Identification and Instance Segmentation of Oil Spills Using DeepNeural Networks
Notice bibliographique
Résumé
Oil spills impact natural and built environments, people and communities, food chain, and wildlife, and the road to full recovery is often long and costly to businesses, contractors, communities, and local governments. Existing oil spill detection methods including in-situ measurements and remote sensing primarily depend on involving skilled personnel in data collection, processing, and analysis, which could be expensive, slow, and subjective (influenced by prior experience, and judgment of problem parameters or solution space). In addition, oil pipelines and platforms can be located in remote and harsh areas, making it difficult and even hazardous for engineers to conduct timely inspections. Applying artificial intelligence (AI) can streamline this process and create more objective measures of oil spill and leakage detection. In this research, deep learning models, namely VGG-16 and mask R-CNN (mask regionbased convolutional neural network) are employed to identify and locate oil spills. These models represent state-of-the-art object recognition algorithms in computer vision. Red-green-blue (RGB) training images are collected using semi-supervised learning (i.e., keyword search) from the web. This initial visual dataset consists of a diverse set of photos taken by unmanned aerial vehicles (UAVs) or first-person cameras from previous oil spill accidents. The methodology consists of model training and validation, image classification, object detection, and semantic segmentation. The VGG16 model is used for image classification (to predict the existence of oil spill in an image) and yields an accuracy of ~93%. The mask R-CNN model is used for instance segmentation (to detect oil spills and marking their boundaries at pixel-level) and yields average precision and recall of 61% and 70%, respectively. Results can create opportunities for advancing the current practice of integrating AI and data analytics into downstream and upstream operations in the oil and gas industry, as well as enabling non-intrusive techniques for detection of environmental pollutants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».