Real-Time Object Detection for Control of Towed Marine Seismic Handling Systems

Abstract

Igangkjøring og innhenting av det vannbårne utstyret benyttet i marin refleksjonsseismikk er i dag en meget tidkrevende operasjon. Festing og montering av utsyr som sørger for posisjonsstyring av kabler, såkalte streamere, gjøres i dag med liten grad av automasjon. Tiden som brukes på dette, er avhengig av operatørenes dyktighet og effektivitet. En tilnærming som bruker datasyn kan gi en plattform for robust og økt informasjonsutvinning fra denne prosessen. Dette prosjektet ønsker å utvikle en gjenkjennings- og sporingsapplikasjon som delvis kan automatisere igangkjøring- og innhentingsprosessen av seismiske birds.

I denne oppgaven ble en YOLOv5 deteksjonsmodell trent til å oppdage seismiske birds med høy presisjon i simulerte miljøer og trekke ut posisjonsdata i sanntid. Oppdagelser er visuelt avbildet av avgrensningsbokser tegnet rundt hvert oppdagede objekt. Sporing ved oppdagelse i form av algoritmen Deep SORT, ble brukt til å tildele objektene unike identiteter. De unikt identifiserte objektene er gjennom transformasjoner av kameraets observerte synsfelt brukt til å gi hastighetsestimasjoner fra et perspektiv ovenfra og ned.

Systemet som består av deteksjoner og sporing for å gi hastighetsestimater i sanntid, ble testet på tidligere usette opptak med tydelige likheter med treningsdataene. Resultatene viste en robust deteksjons- og sporingsløsning med variabel tilfredshet i forhold til hastighetsestimatene. Den største usikkerheten til dette forsøket var vanskeligheten med å oppnå nøyaktige pixel-koordinater som tilsvarer GPS-koordinater i både et 2D og 3D rom.

Til tross for usikkerhet i hastighetsestimatene, er det rimelig å konkludere med at det foreslåtte systemet kan fungere som en plattform for delvis automatisering av igangkjøring- og innhentingsprosessen med relativt høy pålitelighet. For å oppnå høyere presisjon i hastighetsavlesningene, er det derimot nødvendig å legge til rette for bedre kartlegging for perspektivtransformasjonen.

Launch and recovery of a towed marine seismic spread is today a time-consuming process. The attachment and detachment of equipment needed to ensure positional control over the cables are handled with a small degree of automation. Time spent on this is currently dependent on the skill and efficiency of the operators. An approach utilizing computer vision can provide a platform for robust and increased information extraction from the process. This project seeks to develop an object detection and tracking application capable of partially automating the launch and recovery process of seismic streamer cable control/steering devices – more commonly known as seismic birds.

In this thesis, a YOLOv5 detection model was trained to detect seismic birds with high precision in simulated environments and extract positional data in real-time. Detections are visually depicted by bounding boxes drawn around each detected object. The tracking-by-detection method, Deep SORT, was utilized to assign unique identities to the objects and track their trajectories. Through projective transformations of the camera's observed field of vision, the uniquely identified objects are used to provide velocity estimations from a top-down perspective.

The system consisting of detections and tracking to provide velocity estimations in real-time was tested on unseen recordings with similarities to its training data. The results showed a robust detection and tracking solution with variable satisfaction to the velocity estimations. The biggest uncertainty to this test case was the difficulty to precisely obtain pixel coordinates corresponding to GPS coordinates in both a 2D and 3D space.

Despite uncertainties in the velocity estimations, it is fair to conclude that the proposed system can provide a platform for partial automation of the launch and recovery process with relatively high reliability. To achieve higher precision in the velocity readings, it is necessary to facilitate better mapping for the perspective transformation.