基于红外图像与深度学习分割方法的大规模喷射火焰几何特征提取用于风险管理
计算机视觉与模式识别
2022-01-21 v1 图像与视频处理
摘要
射流火在工业装置可能发生的各类火灾事故中相对较小且影响最轻；然而，它们通常涉及一种称为多米诺效应的过程，会导致更严重的事件，例如爆炸或另一处火灾的引发，使得对此类火灾的分析成为风险分析的重要部分。本研究探索了深度学习模型的一种替代应用方法，该方法利用射流火火焰的语义分割来提取对火灾风险评估相关的主要几何属性。我们对传统图像处理方法与若干最先进的深度学习模型进行了比较。发现最佳方法是一种称为 UNet 的深度学习架构，及其两种改进版 Attention UNet 和 UNet++。随后这些模型被用于分割一组具有不同管道出口直径的竖直射流火焰，以提取其主要几何特征。Attention UNet 在火焰高度与面积的近似上取得了最佳综合性能，同时显示出其与 UNet++ 间统计显著性差异。UNet 在抬升距离近似上取得最佳整体性能；但尚无足够数据证明 Attention UNet 与 UNet++ 间存在统计显著性差异。UNet++ 唯一优于其他模型的情形是在获取管道出口直径 0.01275 m 的射流火焰抬升距离时。总体而言，所探索的模型对以声速与亚声速状态释放的相对大型湍流丙烷射流火焰，其实验值与预测值间表现出良好一致性；因此，这些辐射区分割模型可作为不同射流火灾风险管理场景的适用方法。
引用
@article{arxiv.2201.07931,
title = {Experimental Large-Scale Jet Flames' Geometrical Features Extraction for Risk Management Using Infrared Images and Deep Learning Segmentation Methods},
author = {Carmina Pérez-Guerrero and Adriana Palacios and Gilberto Ochoa-Ruiz and Christian Mata and Joaquim Casal and Miguel Gonzalez-Mendoza and Luis Eduardo Falcón-Morales},
journal= {arXiv preprint arXiv:2201.07931},
year = {2022}
}