ОБНАРУЖЕНИЕ И ЛОКАЛИЗАЦИЯ УТЕЧЕК НА НЕФТЕДОБЫВАЮЩИХ ОБЪЕКТАХ С ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Авторы:
1.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
2.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
3.
КНИТУ им. А.Н. Туполева (КАИ)
Тип:
Статья
Номер статьи:
Статус:
Опубликован
Получено:
04.08.2025
Одобрено:
07.08.2025
Опубликовано:
07.08.2025
Язык материала:
русский
Ключевые слова:
НЕФТЕДОБЫВАЮЩИЕ ОБЪЕКТЫ, УТЕЧКА НЕФТИ, ПРОПУСК МАСЛА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ, МОДЕЛЬYOLO, ОБНАРУЖЕНИЕ, ЛОКАЛИЗАЦИЯ, КЛАССИФИКАЦИЯ, ТОЧНОСТЬ, ПОЛНОТА
Аннотация (русский):
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.
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.
Ключевые слова:
НЕФТЕДОБЫВАЮЩИЕ ОБЪЕКТЫ, УТЕЧКА НЕФТИ, ПРОПУСК МАСЛА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ, МОДЕЛЬYOLO, ОБНАРУЖЕНИЕ, ЛОКАЛИЗАЦИЯ, КЛАССИФИКАЦИЯ, ТОЧНОСТЬ, ПОЛНОТА
НЕФТЕДОБЫВАЮЩИЕ ОБЪЕКТЫ, УТЕЧКА НЕФТИ, ПРОПУСК МАСЛА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ, МОДЕЛЬYOLO, ОБНАРУЖЕНИЕ, ЛОКАЛИЗАЦИЯ, КЛАССИФИКАЦИЯ, ТОЧНОСТЬ, ПОЛНОТА
