SwRIs SLED-W-algoritmer registrerer råolie på vand

Southwest Research Institute har udviklet computerbaserede teknikker til nøjagtigt at opdage råolie på vand ved hjælp af billige termiske og synlige kameraer. Denne maskinlæringsbaserede løsning kan opdage og overvåge olielækager, før de bliver store trusler mod søer, floder og kystområder.

Med over 80, 000 miles olierørledninger i hele USA, mange vandveje er i fare for miljøskader ved hændelser som f.eks. Kalamazoo -udslippet i 2010, som kostede mere end 1,2 milliarder dollar og tre år at rydde op. Overvågning af vandveje i nærheden af ​​olieledninger er dyrt og tidskrævende med konventionelle løsninger, der er afhængige af satellitfjerningsmåling eller laserspektroskopi.

SwRI løser disse udfordringer med sit Smart Leak Detection on Water (SLED-W) system, som bruger algoritmer til at behandle visuelle og termiske data fra kameraer, der er fastgjort til fly, stationære anordninger eller fartøjer.

"SLED-W var i stand til at opdage to forskellige typer olie med unikke termiske og synlige egenskaber, "sagde Ryan McBee, en forskningsingeniør, der ledede projektet for SwRIs afdeling for kritiske systemer. "SLED-W viste positive indledende resultater, og med yderligere dataindsamling, algoritmen vil håndtere mere varierede ydre forhold. "

Det internt finansierede projekt udvider tidligere udviklet SLED -teknologi, der detekterer metangas fra rørledninger samt væskelækager på faste overflader som jord, grus og sand.

SwRI anvendte en tværfaglig tilgang til at udvikle SLED-W. Computerforskere gik sammen med olie- og gaseksperter fra instituttets maskintekniske afdeling for at træne algoritmer til at genkende de unikke egenskaber ved olie på vand. Olie kan sprede sig over vand eller blande sig med det, gør det svært for sensorer at skelne under forskellige lys- og miljøforhold.

"Mærkning af olie er en betydelig udfordring. For SLED-W, vi var nødt til at redegøre for forskellige adfærdsmåder, så det ville vide, hvad vi skal overveje, og hvad de skal ignorere for at undgå falske positive, "Sagde McBee.

Ved at kombinere termiske og synlige kameraer, SLED-W analyserer scener fra forskellige perspektiver. Synlige kameraer alene er begrænset af blænding og har svært ved at fange gennemsigtige tynde olier, der blandes med vand. Termisk vision kræver varmeforskelle for at skelne funktioner. Dette kan føre til falske positiver i nærheden af ​​dyr og andre varme genstande. Ved at kombinere termiske og visuelle billeder i maskinlæringssystemet, algoritmer kan vælge den mest relevante information, dæmper svaghederne ved hver sensor.

Næste, teamet vil udføre felttest for at træne algoritmerne og arbejder i øjeblikket med branchepartnere for at udstyre fly med SLED-W for at indsamle data under virkelige forhold.