Southwest Research Institute heeft computergebaseerde technieken ontwikkeld om ruwe olie op water nauwkeurig te detecteren met behulp van goedkope thermische en zichtbare camera's. Deze op machine learning gebaseerde oplossing kan olielekken detecteren en bewaken voordat ze een grote bedreiging voor meren worden, rivieren en kustgebieden.

Met ruim 80 000 mijl aan oliepijpleidingen door de Verenigde Staten, veel waterwegen lopen risico op milieuschade door incidenten zoals de Kalamazoo Spill 2010, die meer dan $ 1,2 miljard en drie jaar kosten om op te ruimen. Het monitoren van waterwegen in de buurt van oliepijpleidingen is kostbaar en tijdrovend met conventionele oplossingen die afhankelijk zijn van teledetectie via satelliet of laserspectroscopie.

SwRI pakt deze uitdagingen aan met zijn Smart Leak Detection on Water (SLED-W) systeem, die algoritmen gebruikt om visuele en thermische gegevens te verwerken van camera's die op vliegtuigen zijn bevestigd, stationaire apparaten of vaartuigen.

"SLED-W was in staat om twee verschillende soorten olie te detecteren met unieke thermische en zichtbare eigenschappen, " zei Ryan McBee, een onderzoeksingenieur die het project leidde voor de afdeling Critical Systems van SwRI. "SLED-W liet positieve eerste resultaten zien, en met verdere gegevensverzameling, het algoritme kan meer gevarieerde externe omstandigheden aan."

Het intern gefinancierde project bouwt voort op eerder ontwikkelde SLED-technologie die methaangas uit pijpleidingen detecteert, evenals vloeistoflekken op vaste oppervlakken zoals grond, grind en zand.

SwRI paste een multidisciplinaire aanpak toe om SLED-W te ontwikkelen. Computerwetenschappers werkten samen met olie- en gasexperts van de afdeling Werktuigbouwkunde van het Instituut om algoritmen te trainen om de unieke eigenschappen van olie op water te herkennen. Olie kan zich over water verspreiden of ermee vermengen, waardoor het moeilijk is voor sensoren om onderscheid te maken onder verschillende licht- en omgevingsomstandigheden.

"Het labelen van olie is een grote uitdaging. Voor SLED-W, we moesten rekening houden met verschillende gedragingen, zodat het zou weten wat te overwegen en wat te negeren om valse positieven te voorkomen, ' zei McBee.

Door thermische en zichtbare camera's te combineren, SLED-W analyseert scènes vanuit verschillende perspectieven. Alleen zichtbare camera's worden beperkt door schittering en hebben moeite met het vastleggen van transparante dunne oliën die zich vermengen met water. Thermisch zicht vereist warmteverschillen om kenmerken te onderscheiden. Dit kan leiden tot valse positieven in de buurt van dieren en andere warme objecten. Door thermische en visuele beelden te combineren in het machine learning-systeem, algoritmen kunnen de meest relevante informatie kiezen, het verminderen van de zwakke punten van elke sensor.

Volgende, het team zal veldtesten uitvoeren om de algoritmen te trainen en werkt momenteel samen met industriepartners om vliegtuigen uit te rusten met SLED-W om gegevens te verzamelen in reële omstandigheden.