Gassco - Bouvet Norge

HMS-drone skal forhindre fallende gjenstander fra høyden

Fallende objekter på industri- og byggeplasser kan utgjøre en fare for liv, helse, utstyr og infrastruktur. Denne dronen bruker maskinlæring for å finne slike objekter.

Kunde: Gassco

Kontor: Haugesund 

Bransje: Industri og bygg

 

Oppdraget

I dette oppdraget var problemstillingen å se på mulighetene for bruk av kunstig intelligens og maskinlæring sammen med droner for automatisk deteksjon av potensielt fallende gjenstander.

 

Løsning

Dronen er programmert til å oppdage små og delvis skjulte objekter ut ifra bilder som er tatt fra stor avstand. 

Løsningen kan erstatte manuell inspeksjon, hvor det ofte må bygges stillaser eller klatres for å få god nok oversikt over området.   

Teknologi

Grunnpilaren i systemet vi har utviklet, er et nevralt nett som er trent ved hjelp av Google sitt rammeverk, Tensorflow. Det enorme kraftpotensialet man kan hente fra skytjenester gjør at treningen er tidseffektiv og enkelt konfigurerbar. 

Bakgrunnen for prosjektet 

Fallende objekter på industri- og byggeplasser kan utgjøre en fare for liv, helse, utstyr og infrastruktur.  

– Identifisering av potensielt farlige gjenstander er en kjent utfordring og kan utgjøre en risiko for oss på våre anlegg og i bransjen vår, forteller Håkon Hilmar Ferkingstad som jobber som Principal Engineer i Gassco og fortsetter: 

Eksempler på dette kan være isdannelser i høyden eller gjenglemt utstyr i forbindelse med arbeidsoperasjoner i høyden. "Use casen" vi har sett på er ikke bare relevant for Gassco eller olje- og gassbransjen, men også andre bransjer som bygg- og anleggsbransjen. 

Her testes løsningen på en byggeplass
Her testes løsningen på en byggeplass

 

 

Selv en liten bolt eller skiftenøkkel har et ekstremt skadepotensialt dersom den faller fra bare noen få meter i høyden

Inspeksjonsrunder er tidkrevende, og det er ofte nødvendig med bruk av stillaser eller klatrelag for å dekke over området. Hvis driften i tillegg må reduseres eller stenges ned for å gjennomføre inspeksjonene, vil det kunne påføre bedriften betydelige kostnader.    

Det brukes derfor i dag mye ressurser på inspeksjon for å forhindre at verktøy eller andre gjenstander blir liggende usikret i høyden etter gjennomført arbeid.  

– Vi ønsket å sette i gang dette forstudiet, fordi vi har sett at utviklingen innen maskinlæring og kunstig intelligens skjer veldig raskt og er nå på et høyt nivå. Det samme kan man si om droneteknologi. Det gjør det interessant for oss å teste ut hvordan denne teknologien kan gi oss verdiskapning, forteller Hilmar Ferkingstad.

  

Teknologien forklart 

Det eksisterer i dag teknologi som hurtig kan oppdage relativt store objekter på ganske små bilder. Denne teknologien blir blant annet brukt for autonome selvkjørende biler.   

Vår problemstilling gikk ut på å finne små objekter i store høyoppløste bilder, men til dette formålet klarte vi ikke å finne eksisterende teknologi som passet perfekt, forteller Torbjørn Bratland, utvikler og prosjektleder fra Bouvet.    

Grunnpilarene i systemet vi har utviklet, er et nevralt nett som er trent ved hjelp av Google sitt rammeverk Tensorflow. Vi har tidligere brukt lokal datakraft, men nå utnytter vi det store potensiale for kraft som du får fra skytjenster, fortsetter Bratland.     
 

Vi har testet systemet både ved hjelp av standardiserte tester for nevrale nett og fysiske tester ute på et prosessanlegg. Systemet leverer overbevisende resultater til begge scenarioer. 

– Torbjørn Bratland, utvikler og prosjektleder i Bouvet.  

 
Her tester Håkon fra Gassco, og Frode, Eirik og Torbjørn fra Bouvet systemet på et testanlegg.
Her tester Håkon fra Gassco, og Frode, Eirik og Torbjørn fra Bouvet systemet på et testanlegg.

Prosessen forklart

 

– Dette har vært et “fast track”-oppdrag med korte tidsfrister. Det har vært viktig med en god driv og ha tydelige prioriteringer gjennom hele løpet. For å få til dette var det viktig med tett samhandling, både med Bouvet og driftsorganisasjon som hjalp oss med fagstøtte og organisering av tester, forteller Håkon Hilmar Ferkingstad fra Gassco.  

Håkon forteller videre at de er svært fornøyde med å ha klart å gjennomføre oppdraget og testing av dronen i felt, sett i lys av restriksjoner for covid. 

– Vi er også godt fornøyde med resultatet, både fra testingen, men også av hele leveransen som Bouvet har vært med å levere, avslutter Hilmar Ferkingstad.    

 

Veien videre

Videre vil vi sammen med Gassco se på muligheten for å utvide systemet for å håndtere mer sammensatte problemstillinger. Det kan være å detektere is som et mulig fallende objekt, det kan gå på integrasjoner mot andre systemer som kart og 3D-modeller. 

Torbjørn Bratland, utvikler i Bouvet, styrer dronen på testanlegget.
Torbjørn Bratland, utvikler i Bouvet, styrer dronen på testanlegget.