Kritieke infrastructuur heeft meer nodig dan camera’s die alleen registreren

Recente incidenten in Nederland en Duitsland laten opnieuw zien hoe kwetsbaar kritieke infrastructuur kan zijn. Tegelijkertijd roepen ze een belangrijke vraag op: gebruiken we camera’s vooral om achteraf te zien wat er is gebeurd, of kunnen we ze ook inzetten om verdachte situaties te herkennen terwijl ze plaatsvinden?

Op 15 september werd het treinverkeer in grote delen van Nederland verstoord nadat op meerdere locaties bewust materialen aan de spoorinfrastructuur waren bevestigd. ProRail registreerde storingen op ten minste twintig verschillende locaties. De getroffen baanvakken waren bekend, maar de exacte locaties van de verstoringen niet. Daardoor moesten delen van het spoor fysiek worden gecontroleerd.

Ook Duitsland kreeg recent te maken met meerdere aanvallen en pogingen tot sabotage van de energie-infrastructuur. Hoogspanningsinfrastructuur en onderstations werden op verschillende locaties getroffen, waarbij energieproductie tijdelijk werd verstoord. Later hield de Duitse politie een verdachte aan die volgens de autoriteiten explosieven bij zich droeg.

Verschillende incidenten, onder verschillende omstandigheden. Maar ze maken dezelfde uitdaging zichtbaar. Kritieke infrastructuur beslaat vaak enorme gebieden. Spoorlijnen lopen over duizenden kilometers. Energie-infrastructuur bestaat uit onderstations, hoogspanningsverbindingen en andere installaties verspreid over complete regio’s. Havens, luchthavens, industriële locaties en andere vitale omgevingen hebben met dezelfde uitdaging te maken.

Het is onmogelijk voor operators om continu iedere camera te bekijken en iedere afwijkende situatie zelf te herkennen.

Van opnemen naar detecteren

Cameratoezicht speelt al lange tijd een belangrijke rol bij de beveiliging van kritieke infrastructuur. Toch functioneren camera’s in veel omgevingen nog voornamelijk als registratiemiddel. Na een incident worden beelden teruggekeken om te achterhalen wat er is gebeurd. Vision AI kan die rol veranderen.

In plaats van dat een operator continu iedere videostream moet volgen, kan AI bestaande camerabeelden analyseren en de aandacht vestigen op situaties die menselijke beoordeling vereisen. Denk aan iemand die een afgesloten terrein betreedt. Een persoon die ongebruikelijk lang in de buurt van kritieke apparatuur verblijft. Of activiteit op een locatie of tijdstip waarop normaal gesproken niemand aanwezig hoort te zijn.

Het doel is daarbij niet om automatisch vast te stellen wat iemands intenties zijn. De technologie herkent waarneembare gebeurtenissen en gedrag dat voldoet aan vooraf ingestelde beveiligingscriteria en brengt deze onder de aandacht van een operator. Dat onderscheid is belangrijk.

Een camera hoeft niet te weten wie iemand is om te kunnen herkennen dat een situatie aandacht verdient.

De tijd tot respons verkorten

Geen enkele technologie kan garanderen dat iedere vorm van sabotage wordt voorkomen. Wat technologie wel kan doen, is helpen bij het verkorten van iets dat tijdens incidenten cruciaal is: de tijd tussen activiteit, detectie en respons. Vision AI kan geselecteerde gebieden continu analyseren en automatisch een melding genereren wanneer aan bepaalde voorwaarden wordt voldaan.

In plaats van een incident pas te ontdekken door de gevolgen ervan, kan een beveiligingsteam daardoor de mogelijkheid krijgen om verdachte activiteit te herkennen terwijl deze nog plaatsvindt. De operator blijft daarbij in controle. AI levert het signaal en de visuele context; een mens beoordeelt de situatie en bepaalt welke actie nodig is. Zo kunnen organisaties hun bestaande camera-infrastructuur veel proactiever inzetten, zonder dat beveiligingsteams honderden of zelfs duizenden videostreams continu hoeven te bekijken.

En wanneer een incident al heeft plaatsgevonden?

De waarde van Vision AI stopt niet bij realtime detectie. Na een incident willen onderzoekers bijvoorbeeld weten welke personen of voertuigen aanwezig waren, waar zij vandaan kwamen en waar ze vervolgens naartoe zijn gegaan. Traditioneel betekent dit vaak dat uren aan videobeelden van verschillende camera’s handmatig moeten worden bekeken.

Met Vision AI kunnen opgenomen beelden veel gerichter worden doorzocht. Zichtbare kenmerken zoals kleding, voertuigtype, kleur of bewegingsrichting kunnen worden gebruikt om relevante beelden sneller terug te vinden. Cross-Camera Tracking kan daarnaast helpen om personen of voertuigen tussen verschillende camera’s te volgen. Daarvoor is niet automatisch gezichtsherkenning nodig. Wat voorheen betekende dat grote hoeveelheden videomateriaal handmatig moesten worden bekeken, kan zo veranderen in een veel gerichter zoekproces.

Anders kijken naar bestaande camera’s

Voor organisaties die verantwoordelijk zijn voor kritieke infrastructuur verandert daarmee ook de discussie over cameratoezicht. De vraag is niet langer alleen: “Hebben we deze locatie in beeld?” Maar ook: “Weten we het wanneer daar iets ongebruikelijks gebeurt?”, “Kan een operator snel genoeg worden gewaarschuwd om de situatie te beoordelen?” en “Kunnen we na een incident snel de relevante beelden vinden?”

Bestaande camera’s kunnen steeds vaker bijdragen aan het beantwoorden van al deze vragen. Daarmee verandert CCTV van voornamelijk een registratiesysteem in een veel actievere informatiebron. Want terug kunnen kijken wat er is gebeurd blijft belangrijk. Maar herkennen wat er nú gebeurt, kan nog veel waardevoller zijn.

Meer weten over dit onderwerp?

We hebben onlangs in een webinar uitgebreider laten zien hoe Vision AI kan worden ingezet om bestaande camera-infrastructuur slimmer te gebruiken voor detectie, verificatie en het sneller terugvinden van relevante videobeelden. Meer weten? Bekijk het webinar via onderstaande button.