실시간 비디오 분석으로 에너지 자산 보안 강화

새로운 세대의 비디오 애플리케이션은 카메라를 IoT 디바이스처럼 다루며 자산 상태 모니터링, 바코드·번호판·차량 및 인력 이동으로 장비 식별을 수행합니다.

비디오 카메라는 에너지 분야에서 수년 동안 널리 사용되어 왔습니다. 자산 집약적 산업으로서 보호해야 할 매우 비싼 장비와 운영이 있으며 위험을 초래할 수 있습니다. 그 결과 경계 보안과 일반 감시는 에너지 분야에서 비디오의 중요한 애플리케이션입니다. 그러나 카메라를 완전히 다른 작업에 사용하는 애플리케이션이 등장하고 있습니다. 이는 비디오, 특히 분석에 새롭고 확장된 역할을 창출하고 있습니다.

참고: 실시간 비디오가 너무 많나요? 시각 분석이 도울 수 있습니다

이 새로운 세대의 비디오 애플리케이션은 카메라를 IoT 디바이스처럼 다루며 자산 상태 모니터링, 바코드·번호판·차량 및 인력 이동으로 장비 식별을 수행합니다. 또한 실시간 비디오 보안에서 훨씬 더 효율적입니다. 이 성장의 핵심 기술 혁신은 머신러닝과 인공지능(AI) 기반의 정교한 비디오 분석 사용입니다.

비디오 분석 개념은 충분히 간단합니다. 경계 감시 예를 들어보면, 카메라가 녹화하는 장면의 99%는 날마다 거의 똑같습니다. 그래서 침입자가 실제로 울타리를 자르면 분석 애플리케이션은 정확히 무엇을 보고 있는지 모를 수 있지만, 평소에 감시하던 것과 다르다는 것은 압니다. 머신러닝 용어로 "이상 징후(anomaly)"입니다.

감시 분석이 이상 징후와 마주치면 보안 담당자에게 해당 영상을 보도록 알립니다. 보안 요원은 즉시 침입 사건인지 아닌지 확인할 수 있습니다. 애플리케이션이 그렇게 똑똑할 필요는 없습니다. 이는 잠재적 침입이 발생하는 몇 분을 잡기 위해 수백, 수천 시간의 비디오를 시청해야 하는 요원들을 구해줍니다. 비디오 분석 프로그램은 본질적으로 영상을 필터링하고 실제로 중요할 수 있는 부분만 제시합니다.

단순히 지역 야생동물이나 떠돌이 개로 판명되면 요원은 프로그램이 이를 무시하도록 "가르칠" 수 있습니다. 애플리케이션은 개의 패턴을 저장하고 더 이상 위협으로 간주하지 않습니다.

유사한 애플리케이션을 만들려는 초기 시도는 알려진 위협이나 사건 패턴으로 분석 애플리케이션을 사전 구성하려는 직접적인 접근 방식을 취했습니다. 그러나 위협이 매우 잘 알려져 있고 형태가 예측 가능한 경우(기어 또는 바퀴 같은 둥근 물체의 변형)가 아니면 덜 성공적이었습니다. 많은 종류의 감시 및 모니터링에서는 사건 패턴이 일관되지 않아 사전 프로그래밍할 수 없습니다.

이것이 머신러닝과 실시간 분석이 전면에 나서는 지점입니다. 예를 들어, 석탄 채굴 작업에서 교차로를 감시하는 카메라는 광석을 운반하며 지나가는 트럭의 움직임을 지속적으로 녹화합니다. 이것은 아무 일도 일어나지 않는 정적 경계 울타리가 아닙니다. 그럼에도 불구하고 애플리케이션은 시간이 지남에 따라 어떤 활동 패턴이 정상이고 어떤 것이 아닌지 이해하게 됩니다. 이렇게 하면 실시간 비디오 애플리케이션이 자율 주행 트럭이 교차로 한가운데 고장 나거나 물체가 떨어져 도로를 막을 때 문제를 인식할 수 있습니다. 프로그램에 아무것도 프로그래밍할 필요가 없습니다. 단순히 무엇이 정상이고 무엇이 아닌지 추론할 뿐이며, 요원의 가끔 피드백으로 이상 징후를 "정상"으로 간주할 때를 알려줍니다.

운영 IT 관점에서 비디오 분석의 큰 장점 중 하나는 네트워크를 통과해야 하는 비디오 양을 줄여준다는 것입니다. 예를 들어, 기존 CCTV 솔루션은 카메라용 전용 네트워크가 필요했지만, 비디오 분석은 비디오가 로컬에서 처리되므로 네트워크 엣지에 호스팅될 수 있습니다. 관심 없는 99%의 녹화 비디오는 폐기하거나 로컬에 저장하고, 훨씬 줄어든 이상 징후 비디오 영상만 기본 유선 또는 무선 네트워크를 통해 중앙 클라우드 서버로 보낼 수 있습니다.

비디오 분석 프로그램은 오디오, 텔레메트리, IoT 센서 데이터 같은 다른 소스의 데이터도 추가할 수 있습니다. 예를 들어, 멈춰 선 자율 광석 운반 트럭의 경우 비디오 분석 프로그램이 트럭과 통신 네트워크 간의 하트비트 메시지도 모니터링하여 트럭이 네트워크 연결을 잃고 신호를 획득하기를 기다리는 중임을 이해할 수 있습니다. Wi-Fi 메시 네트워크에서 흔히 발생하는 일입니다. 이 경우 멈춰 선 트럭을 무시하도록 가르칠 수 있지만, 다른 경우에는 무시하지 않도록 할 수 있습니다.

에너지 및 유틸리티 부문의 모든 부분에 다양한 사용 사례가 있습니다. 풍력 발전소는 실시간 비디오 분석을 사용하여 새 떼를 식별할 수 있습니다. 카메라가 떼의 접근을 기록하면 터빈 블레이드를 정지시켜 충돌을 방지합니다. 가스 파이프라인용 또 다른 애플리케이션은 적외선 카메라와 IoT 가스 모니터를 결합합니다. 누출 존재가 경보를 트리거하면 비디오 분석 프로그램이 파이프라인을 따라 열 신호를 스캔하여 발생 위치를 찾도록 할 수 있습니다.

비디오는 공기 및 물의 화학적 오염, 토양의 수분 및 진동, 날씨 추적, 주변 열 및 습도를 측정하는 IoT 센서와 함께 일반적인 환경 모니터링에도 역할을 할 수 있습니다. 비디오는 하천의 물 흐름을 기록하여 홍수 위험을 감지하는 데 사용되었으며, 다른 센서 데이터와 함께 수문학적 모델을 채워 자산이나 안전에 대한 홍수 위험을 예측하는 데 사용될 수 있습니다. 더 간단한 측면에서는 실시간 비디오 분석을 사용하여 이벤트를 기록하고 나중에 법의학 분석을 위해 저장할 수도 있습니다. 정상 패턴에서 벗어난 비디오 영상만 저장되며, 주요 사고로 이어졌을 수 있는 원인을 조사할 때 나중에 불러올 수 있습니다.

비디오 분석은 파이프라인, 송전선, 장비를 포함한 에너지 자산의 예방적 유지보수에서도 중요한 역할을 하기 시작했습니다. 예측 유지보수는 IoT 데이터, 오디오, 비디오 스트림을 고급 데이터 분석으로 활용하여 자산의 최적 유지보수 및 교체 시기를 예측합니다. 이는 여전히 서비스 가능한 상태인 자산을 수리하거나 교체하여 낭비를 초래할 수 있는 기존 예방 유지보수와 대조됩니다. 내용물이 여전히 좋은지 먼저 열어보지 않고 유통기한이 지났다는 이유만으로 통조림을 버리는 것과 비슷합니다.

반면 상태 기반 평가는 실시간 분석을 사용하여 고장 시간을 예측하고 유지보수 옵션을 최적화할 수 있습니다. 또한 비용을 줄이고, 활용도를 높이며, 안전성을 강화하고, 지연과 수익 손실을 최소화합니다. 고급 분석은 비디오와 IoT 센서 데이터, 환경 정보, 과거 추세를 연관시켜 데이터 사일로를 해체함으로써 운영 인텔리전스를 제공하고, 특정 운영 및 유지보수 문제점을 해결하며, 자산 수명주기를 최적화할 수 있습니다.

분명히 머신러닝과 AI를 사용한 실시간 데이터 분석은 에너지 비즈니스의 거의 모든 구석에 혁명을 일으키고 있습니다. IoT 디바이스와 센서가 가장 많은 관심을 받고 있지만, 비디오도 중요한 시각 데이터 소스로 제2의 전성기를 맞고 있습니다. 이러한 분석 시스템은 1세대 CCTV를 괴롭혔던 주요 문제 중 하나, 즉 생산되는 영상의 홍수가 단순히 모니터링하기에 너무 비쌌던 문제를 극복합니다. 다른 종류의 IoT 센싱과 혼합된 비디오 분석은 이제 훨씬 더 높은 관련성 비율로 소비 가능한 양의 데이터를 제시할 수 있으며, 소방 호스가 가장 필요한 곳에 집중되도록 돕고 있습니다.