[論文レビュー] Machine Vision for Natural Gas Methane Emissions Detection Using an Infrared Camera

Jingfan Wang, Lyne P. Tchapmi+6 more|arXiv (Cornell University)|Apr 1, 2019

Atmospheric and Environmental Gas Dynamics参考文献 51被引用数 13

ひとこと要約

本論文では、多様な漏れ状況下での100万枚のラベル付きフレームを用いて訓練された畳み込みニューラルネットワーク（CNN）を活用し、赤外線（IR）動画を用いてメタン漏れを自動検出する深層学習ベースのコンピュータビジョンシステム、GasNetを提案する。この手法は、すべての漏れサイズおよび距離において95%を超える全体的な正確性を達成し、近距離では94%以上、大規模な漏れでは長距離でも95%以上を記録し、人的なOGI調査に比べて顕著に性能を向上させた。

ABSTRACT

It is crucial to reduce natural gas methane emissions, which can potentially offset the climate benefits of replacing coal with gas. Optical gas imaging (OGI) is a widely-used method to detect methane leaks, but is labor-intensive and cannot provide leak detection results without operators' judgment. In this paper, we develop a computer vision approach to OGI-based leak detection using convolutional neural networks (CNN) trained on methane leak images to enable automatic detection. First, we collect ~1 M frames of labeled video of methane leaks from different leaking equipment for building CNN model, covering a wide range of leak sizes (5.3-2051.6 gCH4/h) and imaging distances (4.6-15.6 m). Second, we examine different background subtraction methods to extract the methane plume in the foreground. Third, we then test three CNN model variants, collectively called GasNet, to detect plumes in videos taken at other pieces of leaking equipment. We assess the ability of GasNet to perform leak detection by comparing it to a baseline method that uses optical-flow based change detection algorithm. We explore the sensitivity of results to the CNN structure, with a moderate-complexity variant performing best across distances. We find that the detection accuracy can reach as high as 99%, the overall detection accuracy can exceed 95% for a case across all leak sizes and imaging distances. Binary detection accuracy exceeds 97% for large leaks (~710 gCH4/h) imaged closely (~5-7 m). At closer imaging distances (~5-10 m), CNN-based models have greater than 94% accuracy across all leak sizes. At farthest distances (~13-16 m), performance degrades rapidly, but it can achieve above 95% accuracy to detect large leaks (>950 gCH4/h). The GasNet-based computer vision approach could be deployed in OGI surveys to allow automatic vigilance of methane leak detection with high detection accuracy in the real world.

研究の動機と目的

• 自然ガスのメタン漏れを検出するための人的なOGI調査の高コストと一貫性の欠如を是正すること。
• 人為的判断を必要とせず、赤外線動画を用いてリアルタイムにメタンプラウドを検出できる、自動化されたコンピュータビジョンベースのシステムを開発すること。
• さまざまな漏れサイズ（5.3–2051.6 g CH4/h）および撮影距離（4.6–15.6 m）における検出正確性を向上させること。
• 実環境条件下での強固な漏れ検出を実現するため、異なるCNNアーキテクチャおよびバックグラウンド差分法の性能を評価すること。
• 石油・ガス施設における継続的監視を可能にする、スケーラブルで自動化された漏れ検出を実現すること。

提案手法

• 著者らは、さまざまな設備タイプ、漏れ速度、撮影距離を想定した制御下のメタン漏れから、約100万枚のラベル付きIR動画フレームからなる大規模データセットを収集した。
• 静的シーンからのメタンプラウドを分離するために、移動平均フィルタを用いたバックグラウンド差分法を適用し、モデル学習のためのプラウド可視性を向上させた。
• 3つの変種のCNNアーキテクチャ（総称してGasNet）を訓練および評価し、IR動画シーケンスにおける漏れ検出に用いた。
• 複数の撮影条件および漏れサイズにおける検証性能に基づき、最良の性能を示したモデル、GasNet-2を選定した。
• モデル評価では、検出正確性および耐障害性を評価するために、GasNetとベースラインのオプティカルフローに基づく変化検出法を比較した。
• 3つのデータ戦略バリエーション（距離／漏れサイズごとの別モデル、統合モデル、およびすべての組み合わせを一度に学習する統一モデル）を訓練・テストした。その結果、統一モデルが最も優れた汎化性能を示した。

実験結果

リサーチクエスチョン

• RQ1 多様なIR動画データで訓練された深層学習モデルは、さまざまな撮影距離および漏れサイズにおいて高精度な自動漏れ検出を達成できるか？
• RQ2 バックグラウンド差分法の選定が、IR動画におけるCNNベースの漏れ検出性能にどのように影響するか？
• RQ3 実環境下の漏れ検出シナリオにおいて、正確性と汎化性能のバランスを取るために最適なCNNアーキテクチャの複雑さは何か？
• RQ4 撮影距離が検出正確性に与える影響は何か？また、長距離でも高い性能を維持できるか？
• RQ5 さまざまな漏れサイズおよび距離をカバーする多様なデータで訓練された単一の統一モデルは、過学習を避けながらも、効果的に一般化できるか？

主な発見

• GasNetを基盤とするコンピュータビジョンシステムは、テストセットで最大99%の検出正確性を達成し、すべての漏れサイズおよび撮影距離において95%を超える全体的な正確性を示した。
• 近距離（5–10 m）では、すべての漏れサイズにおいて94%以上の検出正確性を維持しており、好都合な条件下での強固な耐性を示した。
• 大規模な漏れ（>950 g CH4/h）では、最長の撮影距離（13–16 m）においても95%を超える検出正確性を示し、高排出源における優れた性能を確認した。
• すべての漏れサイズと距離の組み合わせを一度に学習する統一トレーニング戦略（手法3）は、別々のモデルよりも優れた性能を示した。これは、一般化誤差の低減とデータ多様性の向上によるものと考えられる。
• 小規模な漏れでは、撮影距離が長くなるとプラウドのピクセル数が減少するため、検出正確性が顕著に低下し、撮影距離が性能に影響を与える最も重要な要因であることが明らかになった。
• 移動平均バックグラウンド差分法は、単純な手法に比べて長距離での検出性能を3.8–6.1%向上させた。これは、プラウド分離の観点から、この手法の価値を裏付けている。