Automatic EX-Inspection
Abstract
Faulty electrical cables pose a signi cant and severe risk to both people and equipment, especially on oil rigs where electrical cables and highly combustible gases are separated by thin barriers. This thesis describes an attempt to automatically detect faulty cables on oil rigs through images captured using head-mounted cameras and classi ed using state-of-the-art CNN techniques, as well as our own Guided CNN architecture. This is done in a situation where we have a limited set of available training data. This thesis shows how using state-of-the-art CNN techniques can result in sufficient accuracy also for a limited training set. From the results, it is also evident that my self-developed Guided CNN architecture outperforms the baseline, made up of a state-of-the-art CNN. As of now, the most pressing issue before pushing this system into production is that the camera hardware tested in this thesis does not perform well enough as images may turn out blurry. Skader i elektriske kabler medfører en stor risiko for både mennesker og utstyr, spesielt på oljerigger da elektriske kabler og brannfarlige gasser er separert bare ved hjelp av en tynn barriere. I denne oppgaven forsøker vi å detektere feil i kabler automatisk ved hjelp av hodemonterte kameraer og state-of-the-art bildegjenkjenning teknikker, i tillegg til vår egen teknikk, \Guided CNN", i en situasjon hvor det er lite treningsdata tilgjengelig. Resultatene viser at problemet kan løses med tilstrekkelig nøyaktighet ved bruk av state-of-the-art CNN teknikker. Videre viser vi at vår Guided CNN arkitektur gir bedre resultater enn state-of-the-art CNN nettverk med hele 2 prosent for dette problemet. Det største hinderet for å få dette systemet inn i produksjon, er bildekvaliteten på kameraet vi hartestet, når bildet er tatt i bevegelse.