基于红外视频的VOCs 泄漏源定位与气羽实例分割

摘要：为实现对基于红外视频的挥发性有机化合物（VOCs）的自动化检测，提出了一种泄漏源定位和气羽实例分割的协同建模方法，既保证了模型对气羽实例的区分，也保证了每个实例只预测一个泄漏源，并支持单支路网络通过单次前向推理同时进行泄漏源定位和实例分割。考虑到泄漏源附近的气羽逸散特性，使用泄漏源位置作为气羽在嵌入空间的聚类中心，并根据泄漏气羽的时空分布选取高斯分布概率密度函数的协方差变量，对嵌入空间内的像素进行聚类，得到不同实例的泄漏源定位和实例分割结果。将泄漏源定位问题定义为具有单一关键点的关键点检测问题并给出定量评价指标。此外，通过合成数据集获得更加精确且易于获取的标注。实验结果表明，本文提出的方法可以对泄漏气羽进行较为准确的泄漏源定位和实例分割，综合定量指标高于其他同类方法，且在真实视频中具有良好的泛化性。

关键词：红外气体成像；气体泄漏检测；泄漏源定位；实例分割；合成数据

中图分类号：TP273 文献标志码：A

工业生产中挥发性有机化合物（Volatile OrganicCompounds，VOCs）的泄漏将导致严重的安全和环境问题[1]。VOCs 易燃易爆，其泄漏容易引发火灾或爆炸；部分VOCs 如甲烷，是强温室气体，大量排放将加剧全球变暖；作为重要工业原料，VOCs 泄漏也将造成巨大经济损失。因此，及时检测和定位VOCs 气体泄漏源至关重要。

常用的泄露气体检测技术根据检测原理的不同主要分为气相色谱法[2]、电化学法[3]、催化燃烧法[4]、半导体法[5] 等。气相色谱法利用气体不同的分配系数和吸附能力对气体进行定量测量；电化学法通过气体的电化学反应对待测气体进行检测；催化燃烧法通过催化燃烧待测气体来测量其浓度；半导体法基于待测气体与半导体材料发生反应导致后者电阻值发生变化，通过测量后者电导率等物理量的变化来反映气体浓度。传统的泄漏检测方式大多需要人工接近潜在泄漏点，存在一定危险，且无法对大范围区域进行快速系统的检测。近年来，红外成像技术为VOCs 泄漏检测提供了新的手段。不同VOCs气体对特定波长红外线的吸收作用构成独特的“气体指纹”[6-7]，借助红外相机可以观测到裸眼不可见的气体泄漏痕迹。然而当前的检测过程仍主要依赖人工操作，系统性能易受诸多因素影响，无法实现快速高效的自动化检测。

目前，基于机器学习与图像处理的泄漏气体自动检测研究还处于初级阶段，主要集中在判断泄漏有无[8-9] 及大致泄漏量级[10-11]。其中，齐胜等[9] 使用格拉姆角场（GAF）将一维紫外光谱信号转换为时序图像，再使用改进的VGG16 模型进行分类，实现对单组分气体的三分类实验和多组分气体的四分类实验。Wang 等[10] 对不同场景下的8 个甲烷泄漏流量的视频进行了拍摄，先对视频帧进行背景减法处理，再利用神经网络对图像中的泄漏大小进行分类，以便判断是否存在泄漏以及泄漏的大致等级，并与基于光流法的基线方法进行了对比。在此基础上，Wang 等[11] 将输入从图像扩展到视频，引入了时序信息，从而获得了更为准确的泄漏大小分类结果。近期，还有研究探讨了泄漏气羽的实例分割任务[12]，通过计算同一画面中多个泄漏气羽各自的面积，能够更准确地估计泄漏量。然而，这些研究并未涉及到VOCs 泄漏源的定位问题。自动定位泄漏源对于指导泄漏治理至关重要，但当前针对红外视频VOCs 泄漏源定位的研究仍然十分有限。