Процесс добычи, транспортировки и переработки нефти сопровождается риском экологических катастроф, связанных с утечками и разливами. Поэтому своевременное обнаружение и устранение таких инцидентов является важной задачей для нефтедобывающих предприятий. Традиционные методы мониторинга, основанные на визуальном осмотре объектов операторами, являются трудоемкими, требуют значительных затрат времени и не всегда позволяют своевременно выявить утечки. Цель работы - выявление наиболее эффективной модели искусственной нейронной сети и разработка программы для автоматизированного обнаружения разливов нефти и пропуска масла на нефтедобывающих объектах, оценка точности и полноты результатов. При этом изображения могут быть получены с помощью стационарных камер, от беспилотных летательных аппаратов или спутников. В данной работе используются изображения, полученные с беспилотных летательных аппаратов. Подготовлено 1118 размеченных изображений для обнаружения разлива нефти и 698 изображений для обнаружения пропуска масла для обучающей и тестирующей выборки. Для решения задачи обнаружения и локализации утечек предложена нейронная сеть модели YOLO. Основным преимуществом данной модели является точность и быстродействие при минимальных вычислительных затратах. Разработано программное приложение с веб-интерфейсом, проведено его обучение и тестирование на различных наборах реальных изображений. Для обучения применяется 70 эпох. Результаты оценки точности и полноты обнаружения разлива нефти с помощью предложенной модели искусственной нейронной сети составило, соответственно, 82 % и 79 %. Оценки точности и полноты результатов обнаружения пропуска масла составило, соответственно, 70 % и 80 %. Таким образом, полученные результаты подтверждают эффективность и применимость предложенного подхода и модели в реальных условиях нефтедобычи. Применение данной системы позволит операторам значительно сократить время и усилия, затрачиваемые на ручной мониторинг объектов, повысить скорость реакции на аварийные ситуации, что поможет минимизировать экологический ущерб и снизить производственные риски.
The process of oil production, transportation and refining is accompanied by the risk of environmental disasters associated with leaks and spills. Therefore, timely detection and elimination of such incidents is an important task for oil producing enterprises. Traditional monitoring methods based on visual inspection of objects by operators are labor-intensive, require significant time and do not always allow timely detection of leaks. The purpose of the work is to identify the most effective model of an artificial neural network and develop a program for automated detection of oil spills and oil leaks at oil producing facilities, assess the accuracy and completeness of the results. In this case, images can be obtained using stationary cameras, from unmanned aerial vehicles or satellites. In this work, images obtained from unmanned aerial vehicles are used. 1118 labeled images for oil spill detection and 698 images for oil leak detection were prepared for training and testing sets. A neural network of the YOLO model is proposed to solve the problem of leak detection and localization. The main advantage of this model is its accuracy and speed with minimal computational costs. A software application with a web interface was developed, trained and tested on various sets of real images. 70 epochs were used for training. The results of assessing the accuracy and completeness of oil spill detection using the proposed artificial neural network model were 82% and 79%, respectively. The estimates of the accuracy and completeness of the oil leak detection results were 70% and 80%, respectively. Thus, the obtained results confirm the effectiveness and applicability of the proposed approach and model in real oil production conditions. The use of this system will allow operators to significantly reduce the time and effort spent on manual monitoring of objects, increase the speed of response to emergency situations, which will help minimize environmental damage and reduce production risks.