Bebiendo del video Firehose:uso de energía de análisis en tiempo real

Una generación de aplicaciones de video trata a las cámaras más como dispositivos de Internet de las cosas (IoT) mediante el monitoreo de las condiciones de los activos, la identificación de equipos mediante códigos de barras, placas de matrícula o el movimiento de vehículos y personal.

Las cámaras de video son omnipresentes en el sector de la energía y lo han sido durante muchos años. Al ser industrias intensivas en activos, tienen muchos equipos y operaciones muy costosos que pueden representar peligros para proteger. Como resultado, la seguridad perimetral y la vigilancia general son aplicaciones críticas para el video en energía. Sin embargo, están surgiendo aplicaciones que usan cámaras para tareas completamente diferentes, creando un rol nuevo y en expansión para el video y, especialmente, el análisis.

Ver también: ¿Demasiado video en tiempo real? El análisis visual puede ayudar

Esta nueva generación de aplicaciones de video trata a las cámaras más como los dispositivos de Internet de las cosas (IoT) mediante el monitoreo de las condiciones de los activos, la identificación de equipos mediante códigos de barras, placas de matrícula o el movimiento de vehículos y personal. También son mucho más eficientes en la seguridad de video en tiempo real. La innovación tecnológica clave detrás de este crecimiento es el uso de análisis de video sofisticados basados ​​en aprendizaje automático e inteligencia artificial (IA).

El concepto de análisis de video es bastante simple. Para usar el ejemplo de la vigilancia perimetral, el 99% del tiempo, la escena que graba una cámara es prácticamente la misma día tras día. Por lo tanto, cuando un intruso realmente atraviesa la cerca, es posible que una aplicación de análisis no sepa exactamente lo que está viendo, pero sabe que es diferente de lo que normalmente vigila. Es, en el lenguaje del aprendizaje automático, "una anomalía".

Cuando el análisis de vigilancia confronta una anomalía, la aplicación puede alertar a alguien en seguridad para que vea ese video. El personal de seguridad puede entonces verificar inmediatamente si se trata de un evento de intrusión o no; la aplicación no tiene que ser tan inteligente. Esto evita que el personal tenga que ver cientos o miles de horas de video solo para captar los pocos minutos cuando ocurre una posible intrusión. Un programa de análisis de video esencialmente filtra el metraje y presenta solo las partes que realmente podrían importar.

Si resulta que la anomalía es simplemente la vida silvestre local o un perro errante, el personal puede “enseñar” al programa a ignorarlo. La aplicación luego almacena el patrón del perro y ya no lo trata como una amenaza.

Los primeros intentos de crear aplicaciones similares adoptaron un enfoque directo al tratar de configurar previamente la aplicación de análisis con patrones de amenazas o incidentes conocidos. Sin embargo, estos tuvieron menos éxito a menos que la amenaza fuera muy conocida y de forma predecible, como una deformación en un objeto redondo, como un engranaje o una rueda. Sin embargo, para muchos tipos de vigilancia y monitoreo, el patrón de incidentes no es lo suficientemente consistente como para programar previamente.

Aquí es donde el aprendizaje automático y el análisis en tiempo real cobran protagonismo. Por ejemplo, una cámara que observa una intersección en una operación minera de carbón registra constantemente el movimiento de los camiones que transportan el mineral. Esto no es solo una valla perimetral estática donde nunca pasa nada. No obstante, la aplicación puede aprender con el tiempo a comprender qué patrones de actividad son normales y cuáles no. De esta manera, una aplicación de video en tiempo real puede reconocer un problema cuando un camión autónomo se descompone en medio de la intersección, o un objeto se cae y bloquea la vía. El programa no tiene que tener nada programado en él. Simplemente deduce lo que es normal y lo que no, con comentarios ocasionales del personal para indicar cuándo una anomalía se puede considerar "normal".

Desde una perspectiva operativa de TI, una de las grandes ventajas del análisis de video es que también reduce la cantidad de video que debe atravesar una red. Por ejemplo, las soluciones tradicionales de CCTV requerían redes dedicadas para las cámaras, mientras que el análisis de video en realidad se puede alojar en el borde de la red a medida que el video se procesa localmente. El 99 % del video que se está grabando y que no tiene interés también se puede descartar o almacenar localmente, mientras que las secuencias de video anómalas, que son mucho más reducidas, se pueden enviar a través de la red cableada o inalámbrica principal a un servidor central en la nube.

Los programas de análisis de video también pueden agregar datos de otras fuentes, como audio, telemetría y datos de sensores IoT. Por ejemplo, con el transportador de mineral autónomo parado, el programa de análisis de video también podría estar monitoreando los mensajes de latidos entre el camión y la red de comunicaciones y comprender que el camión ha perdido su conexión de red y está esperando para adquirir una señal, algo común con las redes de malla Wi-Fi. . También podría enseñarse a ignorar el camión atascado en este caso, pero no en otros.

Hay diferentes casos de uso para cada parte del sector de energía y servicios públicos. Los parques eólicos, por ejemplo, podrían usar análisis de video en tiempo real para identificar bandadas de pájaros. Cuando la cámara registra el acercamiento de una bandada, las palas de la turbina se apagan para evitar colisiones. Otra aplicación para gasoductos utiliza cámaras infrarrojas en combinación con monitores de gas IoT. Cuando la presencia de una fuga activa una alarma, se puede solicitar al programa de análisis de video que busque señales de calor a lo largo de la tubería para ubicar dónde está ocurriendo.

El video también puede desempeñar su papel en el monitoreo ambiental general junto con los sensores IoT que miden la contaminación química en el aire y el agua, la humedad y las vibraciones en el suelo, el seguimiento del clima, así como el calor y la humedad ambiental. El video se ha utilizado para registrar el flujo de agua en los arroyos para detectar el riesgo de inundación, que se puede usar con otros datos de sensores para completar modelos hidrológicos que pueden predecir posibles riesgos para los activos o la seguridad de las inundaciones. En el lado más simple, el análisis de video en tiempo real también se puede usar para registrar eventos y almacenarlos para un análisis forense posterior. Solo se almacenan las secuencias de video que se apartan del patrón normal y luego se pueden recuperar cuando se investigan las causas que podrían haber llevado a un incidente importante.

El análisis de video también está comenzando a desempeñar un papel fundamental en el mantenimiento preventivo de los activos de energía, incluidas las tuberías, las líneas eléctricas y los equipos. El mantenimiento predictivo aprovecha los flujos de datos, audio y video de IoT, utilizando análisis de datos avanzados, para predecir el momento óptimo para el mantenimiento y el reemplazo de activos. Esto contrasta con el mantenimiento preventivo tradicional, que puede generar desperdicio al restaurar o reemplazar activos que en realidad todavía están en condiciones de servicio. Es como tirar una lata de comida simplemente porque ha llegado a la fecha de caducidad marcada, sin abrirla primero para ver si el contenido sigue en buen estado.

La evaluación basada en la condición, por otro lado, puede usar análisis en tiempo real para predecir los tiempos de falla y optimizar las opciones de mantenimiento. También reduce los costos, aumenta la utilización, mejora la seguridad y minimiza los retrasos y la pérdida de ingresos. Los análisis avanzados también pueden desglosar los silos de datos al correlacionar videos y datos de sensores IoT, información ambiental y tendencias históricas para brindar inteligencia operativa y resolver problemas operativos y de mantenimiento específicos. y optimizar los ciclos de vida de los activos.

Claramente, el análisis de datos en tiempo real mediante el aprendizaje automático y la IA está revolucionando casi todos los rincones del negocio de la energía. Los dispositivos y sensores de IoT están acaparando la mayor parte de la atención, pero el video también está cobrando una segunda vida como fuente fundamental de datos visuales. Estos sistemas de análisis superan uno de los problemas principales que aquejaron a la primera generación de CCTV; es decir, la manguera contra incendios de metraje que producirían era simplemente demasiado costosa para monitorear. El análisis de video, combinado con otros tipos de IoTsensing, ahora puede presentar cantidades consumibles de datos con una tasa mucho más alta de relevancia para la industria y está ayudando a enfocar esa manguera contra incendios donde más se necesita.