Video Firehose에서 한 모금:Energy의 실시간 분석 사용

한 세대의 비디오 애플리케이션은 자산 상태를 모니터링하고 바코드, 번호판 또는 차량 및 인력의 움직임을 사용하여 장비를 식별함으로써 카메라를 사물 인터넷(IoT) 장치처럼 취급합니다.

비디오 카메라는 에너지 부문에서 어디에나 있으며 수년 동안 사용되어 왔습니다. 자산 집약적 산업이기 때문에 보호해야 할 위험을 초래할 수 있는 매우 비싼 장비와 작업이 많이 있습니다. 결과적으로 주변 보안 및 일반 감시는 비디오 에너지 에너지에 대한 중요한 애플리케이션입니다. 그러나 완전히 다른 작업에 카메라를 사용하는 응용 프로그램이 등장하고 있습니다. 즉, 비디오, 특히 분석에 대한 새롭고 확장된 역할을 생성하는 것입니다.

참조: 너무 많은 실시간 비디오? 시각적 분석이 도움이 될 수 있습니다.

이 새로운 세대의 비디오 애플리케이션은 자산 상태를 모니터링하고 바코드, 번호판 또는 차량 및 인력의 움직임을 사용하여 장비를 식별함으로써 카메라를 사물 인터넷(IoT) 장치처럼 취급합니다. 실시간 비디오 보안에서도 훨씬 더 효율적입니다. 이러한 성장의 핵심 기술 혁신은 기계 학습 및 인공 지능(AI)을 기반으로 하는 정교한 비디오 분석의 사용입니다.

비디오 분석의 개념은 충분히 간단합니다. 주변 감시의 예를 들자면, 99%의 시간, 카메라가 녹화하는 장면은 거의 매일 같은 것입니다. 따라서 침입자가 울타리를 넘을 때 분석 애플리케이션은 자신이 보고 있는 것을 정확히 알지 못할 수 있지만 일반적으로 감시하는 것과는 다르다는 것을 알고 있습니다. 머신 러닝의 언어로 "이상"입니다.

감시 분석이 이상 현상에 직면하면 애플리케이션은 보안 담당자에게 해당 영상을 보도록 경고할 수 있습니다. 보안 담당자는 침입 이벤트인지 여부를 즉시 확인할 수 있습니다. 애플리케이션이 그렇게 똑똑할 필요는 없습니다. 이를 통해 직원은 잠재적인 침입이 발생할 때 몇 분을 포착하기 위해 수백 또는 수천 시간의 비디오를 시청하지 않아도 됩니다. 비디오 분석 프로그램은 기본적으로 푸티지를 필터링하고 실제로 중요할 수 있는 비트만 표시합니다.

변칙개가 단순히 지역 야생 동물이나 떠돌아 다니는 개인 것으로 판명되면 직원은 프로그램을 무시하도록 프로그램을 "가르칠" 수 있습니다. 그런 다음 응용 프로그램은 개의 패턴을 저장하고 더 이상 위협으로 취급하지 않습니다.

유사한 응용 프로그램을 만들려는 초기 시도는 알려진 위협 요소 사고 패턴으로 분석 응용 프로그램을 미리 구성하는 직접적인 접근 방식을 취했습니다. 그러나 이러한 위협은 기어나 바퀴와 같은 둥근 물체의 변형과 같이 형태가 매우 잘 알려져 있고 예측할 수 있는 경우가 아니면 성공하지 못했습니다. 그러나 많은 종류의 감시 및 모니터링의 경우 사고 패턴이 사전 프로그램에 충분히 일관되지 않습니다.

여기서 머신 러닝과 실시간 분석이 전면에 등장합니다. 예를 들어, 탄광 작업의 교차로를 감시하는 카메라는 광석을 운반하는 트럭의 움직임을 지속적으로 기록합니다. 이것은 아무 일도 일어나지 않는 단순한 주변 울타리가 아닙니다. 그럼에도 불구하고 애플리케이션은 시간이 지남에 따라 어떤 패턴의 활동이 정상이고 그렇지 않은지 이해할 수 있습니다. 이런 식으로 실시간 비디오 애플리케이션은 자율주행 트럭이 교차로 한가운데서 고장이 나거나 물체가 떨어져 도로를 차단할 때 문제를 인식할 수 있습니다. 프로그램에 프로그램된 내용이 없어도 됩니다. 비정상이 "정상"으로 간주될 수 있을 때 알려주는 직원의 가끔 피드백을 통해 무엇이 정상이고 무엇이 비정상인지 추론합니다.

운영 IT 관점에서 볼 때 비디오 분석의 가장 큰 장점 중 하나는 네트워크를 통과해야 하는 비디오의 양을 줄여준다는 것입니다. 예를 들어, 기존의 CCTV 솔루션에는 카메라 전용 네트워크가 필요했지만 비디오 분석은 비디오가 로컬에서 처리될 때 네트워크 에지에서 실제로 호스팅될 수 있습니다. 관심이 없는 녹화 중인 비디오의 99%는 폐기되거나 로컬에 저장될 수 있으며, 훨씬 감소된 변칙적인 비디오 푸티지는 기본 케이블 또는 무선 네트워크를 통해 중앙 클라우드 서버로 보낼 수 있습니다.

비디오 분석 프로그램은 오디오, 원격 측정 및 IoT 센서의 데이터와 같은 다른 소스의 데이터를 추가할 수도 있습니다. 예를 들어, 정지된 자율 광석 운반기를 사용하면 비디오 분석 프로그램이 트럭과 통신 네트워크 간의 하트비트 메시지를 모니터링하고 트럭이 네트워크 연결이 끊어지고 신호를 받기 위해 대기 중임을 이해할 수 있습니다. Wi-Fi 메시 네트워크에서 흔히 발생하는 현상입니다. . 이 경우에는 정지된 트럭을 무시하도록 속일 수도 있지만 다른 경우에는 그렇지 않습니다.

에너지 및 유틸리티 부문의 모든 부분에는 다양한 사용 사례가 있습니다. 예를 들어 풍력 발전소는 실시간 비디오 분석을 사용하여 새 떼를 식별할 수 있습니다. 카메라가 무리의 접근을 기록하면 충돌을 피하기 위해 터빈 블레이드가 꺼집니다. 가스 파이프라인을 위한 또 다른 애플리케이션은 IoT 가스 모니터와 함께 적외선 카메라를 사용합니다. 누출이 있을 때 경보가 울리면 비디오 분석 프로그램은 파이프라인을 따라 열 서명을 스캔하여 누출이 발생한 위치를 찾을 수 있습니다.

비디오는 또한 공기와 물의 화학적 오염, 토양의 수분 및 진동, 날씨 추적, 주변 열 및 습도를 측정하는 IoT 센서와 함께 일반적인 환경 모니터링에서 역할을 할 수 있습니다. 비디오는 홍수 위험을 감지하기 위해 하천의 물 흐름을 기록하는 데 사용되었으며, 홍수로 인한 자산 또는 안전에 대한 가능한 위험을 예측할 수 있는 수문학적 모델을 채우기 위해 다른 센서 데이터와 함께 사용할 수 있습니다. 간단한 측면에서 실시간 비디오 분석을 사용하여 이벤트를 기록하고 나중에 포렌식 분석을 위해 저장할 수도 있습니다. 정상적인 패턴에서 벗어나는 비디오 푸티지만 저장되며 나중에 대형 사고로 이어질 수 있는 원인을 조사할 때 불러올 수 있습니다.

비디오 분석은 파이프라인, 전력선 및 장비를 포함한 에너지 자산의 예방 유지 관리에도 중요한 역할을 하기 시작했습니다. 예측 유지 관리는 고급 데이터 분석을 사용하여 IoT 데이터, 오디오 및 비디오 스트림을 활용하여 자산의 유지 관리 및 교체를 위한 최적의 시간을 예측합니다. 이것은 실제로 여전히 사용 가능한 상태에 있는 자산을 개조하거나 교체하여 낭비로 이어질 수 있는 전통적인 예방 유지 관리와 대조됩니다. 내용물이 괜찮은지 먼저 개봉하지 않고 유통기한이 도래했다고 해서 캔 캔을 버리는 것과 같다.

반면에 상태 기반 평가는 실시간 분석을 사용하여 장애 시간을 예측하고 유지 관리 옵션을 최적화할 수 있습니다. 또한 비용을 절감하고 활용도를 높이며 안전성을 높이고 지연 및 수익 손실을 최소화합니다. 또한 고급 분석은 IoT 센서의 비디오 및 데이터, 환경 정보, 과거 추세를 연결하여 운영 인텔리전스를 제공하고 특정 운영 및 유지 관리 문제를 해결함으로써 데이터 사일로를 무너뜨릴 수 있습니다. , 자산 수명 주기를 최적화합니다.

분명히 기계 학습과 AI를 사용한 실시간 데이터 분석은 에너지 비즈니스의 거의 모든 영역에서 혁명을 일으키고 있습니다. IoT 장치와 센서가 가장 많은 관심을 받고 있지만 비디오는 시각적 데이터의 중요한 소스로서 제2의 생명을 얻고 있습니다. 이러한 분석 시스템은 1세대 CCTV를 괴롭혔던 주요 문제 중 하나를 극복합니다. 즉, 그들이 제작할 푸티지의 소방호스는 모니터링하기에 너무 비쌌습니다. 다른 종류의 IoTsensing과 결합된 비디오 분석은 이제 업계에서 훨씬 더 높은 비율로 소모성 데이터를 제공할 수 있으며 소방 호스가 가장 필요한 곳에 집중할 수 있도록 돕습니다.