Southwest Research Institute har utvecklat datorbaserade tekniker för att exakt upptäcka råolja på vatten med hjälp av billiga termiska och synliga kameror. Denna maskininlärningsbaserade lösning kan upptäcka och övervaka oljeläckage innan de blir stora hot mot sjöar, floder och kustområden.

Med över 80, 000 mil oljeledningar över hela USA, många vattenvägar riskerar miljöskador från incidenter som Kalamazoo Spill 2010, som kostar mer än 1,2 miljarder dollar och tre år att städa. Att övervaka vattenvägar nära oljeledningar är kostsamt och tidskrävande med konventionella lösningar som är beroende av satellitavläsning eller laserspektroskopi.

SwRI hanterar dessa utmaningar med sitt Smart Leak Detection on Water (SLED-W) -system, som använder algoritmer för att bearbeta visuell och termisk data från kameror fästa på flygplan, stationära anordningar eller vattenskotrar.

"SLED-W kunde upptäcka två olika typer av olja med unika termiska och synliga egenskaper, "sa Ryan McBee, en forskningsingenjör som ledde projektet för SwRI:s avdelning för kritiska system. "SLED-W visade positiva initiala resultat, och med ytterligare datainsamling, algoritmen kommer att hantera mer varierade yttre förhållanden. "

Det internt finansierade projektet utökar tidigare utvecklad SLED -teknik som detekterar metangas från rörledningar samt vätskeläckage på fasta ytor som jord, grus och sand.

SwRI tillämpade ett tvärvetenskapligt tillvägagångssätt för att utveckla SLED-W. Datavetare samarbetade med olje- och gasexperter från institutets maskintekniska avdelning för att träna algoritmer för att känna igen de unika egenskaperna hos olja på vatten. Olja kan spridas över vatten eller blandas med det, vilket gör det svårt för sensorer att urskilja under olika ljus- och miljöförhållanden.

"Märkning av olja är en betydande utmaning. För SLED-W, vi var tvungna att redogöra för olika beteenden så att vi vet vad vi ska tänka på och vad vi ska ignorera för att undvika falskt positiva, "Sa McBee.

Genom att kombinera termiska och synliga kameror, SLED-W analyserar scener från olika perspektiv. Synliga kameror ensamma begränsas av bländning och har svårt att fånga genomskinliga tunna oljor som blandas med vatten. Värmesyn kräver värmeskillnader för att urskilja funktioner. Detta kan leda till falska positiva effekter nära djur och andra varma föremål. Genom att kombinera termiska och visuella bilder i maskininlärningssystemet, algoritmer kan välja den mest relevanta informationen, dämpa svagheterna hos varje sensor.

Nästa, teamet kommer att utföra fälttester för att träna algoritmerna och arbetar för närvarande med branschpartner för att utrusta flygplan med SLED-W för att samla in data under verkliga förhållanden.