Analitik Video Real-Time Memberdayakan Keamanan Aset Energi
Generasi aplikasi video treats 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 demikian selama bertahun-tahun. Sebagai industri yang intensif aset, mereka memiliki banyak peralatan yang sangat mahal dan operasi yang mungkin membahayakan untuk dilindungi. Akibatnya, keamanan perimeter dan pengawasan umum adalah aplikasi kritis untuk video di energi. Namun, aplikasi muncul yang menggunakan kamera untuk tugas yang sama sekali berbeda – menciptakan peran baru dan yang berkembang untuk video dan, terutama, analitik.
Lihat juga: Terlalu Banyak Video Real-Time? Analitik Visual Bisa Membantu
Generasi baru aplikasi video ini treats 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 kunci di balik pertumbuhan ini adalah penggunaan analitik video canggih berdasarkan machine learning dan kecerdasan buatan (AI).
Konsep analitik video cukup sederhana. Untuk menggunakan contoh pengawasan perimeter, 99% waktu, adegan yang direkam kamera hampir sama halnya hari demi hari. Jadi, saat seorang pengintai sebenarnya memotong pagar, aplikasi analitik mungkin tidak tahu tepat apa yang dilihatnya, tetapi ia tahu itu berbeda dari apa yang biasanya diawasi. Ini, dalam bahasa machine learning, "anomali."
Saat analitik pengawasan mengalami anomali, aplikasi dapat memperingatkan seseorang di keamanan untuk melihat rekaman tersebut. Petugas keamanan kemudian dapat segera memverifikasi apakah itu insiden intrusi atau tidak; aplikasi tidak perlu begitu cerdas. Ini menghemat petugas dari harus menonton ratusan, atau ribuan, jam video hanya untuk menangkap beberapa menit saat potensi intrusi terjadi. Program analitik video pada dasarnya menyaring rekaman dan hanya menyajikan bagian yang mungkin benar-benar penting.
Jika ternyata anomali adalah hanya liar lokal atau anjing yang merembat, petugas dapat "mengajarkan" program untuk mengabaikannya. Aplikasi kemudian menyimpan pola anjing dan tidak lagi memperlakukannya sebagai ancaman.
Upaya awal untuk menciptakan aplikasi serupa mengambil pendekatan langsung dengan mencoba mengonfigurasi aplikasi analitik dengan pola ancaman atau insiden yang diketahui. Namun, ini kurang sukses kecuali ancaman sangat dikenal dan dapat diprediksi bentuknya, seperti deformasi pada objek bundar, seperti gear atau roda. Untuk banyak jenis pengawasan dan pemantauan, meskipun, pola insiden tidak konsisten cukup untuk diprogram sebelumnya.
Inilah machine learning dan analitik real-time sedang menjadi di depan. Misalnya, kamera yang mengawasi persimpangan di operasi pertambangan batubara terus merekam pergerakan truk saat melewati saat mengangkut bijih. Ini bukan hanya pagar perimeter statis di mana tidak pernah terjadi apa pun. Meskipun demikian, aplikasi dapat belajar seiring waktu untuk memahami pola aktivitas mana yang normal dan mana yang tidak. Dengan cara ini, aplikasi video real-time dapat mengenali masalah saat truk otonom rusak di tengah persimpangan, atau sebuah objek jatuh dan memblokir jalan raya. Program tidak perlu memiliki apa pun yang diprogram ke dalamnya. Ini hanya menyimpulkan apa yang normal dan apa yang tidak, dengan umpan balik sesekali dari petugas untuk memberitahukannya kapan anomali dapat dianggap "normal."
Dari perspektif IT operasional, salah satu keuntungan besar analitik video adalah itu juga mengurangi jumlah video yang harus melintasi jaringan. Misalnya, solusi CCTV tradisional memerlukan jaringan khusus untuk kamera, sedangkan analitik video sebenarnya dapat dihosting di tepi jaringan saat video diproses secara lokal. 99% video yang direkam yang tidak menarik dapat kemudian dibuang atau disimpan secara lokal, sementara rekaman video anomali, yang jauh lebih sedikit, dapat dikirim melalui jaringan kabel atau nirkabel primer ke server cloud pusat.
Program analitik video juga dapat menambahkan data dari sumber lain seperti audio, telemetri, dan data dari sensor IoT. Misalnya, dengan truk pengangkut bijih otonom yang macet, program analitik video mungkin juga memantau pesan jantung antara truk dan jaringan komunikasi dan memahami bahwa truk telah kehilangan koneksi jaringannya dan menunggu untuk mendapatkan sinyal — hal yang umum terjadi dengan jaringan mesh Wi-Fi. Ini juga dapat diajarkan untuk mengabaikan truk macet dalam kasus ini, tetapi tidak dalam kasus lain.
Ada kasus penggunaan yang berbeda untuk setiap bagian dari sektor energi dan utilitas. Taman angin, misalnya, mungkin menggunakan analitik video real-time untuk mengidentifikasi rombongan burung. Saat kamera merekam pendekatan rombongan burung, palang turbin dimatikan untuk menghindari tabrakan. Aplikasi lain untuk pipa gas menggunakan kamera inframerah dalam kombinasi dengan pemantau gas IoT. Saat kehadiran bocoran memicu alarm, program analitik video dapat dipicu untuk memindai tanda panas di sepanjang pipa untuk menempatkan di mana hal itu terjadi.
Video juga dapat berperan dalam pemantauan lingkungan umum bersama dengan sensor IoT yang mengukur kontaminasi kimia di udara dan air, kelembaban dan getaran di tanah, pelacakan cuaca, serta panas dan kelembaban sekitar. Video telah digunakan untuk mencatat aliran air di sungai untuk mendeteksi risiko banjir, yang dapat digunakan dengan data sensor lain untuk mengisi model hidrologi yang dapat memprediksi risiko yang mungkin terhadap aset atau keselamatan dari banjir. Di sisi yang lebih sederhana, analitik video real-time juga dapat digunakan untuk mencatat peristiwa dan menyimpannya untuk analisis forensik nanti. Hanya rekaman video yang menyimpang dari pola normal yang disimpan dan dapat dipanggil kembali saat menyelidiki penyebab yang mungkin telah menyebabkan insiden besar.
Analitik video mulai memainkan peran kritis dalam pemeliharaan mencegah aset energi, termasuk pipa, saluran daya, dan peralatan. Pemeliharaan prediktif memanfaatkan data IoT, audio, dan aliran video – menggunakan analitik data canggih – untuk memprediksi waktu optimum untuk pemeliharaan dan penggantian aset. Ini bertolak belakang dengan pemeliharaan mencegah tradisional, yang dapat menyebabkan pemborosan dengan memperbaiki atau mengganti aset yang sebenarnya masih dalam kondisi layak pakai. Ini mirip dengan membuang kaleng makanan hanya karena telah mencapai tanggal kedaluwarsa yang dicetak, tanpa membukanya terlebih dahulu untuk melihat apakah isinya masih layak.
Penilaian berbasis kondisi, di sisi lain, mampu menggunakan analitik real-time untuk memprediksi waktu kegagalan dan mengoptimalkan opsi pemeliharaan. Ini juga mengurangi biaya, meningkatkan utilizasi, meningkatkan keselamatan, dan meminimalkan keterlambatan serta kerugian pendapatan. Analitik canggih juga dapat menghancurkan silo data dengan mengkorelasikan video dan data dari sensor IoT, informasi lingkungan, dan tren historis untuk menyediakan intelijen operasional, menyelesaikan titik nyeri operasional dan pemeliharaan tertentu, dan mengoptimalkan siklus hidup aset.
Jelas, analitik data real-time menggunakan machine learning dan AI sedang merevolusi hampir setiap sudut bisnis energi. Perangkat dan sensor IoT mendapatkan perhatian terbesar, tetapi video juga mendapatkan kehidupan kedua sebagai sumber data visual yang kritis. Sistem analitik ini mengatasi salah satu masalah utama yang menimpa generasi pertama CCTV; yaitu, air terjun rekaman yang dihasilkannya terlalu mahal untuk dipantau. Analitik video, dicampur dengan jenis penginderaan IoT lainnya, sekarang mampu menyajikan jumlah data yang dapat dikonsumsi dengan tingkat relevansi yang jauh lebih tinggi bagi industri dan membantu fokuskan air terjun itu di tempat yang paling dibutuhkan.
