リアルタイム動画解析がエネルギー資産のセキュリティを強化

新世代の動画アプリケーションは、カメラをIoTデバイスのように扱い、資産状態の監視、バーコードやナンバープレート、車両・人員の動きによる機器識別を行います。

動画カメラはエネルギー分野で長年普及してきました。資産集約型産業であるため、非常に高価な設備と危険を伴う操作を守る必要があるからです。その結果、境界警備と一般監視がエネルギー分野での動画活用における重要なアプリケーションでした。しかし、カメラを全く異なるタスクに使用するアプリケーションが出現し、動画、特に解析の役割が新たに拡大しています。

関連記事: リアルタイム動画が多すぎる？ ビジュアル解析が解決

この新世代の動画アプリケーションは、カメラをIoTデバイスのように扱い、資産状態の監視、バーコードやナンバープレート、車両・人員の動きによる機器識別を行います。また、リアルタイム動画セキュリティにおいてもはるかに効率的です。この成長を支える鍵となる技術革新は、機械学習と人工知能（AI）に基づく高度な動画解析の活用です。

動画解析の概念はシンプルです。境界監視を例にとると、カメラが記録する映像の99%は日々ほぼ同じ光景です。そのため、侵入者がフェンスを切断したとき、解析アプリケーションが正確に何を見ているかわからなくても、通常監視している光景とは「異なる」ことを検知します。機械学習の用語で言えば「異常（アノマリー）」です。

監視解析が異常に遭遇すると、セキュリティ担当者にアラートを送り、該当映像を確認させます。担当者は即座に侵入事案かどうかを判断できます。アプリケーション自体がそれほど賢くなくても構いません。これにより、担当者が潜在的侵入の数分のために数百、数千時間の映像を監視し続ける必要がなくなります。動画解析プログラムは映像をフィルタリングし、実際に重要かもしれない断片のみを提示します。

異常が単なる野生動物や迷い犬だった場合、担当者はプログラムに「無視するよう教える」ことができます。アプリケーションは犬のパターンを記憶し、それ以降は脅威として扱いません。

同様のアプリケーションを作る初期の試みは、既知の脅威やインシデントパターンを解析アプリケーションに事前設定する直接的アプローチを取りました。しかし、脅威が非常に明確で形が予測可能な場合（歯車や車輪のような円形物体の変形など）を除き、あまり成功しませんでした。多くの監視・モニタリングでは、インシデントパターンが一貫しておらず、事前プログラミングが不可能だからです。

ここで機械学習とリアルタイム解析が活躍します。例えば、石炭採掘現場の交差点を監視するカメラは、鉱石を運ぶトラックの往来を常時記録します。これは単なる静的な境界フェンスではありません。それでもアプリケーションは時間とともに、どの活動パターンが正常でどれが異常かを学習できます。こうしてリアルタイム動画アプリケーションは、自律走行トラックが交差点中央で故障したり、落下物が道路を塞いだりした際に問題を認識します。プログラムに何かをプログラムする必要はなく、正常と異常を推論し、担当者からのフィードバックで「正常」と判断された異常を学習します。

運用ITの観点からも、動画解析の大きな利点はネットワークを流れる動画量を削減できる点です。従来のCCTVソリューションはカメラ専用ネットワークを必要としましたが、動画解析ならネットワークエッジでホストし、動画をローカル処理できます。関心のない99%の映像は破棄またはローカル保存し、異常映像のみをメインの有線・無線ネットワーク経由で中央クラウドサーバーに送信できます。

動画解析プログラムは、音声、テレメトリ、IoTセンサーデータなど他ソースのデータも統合できます。例えば、停止した自律走行鉱石運搬トラックのケースでは、動画解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も監視し、トラックがネットワーク接続を失い、シグナル取得待ち状態（Wi-Fiメッシュネットワークでよくある現象）だと理解できます。この場合は停止トラックを無視するよう教え、他のケースでは無視しないよう設定できます。

エネルギー・ユーティリティ分野のあらゆる部分で異なるユースケースがあります。風力発電所では、リアルタイム動画解析で鳥の群れを検知し、接近時にタービンブレードを停止して衝突を防ぎます。ガスパイプラインでは、赤外線カメラとIoTガスモニターを組み合わせ、漏洩検知アラーム時に動画解析でパイプライン沿いの熱源をスキャンし、漏洩箇所を特定します。

動画は、大気・水質の化学汚染、土壌の水分・振動、気象、周囲の温度・湿度を測定するIoTセンサーとともに、一般的な環境監視にも役立ちます。川の水流を記録して氾濫リスクを検知し、他のセンサーデータと合わせて水理モデルに入力すれば、氾濫による資産や安全へのリスクを予測可能です。よりシンプルな側面では、リアルタイム動画解析で正常パターンから外れた映像のみをログ記録・保存し、後で重大インシデントの原因究明時に呼び出せます。

動画解析は、パイプライン、送電線、設備などエネルギー資産の予防保全でも重要な役割を果たし始めています。予知保全は、IoTデータ、音声、動画ストリームを高度なデータ解析で活用し、資産の最適なメンテナンス・交換時期を予測します。これは、実際にはまだ使用可能な資産を改修・交換してしまう従来の予防保全とは対照的です。賞味期限が来ただけで中身を確認せずに缶詰を捨ててしまうようなものです。

一方、状態ベース評価なら、リアルタイム解析で故障時期を予測し、メンテナンスオプションを最適化できます。コスト削減、稼働率向上、安全性強化、遅延と収益損失の最小化も実現します。高度な解析は、動画とIoTセンサーデータ、環境情報、履歴トレンドを相関させ、データサイロを解消し、運用インテリジェンスを提供し、具体的な運用・保守課題を解決し、資産ライフサイクルを最適化します。

明らかに、機械学習とAIを用いたリアルタイムデータ解析が、エネルギービジネスのほぼあらゆる隅々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の大半を集めていますが、動画も視覚データの重要なソースとして第二の人生を歩み始めています。これらの解析システムは、第一世代CCTVが抱えていた主要課題、すなわち生成される映像の大量放出（ファイアホース）が監視コスト的に不可能だった問題を克服します。動画解析と他のIoTセンシングを組み合わせれば、業界にとって関連性の高い消化可能なデータ量を、はるかに高い関連率で提示し、ファイアホースを最も必要な場所に集中させられます。