Esta imagem mostra o sistema de visão de máquina SLED-W processando imagens visuais de óleo na água (à esquerda) e dados térmicos (à direita). Os algoritmos comparam dados visuais e térmicos para determinar se o óleo está presente na água. Crédito:Southwest Research Institute
O Southwest Research Institute desenvolveu técnicas baseadas em computador para detectar com precisão o petróleo bruto na água usando câmeras térmicas e visíveis de baixo custo. Esta solução baseada em aprendizado de máquina pode detectar e monitorar vazamentos de óleo antes que se tornem grandes ameaças aos lagos, rios e áreas costeiras.
Com mais de 80, 000 milhas de oleodutos nos Estados Unidos, muitas hidrovias estão em risco de danos ambientais causados por incidentes como o derramamento de Kalamazoo em 2010, que custou mais de US $ 1,2 bilhão e três anos para limpar. Monitorar hidrovias perto de oleodutos é caro e demorado com soluções convencionais que dependem de sensoriamento remoto por satélite ou espectroscopia a laser.
O SwRI aborda esses desafios com seu sistema Smart Leak Detection on Water (SLED-W), que usa algoritmos para processar dados visuais e térmicos de câmeras afixadas na aeronave, dispositivos estacionários ou embarcações.
"O SLED-W foi capaz de detectar dois tipos diferentes de óleo com propriedades térmicas e visíveis exclusivas, "disse Ryan McBee, um engenheiro de pesquisa que liderou o projeto para o Departamento de Sistemas Críticos do SwRI. "SLED-W mostrou resultados iniciais positivos, e com mais coleta de dados, o algoritmo irá lidar com condições externas mais variadas. "
O projeto financiado internamente expande a tecnologia SLED desenvolvida anteriormente que detecta gás metano de dutos, bem como vazamentos de líquido em superfícies sólidas, como solo, cascalho e areia.
Os engenheiros do SwRI adicionaram dois tipos de óleo aos tanques de água para treinar algoritmos de aprendizado de máquina equipados com câmeras para detectar óleo sob várias condições de iluminação e ambientais. Crédito:Southwest Research Institute
O SwRI aplicou uma abordagem multidisciplinar para desenvolver o SLED-W. Cientistas da computação se uniram a especialistas em óleo e gás da Divisão de Engenharia Mecânica do Instituto para treinar algoritmos para reconhecer as características únicas do óleo na água. O óleo pode espalhar-se sobre a água ou misturar-se com ela, tornando difícil para os sensores discernirem sob diferentes condições de iluminação e ambientais.
"Rotular o óleo é um desafio significativo. Para SLED-W, tivemos que levar em conta os diferentes comportamentos para que soubesse o que considerar e o que ignorar para evitar falsos positivos, "McBee disse.
Ao combinar câmeras térmicas e visíveis, O SLED-W analisa as cenas de diferentes perspectivas. As câmeras visíveis são limitadas pelo brilho e têm dificuldade em capturar óleos finos transparentes que se misturam com a água. A visão térmica requer diferenças de calor para discernir as características. Isso pode levar a falsos positivos perto de animais e outros objetos quentes. Ao combinar imagens térmicas e visuais no sistema de aprendizado de máquina, algoritmos podem escolher as informações mais relevantes, mitigando as fraquezas de cada sensor.
Próximo, a equipe realizará testes de campo para treinar os algoritmos e atualmente está trabalhando com parceiros da indústria para equipar aeronaves com SLED-W para coletar dados em condições do mundo real.
