analytique vidéo, mélangée avec d'autres types de détection IoT, sont maintenant capables de présenter des quantités consommables de données avec un taux de pertinence beaucoup plus élevé pour l'industrie et aident à concentrer ce tuyau d'incendie où il est le plus nécessaire.