从视频消防软管中啜饮：能源对实时分析的使用

一代视频应用程序通过监控资产状况、使用条形码、车牌或车辆和人员的移动来识别设备，将摄像头更像物联网 (IoT) 设备。

摄像机在能源领域无处不在，并且已经存在多年。作为资产密集型行业，它们拥有许多非常昂贵的设备和操作，可能会对保护造成危害。因此，周边安全和一般监控是能源视频的关键应用。然而，使用相机完成完全不同的任务的应用程序正在兴起——为视频特别是分析创造了一个新的、不断扩大的角色。

另见： 实时视频太多？可视化分析可以提供帮助

这种新一代的视频应用程序通过监控资产状况、使用条形码、车牌或车辆和人员的移动来识别设备，将摄像机更像物联网 (IoT) 设备。它们在实时视频安全方面也更加高效。这种增长背后的关键技术创新是使用基于机器学习和人工智能 (AI) 的复杂视频分析。

视频分析的概念很简单。以周边监控为例，在 99% 的情况下，摄像机记录的场景几乎是日复一日的同一件事。因此，当入侵者实际突破围栏时，分析应用程序可能不知道它所看到的确切内容，但它知道它与通常监视的不同。用机器学习的语言来说，它是“异常情况”。

当监控分析遇到异常时，该应用程序可以提醒安全人员查看该片段。然后安全人员可以立即验证它是否是入侵事件；该应用程序不必那么聪明。这使人员不必为了捕捉潜在入侵发生的几分钟而观看数百或数千小时的视频。视频分析程序本质上会过滤素材并仅显示可能真正重要的部分。

如果发现异常只是当地的野生动物或流浪狗，人员可以“教”程序忽略它。然后，应用程序存储狗的模式并且不再将其视为威胁。

早期创建类似应用程序的尝试采取了直接的方法，即尝试使用已知的威胁事件模式预先配置分析应用程序。然而，除非威胁是众所周知的并且在形式上是可预测的，例如齿轮或轮子等圆形物体的变形，否则这些方法不太成功。然而，对于多种监视和监控，事件模式在预编程时并不一致。

这就是机器学习和实时分析脱颖而出的地方。例如，在煤矿开采作业中，监控十字路口的摄像机不断记录卡车在运输矿石时的移动。这不仅仅是一个什么都不会发生的静态外围围栏。尽管如此，应用程序可以随着时间的推移学习以了解哪些活动模式是正常的，哪些不是。通过这种方式，实时视频应用程序可以在自动驾驶卡车在十字路口中间抛锚或物体掉落并阻塞道路时识别问题。该程序不必在其中编写任何程序。它只是推断什么是正常的，什么不是正常的，偶尔会有人员反馈告诉它什么时候异常可以被认为是“正常的”。

从运营 IT 的角度来看，视频分析的一大优势在于它还减少了必须通过网络的视频量。例如，传统的闭路电视解决方案需要用于摄像机的专用网络，而视频分析实际上可以托管在网络边缘，因为视频是在本地处理的。所录制的 99% 不感兴趣的视频也可以被丢弃或存储在本地，而大大减少的异常视频片段可以通过主要的有线或无线网络发送到中央云服务器。

视频分析程序还可以添加来自其他来源的数据，例如音频、遥测和来自 IoT 传感器的数据。例如，对于停摆的自动矿石运输车，视频分析程序还可以监控卡车和通信网络之间的心跳消息，并了解卡车已失去网络连接并正在等待获取信号——这是 Wi-Fi 网状网络的常见情况.在这种情况下也可以忽略停转的卡车，但在其他情况下则不然。

能源和公用事业部门的每个部分都有不同的用例。例如，风电场可能会使用实时视频分析来识别鸟群。当摄像机记录到鸟群接近时，涡轮叶片会关闭以避免碰撞。天然气管道的另一种应用是将红外摄像机与物联网气体监测器结合使用。当泄漏的存在触发警报时，可以提示视频分析程序扫描管道沿线的热特征，以定位发生泄漏的位置。

视频还可以与物联网传感器一起在一般环境监测中发挥作用，这些传感器测量空气和水中的化学污染、土壤中的水分和振动、天气跟踪以及环境热量和湿度。视频已被用于记录溪流中的水流以检测洪水风险，该视频可与其他传感器数据一起用于填充水文模型，从而预测洪水可能对资产或安全造成的风险。在更简单的方面，实时视频分析还可用于记录事件并存储它们以供以后取证分析。只有偏离正常模式的视频片段会被存储，以后可以在调查可能导致重大事件的原因时调用。

视频分析也开始在能源资产的预防性维护中发挥关键作用，包括管道、电力线和设备。预测性维护利用物联网数据、音频和视频流——使用高级数据分析——来预测维护和更换资产的最佳时间。这与传统的预防性维护形成对比，传统的预防性维护可能会通过翻新或更换实际上仍处于可使用状态的资产而导致浪费。这就好比一罐食品，只是因为过了盖章的保质期就扔掉了，而不是先打开它看看里面的东西是否还好。

另一方面，基于状态的评估能够使用实时分析来预测故障时间并优化维护选项。它还可以降低成本、提高利用率、增强安全性并最大限度地减少延迟和收入损失。高级分析还可以通过关联来自 IoT 传感器、环境信息和历史趋势的视频和数据来打破数据孤岛，以提供运营智能，解决特定的运营和维护痛点，并优化资产生命周期。

显然，使用机器学习和人工智能的实时数据分析正在彻底改变能源业务的几乎每个角落。物联网设备和传感器获得了最大的关注，但视频作为视觉数据的重要来源也获得了第二次生命。这些分析系统克服了困扰第一代闭路电视的主要问题之一；也就是说，他们将制作的视频片段太昂贵而无法监控。视频分析与其他类型的物联网传感相结合，现在能够以更高的行业相关性呈现可消耗的数据量，并有助于将消防水带集中在最需要的地方。