Menyeruput dari Video Firehose:Penggunaan Energi dari Analisis Real-Time
Sebuah generasi aplikasi video memperlakukan kamera lebih seperti perangkat internet of things (IoT) dengan memantau kondisi aset, mengidentifikasi peralatan menggunakan kode batang, plat nomor, atau pergerakan kendaraan dan personel.
Kamera video ada di mana-mana di sektor energi dan telah ada selama bertahun-tahun. Sebagai industri padat aset, mereka memiliki banyak peralatan dan operasi yang sangat mahal yang dapat menimbulkan bahaya untuk dilindungi. Akibatnya, keamanan perimeter dan pengawasan umum merupakan aplikasi penting untuk video dalam energi. Namun, muncul aplikasi yang menggunakan kamera untuk tugas yang sama sekali berbeda – menciptakan peran baru dan berkembang untuk video dan, terutama, analitik.
Lihat juga: Terlalu Banyak Video Real-Time? Analisis Visual Dapat Membantu
Aplikasi video generasi baru ini memperlakukan kamera lebih seperti perangkat internet of things (IoT) dengan memantau kondisi aset, mengidentifikasi peralatan menggunakan kode batang, plat nomor, atau pergerakan kendaraan dan personel. Mereka juga jauh lebih efisien dalam keamanan video real-time. Inovasi teknologi utama di balik pertumbuhan ini adalah penggunaan videoanalytics canggih berdasarkan pembelajaran mesin dan kecerdasan buatan (AI).
Konsep video analytics cukup sederhana. Untuk menggunakan contoh pengawasan perimeter, 99% dari waktu, pemandangan yang direkam kamera hampir sama dari hari ke hari. Jadi, ketika seorang penyusup menerobos pagar, aplikasi analitik mungkin tidak tahu persis apa yang dilihatnya, tetapi tahu itu berbeda dari apa yang biasanya diawasinya. Ini adalah, dalam bahasa pembelajaran mesin, "anomali."
Ketika analitik pengawasan menghadapi anomali, aplikasi dapat memperingatkan seseorang yang aman untuk melihat rekaman itu. Petugas keamanan kemudian dapat segera memverifikasi apakah itu adalah peristiwa penyusupan atau bukan; aplikasi tidak harus secerdas itu. Ini menyelamatkan personel dari keharusan menonton ratusan, atau ribuan, jam video hanya untuk menangkap beberapa menit ketika gangguan potensial terjadi. Program analitik video pada dasarnya menyaring rekaman dan hanya menyajikan bit yang mungkin benar-benar penting.
Jika ternyata anomali itu hanyalah satwa liar setempat atau anjing pengembara, personel dapat “mengajar” program untuk mengabaikannya. Aplikasi kemudian menyimpan pola anjing dan tidak lagi memperlakukannya sebagai ancaman.
Upaya awal untuk membuat aplikasi serupa mengambil pendekatan langsung dengan mencoba melakukan pra-konfigurasi aplikasi analitik dengan pola insiden atau ancaman yang diketahui. Namun, ini kurang berhasil kecuali ancamannya sangat terkenal dan dapat diprediksi dalam bentuk, seperti deformasi pada benda bundar, seperti roda gigi atau roda. Namun, untuk berbagai jenis pengawasan dan pemantauan, pola insiden tidak cukup konsisten untuk pra-program.
Di sinilah pembelajaran mesin dan analitik real-time muncul. Misalnya, kamera yang mengawasi persimpangan dalam operasi penambangan batu bara terus-menerus merekam pergerakan truk yang sedang mengangkut bijih. Ini bukan hanya pagar pembatas statis di mana tidak ada yang terjadi. Meskipun demikian, aplikasi dapat belajar dari waktu ke waktu untuk memahami pola aktivitas mana yang normal dan mana yang tidak. Dengan cara ini, aplikasi video real-time dapat mengenali masalah ketika sebuah truk otonom mogok di tengah persimpangan, atau sebuah benda jatuh dan menghalangi jalan. Program tidak harus memiliki sesuatu yang diprogram ke dalamnya. Ini hanya menyimpulkan apa yang normal dan apa yang tidak, dengan umpan balik sesekali dari personel untuk memberi tahu kapan anomali dapat dianggap "normal".
Dari perspektif TI operasional, salah satu keuntungan besar analitik video adalah juga mengurangi jumlah video yang harus melintasi jaringan. Misalnya, solusi CCTV tradisional memerlukan jaringan khusus untuk kamera, sedangkan analitik video sebenarnya dapat di-host di tepi jaringan saat video diproses secara lokal. 99% video yang direkam yang tidak menarik juga dapat dibuang atau disimpan secara lokal, sedangkan rekaman video anomali, yang jauh lebih kecil, dapat dikirim melalui jaringan kabel atau nirkabel utama ke server cloud pusat.
Program analitik video juga dapat menambahkan data dari sumber lain seperti audio, telemetri, dan data dari sensor IoT. Misalnya, dengan pengangkut bijih otonom yang terhenti, program analitik video mungkin juga memantau pesan detak jantung antara truk dan jaringan komunikasi dan memahami bahwa truk telah kehilangan koneksi jaringannya dan sedang menunggu untuk mendapatkan sinyal — kejadian umum dengan jaringan mesh Wi-Fi . Dalam kasus ini juga dapat diajarkan untuk mengabaikan truk yang mogok, tetapi tidak dalam kasus lain.
Ada kasus penggunaan yang berbeda untuk setiap bagian dari sektor energi dan utilitas. Peternakan angin, misalnya, mungkin menggunakan analisis video waktu nyata untuk mengidentifikasi kawanan burung. Saat kamera merekam pendekatan kawanan, bilah turbin dimatikan untuk menghindari tabrakan. Aplikasi lain untuk pipa gas menggunakan kamera inframerah yang dikombinasikan dengan pemantau gas IoT. Saat adanya kebocoran memicu alarm, program analisis video dapat diminta untuk memindai tanda panas di sepanjang jalur pipa untuk menemukan tempat terjadinya.
Video juga dapat memainkan perannya dalam pemantauan lingkungan umum bersama sensor IoT yang mengukur kontaminasi kimia di udara dan air, kelembapan dan getaran di tanah, pelacakan cuaca, serta panas dan kelembapan sekitar. Video telah digunakan untuk merekam aliran air di sungai untuk mendeteksi risiko banjir, yang dapat digunakan dengan data sensor lain untuk mengisi model hidrologi yang dapat memprediksi kemungkinan risiko terhadap aset atau keamanan dari banjir. Di sisi yang lebih sederhana, analitik video waktu nyata juga dapat digunakan untuk mencatat peristiwa dan menyimpannya untuk analisis forensik nanti. Hanya rekaman video yang menyimpang dari pola normal yang disimpan dan nantinya dapat dipanggil saat menyelidiki penyebab yang mungkin menyebabkan insiden besar.
Analisis video juga mulai memainkan peran penting dalam pemeliharaan preventif aset energi, termasuk saluran pipa, saluran listrik, dan peralatan. Pemeliharaan prediktif memanfaatkan aliran data, audio, dan video IoT – menggunakan analitik data tingkat lanjut – untuk memprediksi waktu optimal untuk pemeliharaan dan penggantian aset. Ini berbeda dengan pemeliharaan preventif tradisional, yang dapat menyebabkan pemborosan dengan memperbarui atau mengganti aset yang sebenarnya masih dalam kondisi layak pakai. Ibarat membuang sekaleng makanan hanya karena sudah mencapai tanggal kadaluarsa yang tertera, tanpa membukanya terlebih dahulu untuk melihat apakah isinya masih bagus.
Penilaian berbasis kondisi, di sisi lain, mampu menggunakan analitik waktu nyata untuk memprediksi waktu kegagalan dan mengoptimalkan opsi pemeliharaan. Ini juga mengurangi biaya, meningkatkan pemanfaatan, meningkatkan keamanan, dan meminimalkan penundaan dan kehilangan pendapatan. Analisis lanjutan juga dapat memecah silo data dengan menghubungkan video dan data dari sensor IoT, informasi lingkungan, dan tren historis untuk menyediakan intelijen operasi, menyelesaikan masalah operasional dan pemeliharaan tertentu , dan mengoptimalkan siklus hidup aset.
Jelas, analitik data real-time menggunakan pembelajaran mesin dan AI merevolusi hampir setiap sudut bisnis energi. Perangkat dan sensor IoT mendapatkan bagian terbesar dari perhatian, tetapi video juga mendapatkan kehidupan kedua sebagai sumber data visual yang kritis. Sistem analitik ini mengatasi salah satu masalah utama yang menjangkiti generasi pertama CCTV; yaitu, selang pemadam dari rekaman yang akan mereka hasilkan terlalu mahal untuk dipantau. Analisis video, yang dipadukan dengan jenis penginderaan IoT lainnya, kini dapat menyajikan data dalam jumlah yang dapat dikonsumsi dengan tingkat relevansi yang jauh lebih tinggi untuk industri dan membantu memfokuskan selang pemadam kebakaran tersebut di tempat yang paling dibutuhkan.
