Análisis de video en tiempo real potenciando la seguridad de activos energéticos

Una generación de aplicaciones de video trata las cámaras más como dispositivos de internet de las cosas (IoT) al monitorear condiciones de activos, identificar equipos usando códigos de barras, matrículas o el movimiento de vehículos y personal.

Las cámaras de video son ubicuas en el sector energético 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 papel nuevo y en expansión para el video y, especialmente, para el análisis.

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

Esta nueva generación de aplicaciones de video trata las cámaras más como dispositivos IoT al monitorear condiciones de activos, identificar equipos usando códigos de barras, matrículas o el movimiento de vehículos y personal. También son mucho más eficientes en 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 vigilancia perimetral, el 99% del tiempo, la escena que una cámara graba es virtualmente lo mismo día tras día. Entonces, cuando un intruso realmente corta la cerca, una aplicación de análisis puede no saber exactamente qué está viendo, pero sabe que es diferente a lo que normalmente vigila. En el lenguaje del aprendizaje automático, es "una anomalía".

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

Si resulta que la anomalía es simplemente fauna local o un perro vagabundo, el personal puede "enseñar" al programa a ignorarlo. La aplicación entonces almacena el patrón del perro y ya no lo trata como una amenaza.

Los primeros intentos de crear aplicaciones similares tomaron un enfoque directo al intentar preconfigurar 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 predecible en forma, como una deformación en un objeto redondo, como un engranaje o una rueda. Para muchos tipos de vigilancia y monitoreo, el patrón de incidente no es lo suficientemente consistente para preprogramar.

Aquí es donde el aprendizaje automático y el análisis en tiempo real están saliendo a la luz. Por ejemplo, una cámara que vigila una intersección en una operación de minería de carbón está grabando constantemente el movimiento de camiones mientras pasan transportando mineral. Esto no es solo una cerca perimetral estática donde nunca pasa nada. No obstante, la aplicación puede aprender con el tiempo a entender 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 avería en medio de la intersección, o un objeto cae y bloquea la vía. El programa no tiene que tener nada programado. Simplemente deduce qué es normal y qué no, con retroalimentación ocasional del personal para decirle cuándo una anomalía puede considerarse "normal".

Desde una perspectiva de TI operativa, 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 CCTV tradicionales requerían redes dedicadas para las cámaras, mientras que el análisis de video puede alojarse en el borde de la red mientras el video se procesa localmente. El 99% del video grabado que no es de interés puede entonces descartarse o almacenarse localmente, mientras que el metraje anómalo, que es mucho menor, puede enviarse por la red principal por cable o inalámbrica 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 camión de mineral autónomo detenido, el programa de análisis de video también podría estar monitoreando mensajes de latido entre el camión y la red de comunicaciones y entender que el camión ha perdido su conexión de red y está esperando adquirir una señal, una ocurrencia común con redes Wi-Fi mesh. También podría enseñarse a ignorar el camión detenido en este caso, pero no en otros.

Hay diferentes casos de uso para cada parte del sector energético y de servicios públicos. Los parques eólicos, por ejemplo, podrían usar análisis de video en tiempo real para identificar bandadas de aves. Cuando la cámara registra la aproximación de una bandada, las aspas de la turbina se apagan para evitar colisiones. Otra aplicación para gasoductos usa cámaras infrarrojas en combinación con monitores de gas IoT. Cuando la presencia de una fuga activa una alarma, el programa de análisis de video puede ser instruido para escanear firmas de calor a lo largo del gasoducto para localizar dónde ocurre.

El video también puede jugar su parte en el monitoreo ambiental general junto con sensores IoT que miden contaminación química en aire y agua, humedad y vibraciones en el suelo, seguimiento del clima, así como calor y humedad ambientales. El video se ha usado para registrar el flujo de agua en arroyos para detectar riesgo de inundaciones, lo que puede usarse con otros datos de sensores para poblar modelos hidrológicos que pueden predecir posibles riesgos para activos o seguridad por inundaciones. En el lado más simple, el análisis de video en tiempo real también puede usarse para registrar eventos y almacenarlos para análisis forense posterior. Solo el metraje de video que se desvía del patrón normal se almacena y luego puede recuperarse al investigar las causas que podrían haber llevado a un incidente mayor.

El análisis de video está comenzando a jugar un papel crítico en el mantenimiento preventivo de activos energéticos también, incluyendo tuberías, líneas de energía y equipos. El mantenimiento predictivo aprovecha datos IoT, audio y flujos de video, usando análisis de datos avanzados, para predecir el momento óptimo para mantenimiento y reemplazo de activos. Esto contrasta con el mantenimiento preventivo tradicional, que puede llevar a desperdicio al reformar o reemplazar activos que en realidad aún están en condiciones de servicio. Es similar a tirar una lata de comida solo porque alcanzó la fecha de expiración estampada, sin abrirla primero para ver si el contenido sigue bueno.

La evaluación basada en condiciones, por otro lado, puede usar análisis en tiempo real para predecir tiempos de fallo y optimizar opciones de mantenimiento. También reduce costos, aumenta la utilización, mejora la seguridad y minimiza retrasos y pérdida de ingresos. Los análisis avanzados también pueden romper silos de datos correlacionando video y datos de sensores IoT, información ambiental y tendencias históricas para proporcionar inteligencia operativa, resolver puntos de dolor operativos y de mantenimiento específicos, y optimizar ciclos de vida de activos.

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