COMPUTER VISION BASED PIPELINE TRACKING FOR AUTONOMOUS UNMANNED AERIAL VEHICLE IN UNBURIED PIPELINE ONSHORE INSPECTION

Abstract

Unmanned Aerial System (UAS) are becoming more attractive in diverse applications due to their efficiency in task performance by covering large areas, reducing human hazard exposure, timely execution, and/or cost. In the Oil & Gas scope, use Unmaned Aerial Vehicle (UAV)s for inspection activities is an even more attractive scenario because of the industrial facilities’ large extension and human risks, such as work at height and classified areas. Different authors proposed solutions to detect gas leaking in unburied onshore pipelines. Still, just a few of them addressed the path and tracking problem for autonomous navigation with these vehicle types. Most of these authors proposed solutions with traditional computer vision strategies to track the tubes. Therefore, this research work describes the potential of an autonomous UAV with a deep learning strategy to navigate appropriately into the complex scenarios of unburied pipeline networks, contributing to the monitoring and mapping procedure of the Oil & Gas Industry structures. The results suggested that the proposed strategy has an excellent performance and it presents a technical viability for practical deployment. In relation to tracking and detection strategies, the outcomes showed that the proposed system is capable of correctly identifying pipelines and navigating above them safely.Os Sistemas Aéreos Não Tripulados (SANT) estão se tornando cada vez mais atrativos devido à eficiência no desempenho de diversas tarefas. No cenários de inspeção de tubulações de óleo e gás, os SANTs se destacam pela capacidade de cobrir grandes áreas, reduzir a exposição humana ao risco, execução de tempo, e custo. Os Veículos Aéreos Não Tripulados (VANT) para atividades de inspeção podem ser muito atrativos pela facilidade de cobrir grande extensão das instalações industriais e mitigar risco humano, tais como trabalho em altura e áreas classificadas. Alguns autores propuseram soluções para detectar vazamentos de gás em tubulações onshore, mas apenas alguns deles abordaram o problema de trajetória e rastreamento para a navegação autônoma com esses tipos de veículos. A maioria desses autores propõe soluções com visão computacional tradicional para rastrear as tubulações. Portanto, este trabalho de pesquisa descreve o potencial de um VANT e uma estratégia deep learning para navegar adequadamente em condições complexas de dutos não enterrados, contribuindo para o procedimento de monitoramento e mapeamento das estruturas da Indústria de Petróleo e Gás. Os resultados sugeriram que a estratégia proposta tem um excelente desempenho. Além disso, apresenta viabilidade técnica para implantação prática. Os resultados mostraram que o sistema proposto é capaz de identificar corretamente os dutos e navegar sobre eles com segurança e precisão.