Bebendo do Video Firehose:o uso de análise em tempo real pela energia

Uma geração de aplicativos de vídeo trata as câmeras mais como dispositivos da Internet das Coisas (IoT), monitorando as condições dos ativos, identificando equipamentos usando códigos de barras, placas ou o movimento de veículos e pessoal.

As câmeras de vídeo são onipresentes no setor de energia e existem há muitos anos. Sendo indústrias de ativos intensivos, eles têm muitos equipamentos e operações muito caros que podem representar riscos a serem protegidos. Como resultado, segurança de perímetro e vigilância geral são aplicações críticas para vídeo em energia. No entanto, estão surgindo aplicativos que usam câmeras para tarefas completamente diferentes – criando uma função nova e em expansão para vídeo e, especialmente, análise.

Veja também: Demasiado vídeo em tempo real? Visual Analytics pode ajudar

Essa nova geração de aplicativos de vídeo trata as câmeras mais como dispositivos da Internet das Coisas (IoT), monitorando as condições dos ativos, identificando equipamentos por meio de códigos de barras, placas de veículos ou o movimento de veículos e pessoal. Eles também são muito mais eficientes em segurança de vídeo em tempo real. A principal inovação tecnológica por trás desse crescimento é o uso de análises de vídeo sofisticadas baseadas em aprendizado de máquina e inteligência artificial (IA).

O conceito de análise de vídeo é bastante simples. Para usar o exemplo da vigilância perimetral, 99% das vezes, a cena que uma câmera registra é praticamente a mesma coisa dia após dia. Assim, quando um intruso atravessa a cerca, um aplicativo de análise pode não saber exatamente o que está vendo, mas sabe que é diferente do que normalmente vigia. É, na linguagem do aprendizado de máquina, “uma anomalia”.

Quando a análise de vigilância enfrenta uma anomalia, o aplicativo pode alertar alguém em segurança para ver essa filmagem. O pessoal de segurança pode verificar imediatamente se é um evento de intrusão ou não; o aplicativo não precisa ser tão inteligente. Isso evita que o pessoal tenha que assistir a centenas ou milhares de horas de vídeo apenas para capturar os poucos minutos em que ocorre uma possível invasão. Um programa de análise de vídeo basicamente filtra as imagens e apresenta apenas os bits que podem realmente importar.

Se for descoberto que a anomalia é simplesmente a vida selvagem local ou um cão errante, o pessoal pode “ensinar” o programa a ignorá-la. O aplicativo então armazena o padrão do cão e não o trata mais como uma ameaça.

As primeiras tentativas de criar aplicativos semelhantes tiveram uma abordagem direta, tentando pré-configurar o aplicativo de análise com padrões conhecidos de ameaças ou incidentes. No entanto, estes tiveram menos sucesso, a menos que a ameaça fosse muito bem conhecida e previsível na forma, como uma deformação em um objeto redondo, como uma engrenagem ou uma roda. Para muitos tipos de vigilância e monitoramento, porém, o padrão de incidente não é consistente o suficiente para pré-programar.

É aqui que o aprendizado de máquina e a análise em tempo real estão se destacando. Por exemplo, uma câmera que está observando um cruzamento em uma operação de mineração de carvão está constantemente gravando o movimento de caminhões enquanto transportam minério. Esta não é apenas uma cerca de perímetro estática onde nada acontece. No entanto, o aplicativo pode aprender ao longo do tempo a entender quais padrões de atividade são normais e quais não são. Dessa forma, um aplicativo de vídeo em tempo real pode reconhecer um problema quando um caminhão autônomo quebra no meio do cruzamento ou um objeto cai e bloqueia a via. O programa não precisa ter nada programado nele. Ele simplesmente deduz o que é normal e o que não é, com feedback ocasional do pessoal para dizer quando uma anomalia pode ser considerada “normal”.

De uma perspectiva operacional de TI, uma das grandes vantagens da análise de vídeo é que ela também reduz a quantidade de vídeo que deve atravessar uma rede. Por exemplo, as soluções tradicionais de CFTV exigiam redes dedicadas para as câmeras, enquanto a análise de vídeo pode realmente ser hospedada na borda da rede à medida que o vídeo é processado localmente. Os 99% do vídeo gravado que não tem interesse também pode ser descartado ou armazenado localmente, enquanto as imagens de vídeo anômalas, que são muito reduzidas, podem ser enviadas pela rede cabeada ou sem fio primária para um servidor central em nuvem.

Os programas de análise de vídeo também podem adicionar dados de outras fontes, como áudio, telemetria e dados de sensores de IoT. Por exemplo, com o transportador de minério autônomo parado, o programa de análise de vídeo também pode monitorar mensagens de pulsação entre o caminhão e a rede de comunicações e entender que o caminhão perdeu sua conexão de rede e está aguardando para adquirir um sinal - uma ocorrência comum com redes Wi-Fi mesh . Também poderia ensinar a ignorar o caminhão parado neste caso, mas não em outros.

Existem diferentes casos de uso para cada parte do setor de energia e serviços públicos. Os parques eólicos, por exemplo, podem usar análises de vídeo em tempo real para identificar bandos de pássaros. Quando a câmera registra a aproximação de um bando, as pás da turbina são desligadas para evitar colisões. Outra aplicação para gasodutos utiliza câmeras infravermelhas em combinação com monitores de gás IoT. Quando a presença de um vazamento aciona um alarme, o programa de análise de vídeo pode ser solicitado a procurar assinaturas de calor ao longo da tubulação para localizar onde está ocorrendo.

O vídeo também pode desempenhar seu papel no monitoramento ambiental geral ao lado de sensores de IoT que medem a contaminação química no ar e na água, umidade e vibrações no solo, rastreamento climático, bem como calor e umidade do ambiente. O vídeo tem sido usado para registrar o fluxo de água em córregos para detectar o risco de inundação, que pode ser usado com outros dados de sensores para preencher modelos hidrológicos que podem prever possíveis riscos aos ativos ou segurança de inundações. No lado mais simples, a análise de vídeo em tempo real também pode ser usada para registrar eventos e armazená-los para análise forense posterior. Apenas as imagens de vídeo que fogem do padrão normal são armazenadas e podem ser acessadas posteriormente ao investigar as causas que podem ter levado a um incidente grave.

A análise de vídeo também está começando a desempenhar um papel crítico na manutenção preventiva de ativos de energia, incluindo tubulações, linhas de transmissão e equipamentos. A manutenção preditiva aproveita os fluxos de dados, áudio e vídeo da IoT – usando análise avançada de dados – para prever o tempo ideal para manutenção e substituição de ativos. Isso contrasta com a manutenção preventiva tradicional, que pode levar ao desperdício ao reformar ou substituir ativos que ainda estão em condições de uso. É como jogar fora uma lata de comida só porque chegou à data de validade carimbada, sem antes abri-la para ver se o conteúdo ainda está bom.

A avaliação baseada em condições, por outro lado, é capaz de usar análises em tempo real para prever os tempos de falha e otimizar as opções de manutenção. Também reduz custos, aumenta a utilização, aumenta a segurança e minimiza atrasos e perda de receita. A análise avançada também pode quebrar silos de dados correlacionando vídeo e dados de sensores de IoT, informações ambientais e tendências históricas para fornecer inteligência de operações, resolver pontos problemáticos operacionais e de manutenção específicos e otimizar os ciclos de vida dos ativos.

Claramente, a análise de dados em tempo real usando aprendizado de máquina e IA está revolucionando quase todos os cantos do negócio de energia. Dispositivos e sensores de IoT estão recebendo a maior parte da atenção, mas o vídeo também está ganhando uma segunda vida como fonte crítica de dados visuais. Esses sistemas analíticos superam um dos principais problemas que atormentavam a primeira geração de CFTV; ou seja, a mangueira de incêndio que eles produziriam era simplesmente muito cara para monitorar. A análise de vídeo, combinada com outros tipos de IoTsensing, agora pode apresentar quantidades consumíveis de dados com uma taxa muito mais alta de relevância para o setor e estão ajudando a focar a mangueira de incêndio onde ela é mais necessária.