Análise de Vídeo em Tempo Real Capacitando Segurança de Ativos de Energia

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

Câmeras de vídeo são onipresentes no setor de energia e têm sido por muitos anos. Sendo indústrias intensivas em ativos, elas têm muitos equipamentos e operações muito caros que podem representar perigos para proteger. Como resultado, segurança de perímetro e vigilância geral são aplicações críticas para vídeo em energia. No entanto, aplicações estão emergindo que usam câmeras para tarefas completamente diferentes — criando um papel novo e em expansão para vídeo e, especialmente, análises.

Veja também: Demasiado Vídeo em Tempo Real? Análise Visual Pode Ajudar

Esta nova geração de aplicações de vídeo trata câmeras mais como dispositivos Internet das Coisas (IoT) monitorando condições de ativos, identificando equipamentos usando códigos de barras, placas de licença ou o movimento de veículos e pessoal. Elas também são muito mais eficientes em segurança de vídeo em tempo real. A inovação tecnológica chave por trás deste crescimento é o uso de análises de vídeo sofisticadas baseadas em machine learning e inteligência artificial (IA).

O conceito de análise de vídeo é simples o suficiente. Para usar o exemplo de vigilância de perímetro, 99% do tempo, a cena que uma câmera grava é virtualmente a mesma coisa dia após dia. Então, quando um intruso realmente corta a cerca, uma aplicação de análise pode não saber exatamente o que está vendo, mas sabe que é diferente do que normalmente vigia. É, na linguagem de machine learning, "uma anomalia".

Quando a análise de vigilância confronta uma anomalia, a aplicação pode alertar alguém em segurança para ver aquele footage. Pessoal de segurança pode então verificar imediatamente se é um evento de intrusão ou não; a aplicação não precisa ser tão inteligente. Isso poupa pessoal de ter que assistir centenas, ou milhares, de horas de vídeo apenas para pegar os poucos minutos quando uma intrusão potencial ocorre. Um programa de análise de vídeo essencialmente filtra o footage e apresenta apenas os pedaços que podem realmente importar.

Se acontecer que a anomalia é simplesmente vida selvagem local ou um cachorro vagando, pessoal pode "ensinar" o programa a ignorá-lo. A aplicação então armazena o padrão do cachorro e não o trata mais como uma ameaça.

Tentativas iniciais de criar aplicações similares tomaram uma abordagem direta tentando pré-configurar a aplicação de análise com padrões de ameaça ou incidente conhecidos. No entanto, estas foram menos bem-sucedidas a menos que a ameaça fosse muito bem conhecida e previsível em 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 machine learning e análises em tempo real estão vindo à tona. Por exemplo, uma câmera que está vigiando uma interseção em uma operação de mineração de carvão está constantemente gravando o movimento de caminhões enquanto passam transportando minério. Isso não é apenas uma cerca de perímetro estática onde nada nunca acontece. Ainda assim, a aplicação pode aprender com o tempo a entender quais padrões de atividade são normais e quais não são. Dessa forma, uma aplicação de vídeo em tempo real pode reconhecer um problema quando um caminhão autônomo quebra no meio da interseção, ou um objeto cai e bloqueia a estrada. O programa não precisa ter nada programado nele. Ele simplesmente deduz o que é normal e o que não é, com feedback ocasional de pessoal para dizer quando uma anomalia pode ser considerada "normal".

Do ponto de vista de TI operacional, uma das grandes vantagens da análise de vídeo é que ela também reduz a quantidade de vídeo que deve atravessar uma rede. Por exemplo, soluções CCTV tradicionais requeriam redes dedicadas para as câmeras, enquanto análise de vídeo pode realmente ser hospedada na borda da rede conforme o vídeo é processado localmente. Os 99% de vídeo sendo gravado que não é de interesse pode então ser descartado ou armazenado localmente, enquanto o footage de vídeo anômalo, que é muito reduzido, pode ser enviado sobre a rede cabeada ou sem fio primária para um servidor de nuvem central.

Programas de análise de vídeo também podem adicionar dados de outras fontes como áudio, telemetria e dados de sensores IoT. Por exemplo, com o caminhão de minério autônomo parado, o programa de análise de vídeo pode também estar monitorando mensagens de heartbeat entre o caminhão e a rede de comunicações e entender que o caminhão perdeu sua conexão de rede e está esperando para adquirir um sinal — uma ocorrência comum com redes mesh Wi-Fi. Também poderia ser ensinado a ignorar o caminhão parado neste caso, mas não em outros.

Existem diferentes casos de uso para cada parte do setor de energia e utilidades. 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 usa câmeras infravermelhas em combinação com monitores de gás IoT. Quando a presença de um vazamento dispara um alarme, o programa de análise de vídeo pode ser solicitado a escanear assinaturas de calor ao longo do gasoduto para localizar onde está ocorrendo.

Vídeo também pode desempenhar seu papel em monitoramento ambiental geral junto com sensores IoT que medem contaminação química em ar e água, umidade e vibrações no solo, rastreamento climático, bem como calor e umidade ambiente. Vídeo tem sido usado para registrar fluxo de água em riachos para detectar risco de inundação, que pode ser usado com outros dados de sensores para popular modelos hidrológicos que podem prever possíveis riscos a ativos ou segurança de inundações. No lado mais simples, análises de vídeo em tempo real também podem ser usadas para registrar eventos e armazená-los para análise forense posterior. Apenas footage de vídeo que se desvia do padrão normal é armazenado e pode ser chamado posteriormente ao investigar causas que podem ter levado a um incidente maior.

Análises de vídeo estão começando a desempenhar um papel crítico em manutenção preventiva de ativos de energia também, incluindo gasodutos, linhas de energia e equipamentos. Manutenção preditiva aproveita dados IoT, áudio e streams de vídeo — usando análises avançadas de dados — para prever o momento ótimo para manutenção e substituição de ativos. Isso contrasta com manutenção preventiva tradicional, que pode levar a desperdício reformando ou substituindo ativos que estão realmente ainda em condições utilizáveis. É semelhante a jogar fora uma lata de comida só porque alcançou a data de validade carimbada, sem antes abri-la para ver se o conteúdo ainda está bom.

Avaliação baseada em condição, por outro lado, é capaz de usar análises em tempo real para prever tempos de falha e otimizar opções de manutenção. Também reduz custos, aumenta utilização, aumenta segurança e minimiza atrasos e perda de receita. Análises avançadas também podem quebrar silos de dados correlacionando vídeo e dados de sensores IoT, informações ambientais e tendências históricas para fornecer inteligência operacional, resolver pontos problemáticos operacionais e de manutenção específicos, e otimizar ciclos de vida de ativos.

Claramente, análises de dados em tempo real usando machine learning e IA estão revolucionando quase todos os cantos do negócio de energia. Dispositivos e sensores IoT estão recebendo a maior parte da atenção, mas vídeo também está tendo uma segunda vida como uma fonte crítica de dados visuais. Esses sistemas de análise superam um dos principais problemas que assolaram a primeira geração de CCTV; nomeadamente, a mangueira de incêndio de footage que produziam era simplesmente muito cara para monitorar. Análises de vídeo, misturadas com outros tipos de sensoriamento IoT, agora são capazes de apresentar quantidades consumíveis de dados com uma taxa muito maior de relevância para a indústria e estão ajudando a focar aquela mangueira de incêndio onde é mais necessária.