基于紅外視頻的VOCs 泄漏源定位與氣羽實例分割

摘要：為實現對基于紅外視頻的揮發性有機化合物（VOCs）的自動化檢測，提出了一種泄漏源定位和氣羽實例分割的協同建模方法，既保證了模型對氣羽實例的區分，也保證了每個實例只預測一個泄漏源，并支持單支路網絡通過單次前向推理同時進行泄漏源定位和實例分割。考慮到泄漏源附近的氣羽逸散特性，使用泄漏源位置作為氣羽在嵌入空間的聚類中心，并根據泄漏氣羽的時空分布選取高斯分布概率密度函數的協方差變量，對嵌入空間內的像素進行聚類，得到不同實例的泄漏源定位和實例分割結果。將泄漏源定位問題定義為具有單一關鍵點的關鍵點檢測問題并給出定量評價指標。此外，通過合成數據集獲得更加精確且易于獲取的標注。實驗結果表明，本文提出的方法可以對泄漏氣羽進行較為準確的泄漏源定位和實例分割，綜合定量指標高于其他同類方法，且在真實視頻中具有良好的泛化性。

關鍵詞：紅外氣體成像；氣體泄漏檢測；泄漏源定位；實例分割；合成數據

中圖分類號：TP273 文獻標志碼：A

工業生產中揮發性有機化合物（Volatile OrganicCompounds，VOCs）的泄漏將導致嚴重的安全和環境問題[1]。VOCs 易燃易爆，其泄漏容易引發火災或爆炸；部分VOCs 如甲烷，是強溫室氣體，大量排放將加劇全球變暖；作為重要工業原料，VOCs 泄漏也將造成巨大經濟損失。因此，及時檢測和定位VOCs 氣體泄漏源至關重要。

常用的泄露氣體檢測技術根據檢測原理的不同主要分為氣相色譜法[2]、電化學法[3]、催化燃燒法[4]、半導體法[5] 等。氣相色譜法利用氣體不同的分配系數和吸附能力對氣體進行定量測量；電化學法通過氣體的電化學反應對待測氣體進行檢測；催化燃燒法通過催化燃燒待測氣體來測量其濃度；半導體法基于待測氣體與半導體材料發生反應導致后者電阻值發生變化，通過測量后者電導率等物理量的變化來反映氣體濃度。傳統的泄漏檢測方式大多需要人工接近潛在泄漏點，存在一定危險，且無法對大范圍區域進行快速系統的檢測。近年來，紅外成像技術為VOCs 泄漏檢測提供了新的手段。不同VOCs氣體對特定波長紅外線的吸收作用構成獨特的“氣體指紋”[6-7]，借助紅外相機可以觀測到裸眼不可見的氣體泄漏痕跡。然而當前的檢測過程仍主要依賴人工操作，系統性能易受諸多因素影響，無法實現快速高效的自動化檢測。

目前，基于機器學習與圖像處理的泄漏氣體自動檢測研究還處于初級階段，主要集中在判斷泄漏有無[8-9] 及大致泄漏量級[10-11]。其中，齊勝等[9] 使用格拉姆角場（GAF）將一維紫外光譜信號轉換為時序圖像，再使用改進的VGG16 模型進行分類，實現對單組分氣體的三分類實驗和多組分氣體的四分類實驗。Wang 等[10] 對不同場景下的8 個甲烷泄漏流量的視頻進行了拍攝，先對視頻幀進行背景減法處理，再利用神經網絡對圖像中的泄漏大小進行分類，以便判斷是否存在泄漏以及泄漏的大致等級，并與基于光流法的基線方法進行了對比。在此基礎上，Wang 等[11] 將輸入從圖像擴展到視頻，引入了時序信息，從而獲得了更為準確的泄漏大小分類結果。近期，還有研究探討了泄漏氣羽的實例分割任務[12]，通過計算同一畫面中多個泄漏氣羽各自的面積，能夠更準確地估計泄漏量。然而，這些研究并未涉及到VOCs 泄漏源的定位問題。自動定位泄漏源對于指導泄漏治理至關重要，但當前針對紅外視頻VOCs 泄漏源定位的研究仍然十分有限。