banner
banner
banner
banner

Алгоритмы SwRI SLED-W обнаруживают сырую нефть на воде

2
SwRI's SLED-W algorithms detect crude oil on water

Юго-Западный научно-исследовательский институт разработал компьютерные методы для точного обнаружения сырой нефти на воде с использованием недорогих тепловизионных и видимых камер. Это решение, основанное на машинном обучении, может обнаруживать и отслеживать утечки нефти, прежде чем они станут серьезной угрозой для озер, рек и прибрежных районов.

С более 80, 000 миль Нефтепроводы через Соединенные Штаты, многие водные пути подвергаются риску нанесения ущерба окружающей среде в результате таких инцидентов, как 2010 Разлив Каламазу, которые стоят более 1,2 миллиарда долларов и три года на уборку. Мониторинг водных путей вблизи нефтепроводов является дорогостоящим и трудоемким с традиционными решениями, основанными на спутниковом дистанционном зондировании или лазерной спектроскопии.

SwRI решает эти проблемы с помощью своей системы Smart Leak Detection on Water (SLED-W), которая использует алгоритмы для обработки визуальных и тепловых данных с камер, прикрепленных к самолетам, стационарным устройствам или водным судам.

«SLED-W смог обнаружить два разных типа масла с уникальными тепловыми и видимыми свойствами», - сказал Райан Макби, инженер-исследователь, который возглавлял проект для отдела критических систем SwRI. «SLED-W показал положительные начальные результаты, и при дальнейшем сборе данных алгоритм будет обрабатывать более разнообразные внешние условия».

Проект, финансируемый изнутри, расширяет ранее разработанную технологию SLED, которая обнаруживает газообразный метан из трубопроводов, а также утечки жидкости на твердых поверхностях, таких как почва, гравий и песок.

SwRI's SLED-W algorithms detect crude oil on water

SwRI применил междисциплинарный подход к разработке SLED-W. Ученые-компьютерщики объединились с экспертами в области нефти и газа из машиностроительного отделения Института для обучения алгоритмов распознавания уникальных характеристик нефти на воде. Масло может растекаться по воде или смешиваться с ней, что затрудняет различение датчиков при различном освещении и условиях окружающей среды.

«Маркировка масла является серьезной проблемой. Для SLED-W нам приходилось учитывать различные варианты поведения, чтобы он знал, что следует учитывать и что игнорировать, чтобы избежать ложных срабатываний», - сказал Макби.

Сочетая тепловизионные и видимые камеры, SLED-W анализирует сцены с разных точек зрения. Одни только видимые камеры ограничены бликами и испытывают трудности с захватом прозрачных тонких масел, которые смешиваются с водой. Тепловое зрение требует тепловых различий, чтобы различить особенности. Это может привести к ложным срабатываниям вблизи животных и других теплых предметов. Объединяя тепловые и визуальные изображения в систему машинного обучения, алгоритмы могут выбирать наиболее релевантную информацию, уменьшая недостатки каждого датчика.

Затем команда проведет полевые испытания для обучения алгоритмов и в настоящее время работает с отраслевыми партнерами по оснащению самолетов SLED-W для сбора данных в реальных условиях.


0
Article Tags:

Оставьте комментарий