基于红外相机的天然气甲烷排放机器视觉检测
计算机视觉与模式识别
2019-04-19 v1 机器学习
图像与视频处理
摘要
减少天然气甲烷排放至关重要，因其可能抵消以气代煤的气候效益。光学气体成像（OGI）是广泛使用的甲烷泄漏检测方法，但劳动密集且离不开操作员判断才能给出检测结果。本文开发了一种基于计算机视觉的 OGI 泄漏检测方法，使用在甲烷泄漏图像上训练的卷积神经网络（CNN）实现自动检测。首先，我们收集约 100 万帧带标注的甲烷泄漏视频用于构建 CNN 模型，涵盖广泛泄漏规模（5.3–2051.6 gCH4/h）与成像距离（4.6–15.6 m）。其次，我们考察不同背景减除方法以提取前景中的甲烷羽流。第三，我们测试三种 CNN 模型变体（统称为 GasNet）以检测其他泄漏设备视频中的羽流。我们通过将其与基于光流变化检测算法的基线方法比较来评估 GasNet 的泄漏检测能力。我们探究结果对 CNN 结构的敏感性，其中中等复杂度变体在不同距离上表现最佳。我们发现检测准确率可达高达 99%，跨所有泄漏尺寸与成像距离的案例整体检测准确率可超 95%。对近距离（约 5–7 m）成像的大泄漏（约 710 gCH4/h），二值检测准确率超 97%。在较近成像距离（约 5–10 m），基于 CNN 的模型跨所有泄漏尺寸准确率大于 94%。在最远距（约 13–16 m），性能急剧下降，但检测大泄漏（>950 gCH4/h）仍能达 95% 以上准确率。基于 GasNet 的计算机视觉方法可部署于 OGI 巡检，在现实世界中实现高检测精度的甲烷泄漏自动监测。
引用
@article{arxiv.1904.08500,
title = {Machine Vision for Natural Gas Methane Emissions Detection Using an Infrared Camera},
author = {Jingfan Wang and Lyne P. Tchapmi and Arvind P. Ravikumara and Mike McGuire and Clay S. Bell and Daniel Zimmerle and Silvio Savarese and Adam R. Brandt},
journal= {arXiv preprint arXiv:1904.08500},
year = {2019}
}
备注
This paper was submitted to Applied Energy