通过结合红外成像和基于气体更快区域的卷积神经网络技术,自动检测甲泄漏
Jinhui Zuo1, Zhengqiang Li2, Wenbin Xu3
1Sinopec Research Institute of Petroleum Engineering Co., Ltd., Beijing 102206, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了一种使用红外成像和基于气体更快区域的卷积神经网络 (Gas R-CNN) 的自动化甲泄漏检测系统. 该方法准确地识别气体泄漏,并量化泄漏率,以提高安全性.
科学领域:
- 环境监测环境监测环境监测
- 红外光谱法 红外光谱法 红外光谱法
- 安全系统中的人工智能
背景情况:
- 气体泄漏带来了重大的环境和安全风险.
- 无接触红外成像提供大规模的实时气体泄漏检测.
- 由于信号较弱,在复杂的环境中可靠地检测小泄漏存在挑战.
研究的目的:
- 开发一种使用红外成像和基于气体更快区域的卷积神经网络 (Gas R-CNN) 的自动化甲泄漏检测方法.
- 为了准确地分类甲泄漏量 (≥30毫升/分钟),并允许进行定量分析.
- 为了提高气体泄漏检测在具有挑战性的条件的可靠性和准确性.
主要方法:
- 使用未冷却的红外成像系统捕获气体泄漏图像.
- 开发了一种新的天然气R-CNN模型,结合了多尺度特征网络和兴趣区域对齐.
- 集成ResNet50具有高效的道注意力机制,用于增强特征提取.
- 应用图像增强技术以增加数据集多样性.
主要成果:
- 气体R-CNN模型准确地检测到泄漏区域,并对泄漏量进行分类.
- 实现了高平均精度:0.9599为30毫升/分钟,0.9647为100毫升/分钟,0.9833为300毫升/分钟.
- 证明了对红外气体泄漏图像进行定量分析的能力.
结论:
- 拟议的自动化方法有效地使用红外成像检测和量化甲泄漏.
- 气体R-CNN模型显示了提高气体泄漏检测可靠性和安全性的巨大潜力.
- 这种方法可以准确地实时监测和评估气体泄漏率.
