利用热成像、预训练深度学习模型和机器人平台检测泄漏
计算机视觉与模式识别
2025-10-13 v1 机器学习
机器人学
摘要
本文提出一种实时泄漏检测系统，利用预训练深度学习模型结合 RGB 与热成像，对泄漏与否场景在多样化环境下进行分类。使用平衡的二分类数据集（4000 张图像），实验结果表明热成像在推理速度、准确率和模型规模方面具有优势。我们使用轻量级模型如 VGG19 和 NasNetMobile 实现最高达100% 的准确率，热成像模型在不同照明条件下运行更快且更稳健。该系统运行于消费级硬件（RTX 4080）上，推理时间可低至44毫秒，模型规模控制在350MB 以下，凸显其在安全关键场景中的可部署性。实验中使用真实机器人及测试数据集的结果表明，基于热成像训练的 VGG19 模型性能最佳。
引用
@article{arxiv.2510.08770,
title = {Detecting spills using thermal imaging, pretrained deep learning models, and a robotic platform},
author = {Gregory Yeghiyan and Jurius Azar and Devson Butani and Chan-Jin Chung},
journal= {arXiv preprint arXiv:2510.08770},
year = {2025}
}
备注
6 pages