基于紅外光譜成像的危險氣體泄漏檢測技術綜述

曹江濤, 李泉成, 班銘, 劉繼臻, 姬曉飛

(1.遼寧石油化工大學信息與控制工程學院, 撫順 113001; 2.沈陽航空航天大學自動化學院, 沈陽 110136)

隨著石油、煤炭、化工等工業的不斷發展,人們在生產活動過程中會不可避免地接觸到一氧化碳(CO)、甲烷(CH4)、乙烯(C2H4)、氨氣(NH3)、氯氣(Cl2)、六氟化硫(SF6)等可燃或有害氣體。若不能在這些氣體發生泄漏后及時發現并處置,就有可能釀成火災、爆炸或人身中毒、窒息等惡性事故,使人民群眾的生命財產安全產生嚴重損失。此外,燃料不充分燃燒、催化轉化裝置失效等情況會導致尾氣中二氧化硫(SO2)、氮氧化物(NOx)等有害氣體含量超標,對人體健康和大氣環境產生不利影響[1]。由此可見,氣體檢測在工業生產中有著十分重要的作用,是杜絕事故、保證企業安全生產的關鍵,是生產人員與周邊群眾安全的保障。

在常用的氣體檢測方法中,傳統的點傳感器價格低廉,但有與氣體發生化學反應、需頻繁標定等不足之處;基于紅外吸收光譜技術的檢測方法能夠進行無接觸檢測和濃度分析,具有精確度高、安全性高、維護簡便等優點。而紅外光譜成像技術能夠在遠距離、大范圍地將泄漏氣體可視化并進行監測,適用于廣域監控,具有廣闊的應用前景。現從現有氣體檢測技術對比、紅外成像原理與硬件構成、泄漏氣體圖像可視化及成分濃度分析、氣體泄漏自動檢測算法等方面對紅外光譜成像技術在氣體檢測方面的研究進行介紹,并對技術難點與發展趨勢進行總結。

1 現有氣體檢測技術

用于可燃氣體檢測的傳感器的研究最早可追溯到19世紀初的催化燃燒式傳感器。經過兩個世紀的發展,現在主流的氣體傳感器根據原理可分為催化燃燒式[2-3]、半導體式[4]、電化學式[5]和紅外吸收式,其原理及優缺點如表1所示[6]。

表1 氣體傳感器原理及特點[6]

基于紅外吸收光譜的氣體檢測系統具有精度高、速度快、不發生化學反應等優點,能夠在不接近泄漏點的情況下,準確地識別出氣體的類別和濃度分布[7],縮短了反應時間,是一種效率高、維護成本低的氣體檢測方式。常用的紅外氣體傳感器又可分為差分吸收光譜法、光腔衰蕩法和傅里葉變換紅外光譜法等。

(1)差分光學吸收光譜法:差分光學吸收光譜技術最初由Platt等于1979年提出[8]。分光器將特定波長的激光束分成兩束,一束探測光束通過吸收池,另一束參考光束直接被探測器接收。被吸收池中的氣體分子吸收后的光束在某些波段內有所減弱,利用光譜儀和探測器將光束的光信號轉換成為電信號后,將兩組信號相減以測定吸收率。該技術響應速度快、精度高,常用于空氣污染物監測[9-10]。

(2)光腔衰蕩光譜法:該方法使用高精度光學諧振腔以增加有效吸收程,通過測量衰蕩時間來測量樣品的吸光度。其結果不受光源波動的影響,是一種靈敏度顯著高于傳統吸收光譜的檢測技術,被廣泛應用于低濃度氣體的測量。李青原等[11]采用光腔衰蕩光譜技術實現了對病人呼氣中異戊二烯的10-6級高靈敏檢測。

(3)傅里葉變換紅外光譜(Fourier transform infrared,FTIR)技術,是基于邁克爾遜干涉儀的雙光束干涉技術,屬于遠距離光學遙測技術,可用于高濃度氣體排放的在線監測[12]。在檢測過程中,儀器的紅外窗口覆蓋了大部分分子波段,因此傅里葉變換紅外光譜技術能夠較好地應用在多組分氣體的檢測中[13]。傅里葉變換紅外光譜技術對于空氣中高濃度揮發性有機物的測量精度高、穩定性好;但是檢出限高,在對空氣中低濃度氣體進行測量時會產生較大的誤差[12]。

紅外成像方法比傳統點式儀表更智能,具有不與氣體直接接觸、報警時間短、可遠距離監測、能將泄漏可視化等優點。運用計算機視覺技術對紅外光譜圖像進行處理,能夠實現精確定位泄漏源、分析氣體濃度、自動報警等功能,適用于化工園區、危險氣體輸送等場所的泄漏檢測和氣體濃度分析。下面對紅外光譜成像及檢測算法等關鍵技術進行詳細介紹。

2 紅外光譜成像原理與硬件簡介

2.1 紅外吸收光譜原理

分子吸收光譜主要是分子吸收光子能量加劇原子核振動產生的。由量子力學可以證明,分子的振動總能量為

(1)

式(1)中:υ為振動頻率,Hz;h為普朗克常數;n為振動量子數,n=0, 1,2,3,…,分子處于基態時n=0。

當有光子能量(E=hν)恰好等于分子振動能級的能量差(ΔE=Δνhn)的紅外輻射照射到分子時,分子將吸收紅外輻射并躍遷至激發態,導致振幅增大。

另一方面,構成分子的原子電負性不同而顯示出不同的極性,稱為偶極子。只有當輻射頻率與偶極子固有頻率相匹配時,分子才能與輻射相互作用增加振動能。即只有發生偶極矩變化的分子振動才能引起紅外吸收。

由上可知,對于指定分子,只有特定頻率的輻射才能夠激發其中基團的共振,使其吸收光子能量并產生振動躍遷[14]。如果用連續頻率的紅外光照射樣品,由于試樣對不同頻率的紅外光吸收程度不同,通過試樣后的紅外光在一些波數范圍減弱,在另一些波數范圍內仍然較強,形成了該試樣的紅外吸收光譜[15-16]。每種分子的紅外吸收光譜由其組成和結構所決定,據此可以對樣品進行成分分析和鑒定[17-18]。

2.2 紅外光譜成像儀器

在眾多紅外成像技術中,紅外熱成像技術首先被用于檢測高溫/低溫氣體泄漏[19]。隨著光學設備制造工藝的發展,窄通帶濾光片逐漸普及,幫助成像儀在指定波段附近成像,增加了成像結果中紅外吸收光譜的比重,使得基于紅外吸收光譜的成像儀得到廣泛應用。與此同時,傅里葉變換紅外光譜成像儀因其能夠輸出具有更多信息的高光譜數據而成了多組分分析的研究熱點。

2.2.1 紅外熱成像儀

任何溫度在絕對零度以上的物體都會輻射紅外線,輻射強度與物體表面溫度成正相關。波長處于大氣窗口內的紅外線能夠進入紅外熱成像儀,到達焦平面傳感器并使其溫度發生微變,進而改變其表面電阻。因此,紅外熱成像儀能夠根據物體的紅外輻射強度獲取其表面溫度信息,將人眼無法看見的目標表面溫度分布轉換成可視圖像[20]。

根據以上原理,溫度與背景不同的泄漏氣體將在紅外圖像中呈現為與背景不同的亮度,進而被檢測到[21]。此外,管道輸送的氣體通常具有很高的壓強[22-23]。根據焦耳-湯姆遜效應(Joule-Thomson effect),高壓氣體失壓時溫度會降低(氫氣和氦氣除外)[24],這一現象使得紅外熱成像儀能夠檢測到常溫高壓氣體泄漏。

2.2.2 紅外光譜成像儀

紅外光譜成像儀的成像原理與紅外熱成像儀相同,但在光路中加入了紅外濾光片或微棱鏡陣列[25],使得只有指定波長的紅外光能夠參與成像。當視野內存在紅外吸收峰處于濾光片的通帶范圍內的氣體分子時,感光元件所接收到的紅外光線強度將減弱。若光線強度的變化大于光譜儀的靈敏度,輸出圖像上對應位置的亮度會降低,從而實現對氣體的探測[26]。基于光譜成像技術的氣云成像攝像機在極端天氣下的準確度等方面具有顯著優勢,適用于對河流穿越、地形地質高危區域、無人值守井場等場所進行遠程監控[27]。

2.2.3 傅里葉變換紅外光譜成像儀

傅里葉變換紅外光譜成像儀是一種基于干涉分光的光譜數據采集系統,具有光譜分辨率高、通光效率高、可凝視成像等特點[28]。

邁克爾遜干涉儀是傅里葉變換紅外光譜成像儀的重要組成部分。光線進入干涉儀內部,在分束器P上被分成兩束光分別在固定反射鏡M1和移動反射鏡M2處反射。兩束光在分束器P處重新組合,最終聚焦在接收器上。移動反射鏡M2時光程差d隨之移動,而光束的接收強度E作為光程差d的函數,經傅里葉變換可繪制出光譜圖,即多波長合成的零維圖像,可視為二維圖像上的一個像素。在干涉儀中加入成像透鏡,并將接收器換為焦平面傳感器,即為傅里葉變換紅外光譜成像儀。

如圖1所示,入射景物的紅外輻射被邁克爾遜干涉儀空間調制,形成原始的時空序列的圖像數據立方。將數據立方進行重組、校正、傅里葉變換等處理,得到光譜立方[29]。

圖1 傅里葉變換紅外光譜成像儀原理圖Fig.1 The schematic diagram of Fourier transform infrared spectral imager

相對于傅里葉變換紅外光譜成像儀,紅外熱成像儀與紅外光譜成像儀結構簡單、維護成本低,用于氣體泄漏檢測的相關研究較為成熟。

3 泄漏紅外圖像可視化及濃度分析理論

基于紅外成像技術的氣體泄漏檢測具有效率高、適用場景廣、響應時間短等優點[21],已經在手持設備領域得到了廣泛的應用;此外,紅外成像技術在濃度分析方向的研究也在不斷發展中。

3.1 泄漏圖像可視化

目前基于紅外成像技術的氣體泄漏檢測已有較為成熟的產品[30],并在石化行業得到了廣泛的應用[31]。但現階段光學氣體成像儀產品僅能做到將紅外圖像可視化,對氣體是否泄漏需要進行主觀判斷,自動化程度低,無法用于自動監測。

3.1.1 紅外熱成像

1999年,Jach等[19]就嘗試使用斯特林制冷的主動紅外熱成像儀對泄漏的CH4氣體進行監測,驗證了方法的可行性。近年來,紅外熱成像泄漏檢測技術受到了廣泛關注。Liu等[32]設計了一種紅外熱成像系統,能夠在近距離檢測到以0.2 L/min速率泄漏的異丁烯(C4H8),拍攝圖像及經過指數變換和邊緣抑制后的結果如圖2所示(背景溫度60 ℃,C4H8氣體溫度22.4 ℃,指數γ=2)。

圖2 紅外熱成像系統圖像樣例[32]Fig.2 Sample images of infrared thermal imaging system [32]

該方法依靠溫度差來區分泄漏氣體與背景,可使用在高溫氣體、低溫氣體和高壓氣體等場景的泄漏檢測。但當氣體溫度與背景相近時,熱成像設備難以對氣體和背景進行分辨,無法應用在低壓常溫氣體和緩慢泄漏的情景。此外,在存在蒸汽、熱源等溫度干擾的場景中使用會出現頻繁誤報的問題。

3.1.2 紅外光譜成像

基于紅外吸收光譜的成像設備對指定波長范圍的紅外光敏感,特異性地增強了相關氣體對成像亮度的影響,能夠有效彌補紅外熱成像使用場景受限的問題。

Long等[33]介紹了一種采用窄帶濾光片的紅外光譜成像儀,并將其用于SF6和二氧化碳(CO2)的泄漏檢測。該團隊拍攝的CO2泄漏圖像如圖3所示,其中能夠看到明顯的泄漏氣羽。

圖3 CO2氣體泄漏圖像[33]Fig.3 Leaking image of CO2 gas [33]

基于紅外吸收光譜的成像設備具有響應迅速、抗干擾能力強、探測距離遠等優點,還可以通過更換濾光片對不同氣體進行檢測。

3.1.3 傅里葉變換紅外光譜成像

對于含有吸收峰不同的氣體成分的混合氣體,高光譜數據能夠在多個波段同時成像,分別分析,進而獲得混合氣體的成分組成。因而,傅里葉變換成像光譜儀在混合氣體檢測領域具有特別的優勢。

鄭為建等[34]、楊智雄等[35]設計了長波紅外時空調制高光譜成像儀裝置,對乙醚(C2H5OC2H5)蒸氣、甲基膦酸二甲酯(DMMP)蒸氣、NH3和SF6氣體進行了低空探測,實現了對氣體云團種類和分布的快速識別。孫秉才等[36]使用FTIR光譜氣云成像系統檢出了SO2、對二甲苯(PX)蒸氣、CH4等7種氣體,并以云圖的形式展示出了氣體擴散軌跡。

上述實驗成功驗證了基于FTIR成像技術進行多組分氣體泄漏檢測的可行性,明確了其具有精度高、探測距離遠的優點,但仍存在傅里葉變換處理對設備算力有一定要求的不足;文獻[34-35]所使用的成像儀通過反射鏡掃描的形式在線傳感器上成像,對儀器精度、平臺震動有一定要求,響應速度較慢;文獻[36]采用掃描的方式在單像素探測器上成像,運行速度慢,分辨率低。

3.2 濃度分析理論

根據比耳-朗勃特定律(Beer-Lambert law),對于一段均質氣體,入射光束原始光強I0與氣體吸收后的光強I滿足關系[37]

I=I0e-σNL

(2)

式(2)中:I0和I分別為光束被氣體吸收前后的光強,W/sr;σ為分子吸收截面,cm2/molecule;N為被測物質的濃度,molecule/cm3;L為總的氣體吸收光程長,cm。

在紅外圖片中,像素值代表了到達成像儀的紅外線的光強I。根據式(2),可結合無氣體吸收時的光強I0求出光路中氣體的柱濃度,從而實現利用紅外光譜成像技術對氣體進行定量分析。

趙華等[38]提出,假設水平面的甲烷氣體密度分布具有圓對稱性,則可利用阿貝爾變換獲得其在水平面上的密度分布。焦洋等[39]基于傅里葉變換光譜儀設計了一套紅外被動成像系統,對SF6開展了遙測驗證實驗;通過非線性最小二乘算法結合輻射傳輸計算反演獲得了目標氣體的柱濃度,得出了背景譜與樣品譜的溫度差距越大,反演濃度與實際分布差距越大的結論。Rangel等[40]設計了一個立體相機系統對甲烷氣體進行空間成像,用于檢測氣體的空間濃度和速度,但受設備限制,各相機拍照時間的不同步會嚴重影響計算結果。以上研究均表明,使用光譜成像技術測量氣體濃度具備一定可行性,但由柱濃度推算點濃度需要引入其他假設或更加完善的設備,提高了測量難度。

Turcotte等[41]提出了迭代特征抑制(iterative signature suppression,ISS)方法,將預先確定氣體成分的特征加入背景子空間后,使用廣義似然比檢驗(generalized likelihood ratio test,GLRT)重新減去這一信號。該方法能夠提高隱藏在氣羽中高濃度組分下其他成分的檢測精度。

值得注意的是,由于溫度對紅外成像結果影響很大,而實際場景中氣體溫度難以控制、環境干擾因素多,現階段基于紅外成像的濃度測量裝置難以投入使用。

4 紅外光譜圖像的氣體泄漏自動檢測算法

通過光譜成像獲得的紅外圖像數據需要經過處理才能獲取氣云位置、氣體種類和濃度等信息。氣體泄漏檢測算法的基本流程如圖4所示:基于傳統方法的泄漏氣體檢測通常需要經過預處理增強圖像、前景提取獲得可能的目標區域、特征篩選排除干擾等操作;基于深度學習的算法較為簡便,能夠直接對輸入圖片進行檢測。最后,在比較算法好壞時,需要確定一些指標對其性能進行評價。

圖4 泄漏檢測算法處理流程Fig.4 Procedure of leakage detection algorithm

4.1 紅外圖像預處理

紅外成像儀(包括固定焦平面成像儀和傅里葉變換成像儀)輸出的紅外圖像中不可避免地包含一些噪聲,而且非制冷型成像儀的噪聲比制冷型成像儀更強。Zhang等[42]針對圖片中的噪聲、網格及死點提出了一種基于形態學自適應時域濾波的增強方法,結合了遞歸濾波和均值濾波,能夠有效去除噪聲、大大提高泄漏區域的可見度。Jadin等[43]針對簡單背景下氣體泄漏設計了一個檢測算法,先后對圖像進行濾波、二值化、連通域面積篩選等操作,以判斷是否存在氣體泄漏,最終對自制均勻背景氣體泄漏數據集的識別準確率達95%。Wang等[44]設計了一種將目標氣體的空間分布顯示出來的檢測軟件。使用小波去噪、圖像閾值分割等方法識別光譜圖像中的目標氣體,并用偽彩色標記后顯示出來。

李家琨等[7]針對紅外圖像噪聲大、細節少等問題,分別提出了自適應小波降噪參數優化算法、最小化平方梯度差和算法,能夠有效提高圖像質量。Liang等[45]針對圖像信噪比低的問題提出了一種實時增強算法,首先使用濾波器處理圖像得到模糊圖;再對原始圖像和模糊圖做差得到細節層;最后增強細節層,并與模糊圖疊加,從而達到增強紅外圖像中細節的目的。

此外,近期深度學習方法也應用到紅外氣體的預處理操作中。針對高光譜圖像中的冗余信息, Su等[46]開發出了基于無監督解混的深度自動編碼器網絡,采用堆疊式自動編碼器學習光譜特征、變分的自動編碼器用于盲源分離,能夠排除異常和低信噪比數據。對于獲取的圖像中模糊或受遮擋的部分,Qiao等[47]提出了一個基于U-net的生成對抗網絡,用于恢復受損圖像;同時使用另一個經過預訓練的基于VGG16的U-net網絡輔助提取特征損失。

對單一均勻背景的氣體泄漏圖像,經過簡單處理后即可獲得目標氣體區域。但真實場景中通常不會出現此類理想狀況,其他后續處理是十分必要的。在此過程中,噪點會對檢測產生干擾,豐富的氣云特征能夠有效提高檢測準確率。因而預處理階段主要的目的是增強細節和減少噪聲,方便后續處理。

4.2 前景提取

實際應用中氣體泄漏的背景十分復雜,僅經過預處理的圖像無法使用簡單的形態學操作直接獲得氣體區域,需要對背景和前景進行分割。

李珊紅等[48]針對泄漏點溫度變化在圖像中產生的灰度值細微變化,提出了一種幀差方差法。該方法以差分圖像為基礎,使用方差法增大泄漏點的灰度變化,實現了對金屬容器泄漏點的定位。受限于幀差的原理,該方法僅適用于視野和目標容器靜止的場景。

Ohel等[49]將背景數據立方和輸入數據立方分別轉換成向量,使用光譜角制圖值(spectral angle mapper,SAM)衡量二者相關度后,對異常向量進行K均值分類,接下來進行形態學操作排除不符合標準的對象,最終確定是否存在氣體泄漏。文獻[45,50-51]使用高斯混合建模分割前景,并以一些氣體特征進行篩選,得到了較為準確的氣體圖像。上述方法主要思想是將低維光譜數據映射到高維空間,利用前景與背景不同的位置關系進行分離。但文獻[50]存在一些不足:后續形態學操作僅有開濾波,無法將氣云同鳥、飛機等干擾區分開;此外,對于單一氣體的檢測而言,使用高光譜數據會占用額外的數據帶寬,增加設備的使用成本。高斯混合模型需要每個模型有相當數量的點進行訓練,當前景占比較小時算法易發散,效果差;背景復雜及光照發生變化時會產生較多誤報。

對于背景比較規律的場景,除直接進行背景分割外,還可以對圖像進行背景重建,再與原圖做差得出殘差圖像,獲得前景物體,該技術已被廣泛用于缺陷檢測[52]等領域的初步分割。宋曉瑞等[53]首先獲取高光譜圖像的背景光譜字典,重構得到預測背景,接下來用預測背景圖像與原始圖像計算得到殘差圖像,最終利用局部RX檢測算法進行異常目標檢測。該算法對不同場景下異常檢測的運行時間高達91～112 s,無法用于實時監測,但其耗時主要來自原始算法LRX和求取字典及編碼時的循環迭代。在應用中,間隔若干幀使用一次背景重建,再利用殘差圖像提取前景進行后續分析能夠降低數據量,提高檢測速度。

4.3 特征選擇

在復雜環境中,提取出的前景除氣體外還包含人物、車輛等干擾,會產生誤報,接下來需要應用氣云所具有的特征對干擾進行剔除。常用特征有運動特征、形狀特征及紋理特征,下面分別對典型算法進行詳細介紹。

4.3.1 運動特征

泄漏氣體與常見干擾相異的運動特征主要表現為其擴散性。從動態的角度,紅外圖像中的氣云具有隨時間擴大的趨勢,而行人等干擾物的面積多為固定;從靜態的角度,氣體的泄漏狀態達到穩定后,氣體濃度在泄漏點處最高,并隨著擴散而降低,因而泄漏氣體在紅外圖像中呈現出的“亮度降低”由中心到邊緣逐漸減弱。

洪少壯等[50]在前景分割后的區域增長操作中不斷加大閾值,使得氣云依次呈現出由大到小的連通域,與其他干擾物形成的面積基本不變的連通域不同,實現從連通域面積的角度描述氣云的擴散特征并與干擾物區分。該算法在背景復雜時具有一定的局限性,適合用于無雜物的開闊場地泄漏監測。

4.3.2 形狀特征

當高壓氣體和低壓氣體發生泄漏時,其在紅外圖像中的形狀有很大區別:高壓氣體會呈現出錐形、而低壓氣體沒有固定形狀,僅呈現出邊緣不規則性。

Wang等[54]提出了一種用于煙霧檢測的錐形識別算法:提取疑似區域的長軸和短軸,當短軸將區域分成的上下兩部分質心到整體質心的距離之比介于0.6和0.95之間時,認為區域為倒錐形。該算法可應用于高壓氣體泄漏中的錐形特征識別。

對圖形的不規則性,人們通常使用圓形度進行量化。洪少壯等[50]認為行人和車輛等物體的圓形度與泄漏氣體相近,無法做出準確區分,從而提出使用描述邊緣彎曲程度的曲率熵對運動區域的不規則性進行度量,進而排除干擾。

4.3.3 紋理特征

同煙霧類似,紅外圖像中的泄漏氣體也存在一些紋理特征。方向梯度直方圖(histogram of oriented gradient,HOG)是通過計算局部圖像梯度的方向信息的統計值來描述圖像局部紋理特征的方法。洪少壯等[50]將HOG與支持向量機結合用于氣體檢測的紋理特征判別:將圖片切為7×7個檢測窗口,串聯各塊的梯度方向特征得到HOG特征,接下來送入支持向量機進行訓練,最終有效降低算法的誤報率。

翁靜等[55]設計了一種利用尺度不變特征(scale-invariant feature transform,SIFT)區分氣云與干擾物的熱成像檢測算法:先用幀間差分法獲得運動目標后,使用VLFeat提取樣本的SIFT特征,再使用K-means聚類算法構造特征表,根據特征在圖像中出現的頻率對氣體與干擾進行分類。該方法測試過程貼近真實場地,精確率達86.00%,每幀圖像的處理時間約3.6 s,可用于廠區監控,不適合用于手持設備或自動巡檢。

實際應用中,背景和泄漏氣體的復雜性限制了基于單一特征的算法的準確率,需要引入多特征級聯的方式進行檢測,并根據不同的使用場景手動設計不同的特征閾值;環境光照的變化也會影響算法穩定性。這些不足使得使用傳統方法進行泄漏氣體檢測具有很大局限性。

4.4 基于深度學習的檢測方法

基于深度學習的檢測方法不需要手動提取特征,可直接、快速、高效地對輸入圖像或視頻進行檢測與定位[56]。

Wang等[57]提出了一種基于卷積神經網絡(convolutional neural networks,CNN)的氣體泄漏檢測網絡GasNet。在自制CH4氣體泄漏數據集GasVid上總體準確率可達95%。兩年后,該團隊首次開發了用于氣體泄漏視頻檢測的VideoGasNet[58],其以3D CNN為核心,二分類的準確率提高到接近100%;也可對視頻中小、中、大型氣體泄漏的三類自動分類,準確率可達78.2%。

上述研究致力于判定圖像中是否存在泄漏氣體,沒有對氣體進行定位,無法將檢測結果用于尋找故障源頭。Huang等[59]提出了基于YOLOv4的SF6氣體泄漏檢測算法,能夠在1.5～5.5 m的距離上排除熱干擾及動態水蒸氣干擾,檢測精度可達88%。該算法能夠大致確定氣體當前的擴散范圍,有利于后續檢修工作的開展。

對氣體進行分割能夠更加精準地獲取泄漏氣體的位置信息,錐形氣云甚至有助于對泄漏點進行直接定位。 Marshall等[60]將U-net網絡用于分割泄漏氣體,其結構相比標準的全卷積網絡(fully convolutional networks,FCN)更適合用于語義分割。受限于有限的數據量,網絡有時會對天空產生誤報以及出現分割區域不完整的情況。谷小婧等[61]針對氣羽的各向異性特點,采用二維高斯模型下的概率函數作為嵌入空間的相似性度量,提出了一種通過聚攏像素點并學習一個斜橢圓形的帶寬來分割氣羽的深度網絡。

在硬件支持且充分訓練的情況下,深度學習方法具有更快的速度和更強的泛化能力,不需要手動設計特征,預處理操作也更加簡單,具有良好的發展前景。但網絡性能受訓練數據影響很大,使用場景發生變化時輸出結果不穩定,因而投入使用前需要使用充足的數據進行訓練。另一方面,氣體泄漏視頻中包含十分豐富的時序信息,其中的氣云運動信息可以作為檢測的重要依據,但目前基于深度學習的方法多存在數據場景單一、幀間信息沒有得到利用的問題,檢測的精度難以保證。

4.5 評價指標

對于檢測氣體泄漏準確性的評價有如下幾種:基于判斷圖像或視頻中有無氣體的二值化判斷的準確率;由二值判斷衍生出的檢出率(true positive rate,TPR)、虛警率(false positive rate,FPR)、受試工作特征曲線(receiver operating characteristic curve,ROC)及曲線下面積(area under curve,AUC)用于描述檢測的準確性;基于分割區域面積占比,描述分割準確程度的交疊率(intersection over union,IoU);用于評價算法速度與資源占用的檢出時間(s)[60]和運行速度(幀/秒)[60-61]。上述主要評價指標的計算方法或繪制方法如表2所示。各文獻使用的數據集不盡相同,因而無法直接比較其性能優劣;通常出現氣體泄漏的時間遠少于無泄漏狀態,因而虛警率會比召回率更加受到關注;一般認為運行速度快于1幀/秒可基本實現實時檢測。

表2 泄漏氣體檢測算法的準確性評價指標

5 技術難點及發展趨勢

現階段用于氣體泄漏檢測的紅外成像儀器較為成熟,但能夠投入使用的檢測算法還不完善,設備自動化程度低。現有的檢測算法大多僅適用于特定場景,而實際應用中環境十分復雜,雨雪、霧霾、低溫等條件會對檢測產生干擾;氣體的溫度、壓強等物理性質也會影響檢測結果,具體的技術難點和發展趨勢如下。

5.1 圖像增強

受溫度、背景、攝像機成像質量等因素影響,氣體泄漏紅外圖像中的氣云部分往往不夠明顯,直接進行檢測比較困難。如何提高圖像的清晰度、突出圖像中的氣云信息、提高檢測算法的性能仍是亟待解決的問題。當前出于研究熱門的圖像增強網絡如AWGAN[62]、RSGUNet[63]等能夠對低質量彩色圖像進行處理,在亮度、對比度、邊緣銳化、噪聲抑制等方面提高圖像質量,但應用在紅外光譜圖像時存在如下的問題:色彩通道不匹配會導致無效節點過多、網絡臃腫,降低運行效率;圖像增強操作通常以凸顯邊緣、亮度均衡化等良好觀感為目的,不僅與氣云的漸變式的邊緣不符,甚至有可能會弱化氣云特征,以至于干擾氣體檢測過程。因此,根據氣云特性設計對應的增強算法及網絡、人工增強氣云來制作用于訓練網絡的圖像對等方法有望在紅外圖像預處理中發揮作用。

5.2 幀間微小運動信息獲取

相對于傳統算法,深度學習檢測網絡具有更好的魯棒性和泛化性,能夠充分利用設備性能。在手持式紅外成像儀的使用中,人眼通常無法在靜止的照片中找到泄漏氣體的微小氣羽,但能直接在運動的視頻中觀察到。這表明低壓泄漏氣體的運動信息相較于靜態信息更加顯著,適合用于泄漏檢測,而現階段相關研究多為單幀檢測,因而通過引入循環神經網絡(recurrent neural network,RNN)、時間卷積網絡(temporal convolutional network,TCN)[64]、光流網絡[65-66]等方法,在現有檢測網絡的基礎上融入時序信息、動態信息作為檢測輔助是未來重要的發展方向。

5.3 多源信息融合

在工廠等應用場景中,也存在一些有色氣體的泄漏或因泄漏而形成的水汽、煙霧。得益于RGB相機的高分辨率和高刷新率,在可見光范圍內對這些目標的檢測更加方便、精確;此外,使用RGB相機可以對警報區域進行驗證,可以排除干擾物、降低誤報。將紅外成像與可見光成像進行有效融合進行泄漏檢測也是一個提高檢測準確率的有效途徑之一。但即使相距很近的紅外攝像頭和可見光攝像頭,其拍攝的圖像仍會有不同,配準時往往會產生位移,降低圖像分辨率。如何保證融合圖像的清晰度是紅外-可見光融合方向研究重點之一[67]。在此研究中重點需要解決攝像頭旋轉、圖像畸變等因素影響。此外因為多源信息往往存在異構性,研究紅外信息與可見光信息等多源信息的有效融合方式,建立多源信息融合的深度學習統一框架是解決石油煉化企業、化工園區等危險氣體監測的重要研究方向。