Нефть и газ остаются краеугольным камнем мировой энергетики, играя ключевую роль в экономическом развитии и благосостоянии населения. Как отмечается в Статистическом ежегоднике мировой энергетики BP за 2022 год, эффективное управление нефтегазовыми ресурсами приобретает все большую важность в контексте растущих экологических проблем и необходимости обеспечения энергетической безопасности.
Нефтяные скважины являются ключевым индикатором состояния нефтегазовых запасов. Их количество и распределение предоставляют ценную информацию о динамике добычи и потенциале месторождений. Удаленный мониторинг с использованием спутниковых снимков позволяет отслеживать глобальную эксплуатацию нефтяных ресурсов и оценивать уровень добычи в разных регионах.
Разработать и внедрить модель глубокого обучения для автоматического обнаружения нефтяных скважин на спутниковых снимках с высокой точностью и надежностью, особенно в условиях перекрытия объектов, сложного фона и различных углов обзора.
- Собран и предобработан датасет в Roboflow
- Обученная модель YOLOv8: модель обнаруживает скважины на спутниковых снимках с учетом различных факторов, влияющих на их внешний вид.
- Веб-приложение Streamlit: приложение предоставляет пользователям интерфейс для загрузки изображений, запуска процесса обнаружения и визуализацию результатов с bounding boxes и метками классов.
С деталями можно ознакомиться в ноутбуке
Run streamlit run Home.py
Есть веб-версия онлайн-демо. Приложение откроется в окне браузера
- ultralytics YOLOv8
- Roboflow
- Streamlit
Датасет с фото скважин со спутников берется из двух статей:
Oil Well Detection under Occlusion in Remote Sensing Images Using the Improved YOLOv5 Model, 2023
An Oil Well Dataset Derived from Satellite-Based Remote Sensing, 2021
NEPU_OWOD-1.0 (Northeast Petroleum University - Oil Well Object Detection) covers an area of 369 square kilometres and includes 1192 oil wells in 432 images (with a resolution of 0.41m per pixel). The images are 768 * 768 pixels, 768 * 1024 pixels and 1024 * 1024 pixels.
NEPU_OWOD-3.0 (Northeast Petroleum University - Oil Well Object Detection) California includes 1028 oil wells in 130 images (with a resolution of 0.48m per pixel). The images are 512 * 512 pixels. The format of the data set complies with the VOC2007 format.
Датасет смешивается (562 изображения с аннотациями) и предобрабатывается в Roboflow.
Preprocessing:
- Auto-Orient: Applied
- Resize: Stretch to 640x640
- Трудности с обнаружением перекрывающихся объектов: модель испытывает сложности с точной идентификацией и локализацией скважин, которые перекрываются друг с другом или другими объектами на изображении.
- Ложные срабатывания: в некоторых случаях модель может ошибочно идентифицировать другие объекты, например, нефтяные резервуары или схожие по форме сооружения, как скважины.
- Пропущенные обнаружения: модель может пропускать скважины с низким контрастом, маленькие скважины или скважины, расположенные в сложных условиях освещения или фона.
- Использования контекстной информации: анализ окружающих объектов
- OBB-обнаружение
- Комбинирование обнаружения и сегментации: позволит сначала локализовать скважины, а затем получить точные границы и отделить перекрывающиеся объекты.
- Использование более крупных моделей
- Обучение на данных с разными масштабами
- Расширение и диверсификация датасета: разнообразить датасет фонами, углами обзора, типами скважин и степенями перекрытия.
Идеальный прототип приложения представляет собой веб-сервис, который регулярно, с определенной периодичностью и на основе заданных эвристик, выполняет поиск по спутниковым снимкам. Он отображает на карте координаты скважин и примерную дату их появления. Кроме того, приложение предоставляет дополнительную ГИС-информацию, включая:
- Название месторождения
- Информация о месторождении, на котором обнаружены скважины.
- Тип ресурса (нефть, газ или конденсат)
- Статус скважины (активная, заброшенная)
- Экологические данные