ビデオ消防ホースからすすりながら：エネルギーによるリアルタイム分析の使用

ある世代のビデオアプリケーションは、資産の状態を監視し、バーコード、ナンバープレートを使用して機器を識別し、車両や人員の動きを特定することで、カメラをモノのインターネット（IoT）デバイスのように扱います。

ビデオカメラはエネルギー分野で広く普及しており、長年にわたって使用されてきました。資産集約型の産業であるため、保護するのに危険をもたらす可能性のある非常に高価な機器や操作がたくさんあります。結果として、境界セキュリティと一般的な監視は、エネルギーにおけるビデオの重要なアプリケーションです。ただし、完全に異なるタスクにカメラを使用するアプリケーションが登場しています。これにより、ビデオ、特に分析の新しい役割が拡大します。

関連項目： リアルタイムビデオが多すぎますか？ VisualAnalyticsが役立ちます

この新世代のビデオアプリケーションは、資産の状態を監視し、バーコード、ナンバープレート、または車両や人員の動きを使用して機器を識別することにより、カメラをモノのインターネット（IoT）デバイスのように扱います。また、リアルタイムのビデオセキュリティにおいてもはるかに効率的です。この成長の背後にある重要な技術革新は、機械学習と人工知能（AI）に基づく高度なビデオ分析の使用です。

ビデオ分析の概念は十分に単純です。境界監視の例を使用すると、99％の確率で、カメラが記録するシーンはほぼ毎日同じものになります。そのため、侵入者が実際にフェンスを突破した場合、分析アプリケーションは実際に何を見ているのかを正確に把握していない可能性がありますが、通常の監視とは異なることは認識しています。これは、機械学習の言葉で言えば「異常」です。

監視分析が異常に直面した場合、アプリケーションはセキュリティの誰かにその映像を表示するように警告できます。その後、セキュリティ担当者は、それが侵入イベントであるかどうかをすぐに確認できます。アプリケーションはそれほどスマートである必要はありません。これにより、侵入の可能性が発生した数分をキャッチするためだけに、数百時間または数千時間のビデオを視聴する必要がなくなります。ビデオ分析プログラムは、基本的にフッテージをフィルタリングし、実際に重要となる可能性のあるビットのみを表示します。

異常が単に地元の野生動物または放浪犬であることが判明した場合、担当者はプログラムにそれを無視するように「教える」ことができます。その後、アプリケーションは犬のパターンを保存し、それを脅威として扱いません。

同様のアプリケーションを作成する初期の試みは、既知の脅威のインシデントパターンを使用して分析アプリケーションを事前構成しようとすることにより、直接的なアプローチを取りました。ただし、歯車やホイールなどの丸い物体の変形など、脅威が非常によく知られており、形式が予測可能でない限り、これらはあまり成功しませんでした。ただし、多くの種類の監視および監視では、インシデントパターンは事前にプログラムするのに十分な一貫性がありません。

ここで、機械学習とリアルタイム分析が前面に出てきます。たとえば、採炭作業で交差点を監視しているカメラは、鉱石を運搬してトラックが移動するときのトラックの動きを常に記録しています。これは、何も起こらない静的な境界フェンスだけではありません。それにもかかわらず、アプリケーションは、アクティビティのどのパターンが正常でどれがそうでないかを理解するために時間をかけて学習することができます。このように、リアルタイムビデオアプリケーションは、自律型トラックが交差点の真ん中で故障したり、物体が落下して道路を塞いだりしたときに問題を認識することができます。プログラムには何もプログラムする必要はありません。異常が「正常」であると見なすことができる時期を知らせるために、担当者から時折フィードバックがあり、正常なものとそうでないものを単純に推測します。

運用ITの観点から、ビデオ分析の大きな利点の1つは、ネットワークを通過する必要のあるビデオの量も削減できることです。たとえば、従来のCCTVソリューションでは、カメラ専用のネットワークが必要でしたが、ビデオはローカルで処理されるため、ビデオ分析は実際にはネットワークのエッジでホストできます。記録されている関心のない99％のビデオは、ローカルで破棄または保存することもできますが、大幅に削減された異常なビデオ映像は、プライマリケーブルまたはワイヤレスネットワークを介して中央のクラウドサーバーに送信できます。

ビデオ分析プログラムは、オーディオ、テレメトリ、IoTセンサーからのデータなどの他のソースからのデータを追加することもできます。たとえば、停滞している自律型鉱石運搬装置では、ビデオ分析プログラムがトラックと通信ネットワーク間のハートビートメッセージを監視し、トラックがネットワーク接続を失い、信号の取得を待機していることを理解する場合があります。これはWi-Fiメッシュネットワークでよく発生します。 。この場合、停車中のトラックを無視することもできますが、他の場合は無視できません。

エネルギーおよびユーティリティセクターのすべての部分に異なるユースケースがあります。たとえば、風力発電所では、リアルタイムのビデオ分析を使用して鳥の群れを特定する場合があります。カメラが群れの接近を記録すると、衝突を避けるためにタービンブレードがシャットダウンされます。ガスパイプラインの別のアプリケーションでは、赤外線カメラをIoTガスモニターと組み合わせて使用​​します。リークの存在がアラームをトリガーすると、ビデオ分析プログラムは、パイプラインに沿って熱の兆候をスキャンして、それが発生している場所を特定するように促されます。

ビデオは、空気と水の化学汚染、土壌の水分と振動、気象追跡、および周囲の熱と湿度を測定するIoTセンサーとともに、一般的な環境監視でもその役割を果たすことができます。ビデオは、洪水のリスクを検出するために小川の水流を記録するために使用されています。これを他のセンサーデータと併用して、資産へのリスクや洪水による安全性を予測できる水文モデルを作成できます。簡単に言うと、リアルタイムのビデオ分析を使用してイベントをログに記録し、後でフォレンジック分析のために保存することもできます。通常のパターンから逸脱したビデオ映像のみが保存され、後で重大なインシデントにつながった可能性のある原因を調査するときに呼び出すことができます。

ビデオ分析は、パイプライン、電力線、機器などのエネルギー資産の予防的保守においても重要な役割を果たし始めています。予知保全は、高度なデータ分析を使用してIoTデータ、オーディオ、およびビデオストリームを活用し、資産の保守と交換の最適な時間を予測します。これは、実際にはまだ使用可能な状態にある資産を改修または交換することによって無駄につながる可能性がある従来の予防保守とは対照的です。賞味期限が切れたからといって、最初に開封して中身が良いかどうかを確認せずに、缶詰を捨てるようなものです。

一方、条件ベースの評価では、リアルタイム分析を使用して障害時間を予測し、メンテナンスオプションを最適化できます。また、コストを削減し、使用率を高め、安全性を高め、遅延と収益の損失を最小限に抑えます。高度な分析では、IoTセンサーからのビデオとデータ、環境情報、および履歴トレンドを相互に関連付けて、運用インテリジェンスを提供し、特定の運用および保守の問題点を解決することで、データのサイロを解消することもできます。 、および資産のライフサイクルを最適化します。

明らかに、機械学習とAIを使用したリアルタイムのデータ分析は、エネルギービジネスのほぼすべての分野に革命をもたらしています。 IoTデバイスとセンサーが注目を集めていますが、ビデオもビジュアルデータの重要なソースとしてセカンドライフを獲得しています。これらの分析システムは、第1世代のCCTVを悩ませていた主要な問題の1つを克服します。つまり、彼らが制作する映像のファイアホースは、監視するには高すぎるだけでした。ビデオ分析を他の種類のIoTセンシングと組み合わせることで、消費可能な量のデータを業界との関連性がはるかに高くなり、最も必要な場所に消火ホースを集中させることができるようになりました。