YOLOv8-Seg con aprendizaje dinámico de múltiples núcleos para la segmentación de fugas de gas infrarrojas: un enfoque...

Área de la Ciencia:

• Seguridad industrial
• Visión por computadora
• Imágenes de infrarrojos

Sus antecedentes:

• La detección de fugas de gas es crucial para la seguridad en las instalaciones de petróleo y gas.
• Las imágenes infrarrojas ofrecen monitoreo sin contacto en tiempo real, pero enfrentan desafíos de segmentación.
• Las redes existentes a nivel de píxeles luchan con la precisión, los bordes ásperos y los límites irregulares.

Objetivo del estudio:

• Desarrollar un nuevo marco de capacitación de redes de segmentación a nivel de píxeles para mejorar la detección de gases.
• Mejorar el rendimiento de segmentación de la red YOLOv8-seg para aplicaciones de fugas de gas infrarrojas.
• Introducir un enfoque de aprendizaje de bajo costo y con poca supervisión para las redes de segmentación de la formación.

Principales métodos:

• Se introdujo un umbral dinámico utilizando Visual Background Extractor (ViBe) con YOLOv8-det para generar máscaras de entrenamiento.
• Diseñado una nueva cabeza de segmentación con núcleos dinámicos, colaboración de múltiples ramas, convolución deformable y mecanismos de atención.
• Implementó una pérdida Dice-BCE conjunta ponderada por la confianza ViBe-CRF para refinar los bordes de gas.

Principales resultados:

• Logró un aumento del 6,4% en la puntuación F1 y una mejora del 7,6% en la Intersección media en la Unión (mIoU).
• Reducción significativa de la rugosidad y la irregularidad en los bordes del gas, mejorando la precisión de la segmentación.
• Demostró un nuevo y eficiente algoritmo de detección en tiempo real para imágenes de fugas de gas infrarrojas.

Conclusiones:

• El marco propuesto mejora efectivamente el YOLOv8-seg para la detección de fugas de gas en instalaciones de petróleo y gas.
• El método proporciona una solución más precisa y robusta para el monitoreo de fugas de gas infrarrojas en tiempo real.
• Se introdujo una valiosa estrategia de aprendizaje con poca supervisión para la formación de redes de segmentación a nivel de píxeles de manera rentable.