[论文解读] 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 13

一句话总结

该论文提出了一种基于深度学习的计算机视觉系统GasNet，利用卷积神经网络（CNN）对来自多种泄漏状况的100万张标记红外（IR）图像帧进行训练，实现了甲烷泄漏的自动化检测。该方法在所有泄漏尺寸和距离下整体准确率超过95%，近距离检测准确率超过94%，远距离大泄漏检测准确率超过95%，最高可达99%的检测准确率，显著优于人工OGI巡检。

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.

研究动机与目标

• 解决人工光学气体成像（OGI）巡检在检测天然气甲烷泄漏时存在的高人力成本和不一致性问题。
• 开发一种基于计算机视觉的自动化系统，能够在无需人工操作员判断的情况下，实时检测红外视频中的甲烷羽流。
• 在不同泄漏尺寸（5.3–2051.6 g CH4/h）和成像距离（4.6–15.6 m）下提升检测准确率。
• 评估不同CNN架构和背景减除技术在真实环境条件下的鲁棒性泄漏检测性能。
• 实现可扩展的自动化泄漏检测，支持油气设施的持续监测。

提出的方法

• 作者从各种设备类型、泄漏速率和成像距离下的受控甲烷泄漏中收集了约100万张标记的红外视频帧，构建了大规模数据集。
• 采用移动平均滤波法进行背景减除，以从静态场景中分离出甲烷羽流，提升模型训练时羽流的可见性。
• 训练并评估了三种变体的CNN架构（统称为GasNet），用于红外视频序列中的泄漏检测。
• 基于在多种成像条件和泄漏尺寸下的验证性能，选择了表现最佳的模型GasNet-2。
• 通过与基于光流的基线变化检测方法对比，评估了GasNet的检测准确率和鲁棒性。
• 研究训练并测试了三种数据策略变体：按距离/泄漏尺寸分别训练模型、合并模型，以及对所有组合使用统一模型；其中统一模型在泛化能力方面表现最佳。

实验结果

研究问题

• RQ1 在多样化红外视频数据上进行训练的深度学习模型，能否在不同成像距离和泄漏尺寸下实现高精度的自动化甲烷泄漏检测？
• RQ2 背景减除方法的选择如何影响基于CNN的红外视频泄漏检测性能？
• RQ3 在真实世界泄漏检测场景中，何种CNN架构复杂度能够在准确率与泛化能力之间实现最佳平衡？
• RQ4 成像距离如何影响检测准确率？模型在远距离下是否能保持高性能？
• RQ5 在多样化数据上训练的单一统一模型，能否在不发生过拟合的情况下，有效泛化到不同泄漏尺寸和距离？

主要发现

• 基于GasNet的计算机视觉系统在测试集上实现了最高99%的检测准确率，所有泄漏尺寸和成像距离下的整体准确率均超过95%。
• 在近距离成像距离（5–10 m）下，该模型对所有泄漏尺寸的检测准确率均超过94%，表明在有利条件下具有极强的鲁棒性。
• 对于大泄漏（>950 g CH4/h），即使在最远成像距离（13–16 m）下，检测准确率也超过95%，表明对高排放源具有优异性能。
• 统一训练策略（方法3）——即在一个模型中联合训练所有泄漏尺寸与距离的组合——优于独立模型，可能归因于泛化误差降低和数据多样性提升。
• 小泄漏在远距离下的检测准确率显著下降，主要由于羽流像素数量减少，凸显成像距离是影响性能的最关键因素。
• 与简单方法相比，移动平均背景减除方法在远距离下将检测性能提升了3.8–6.1%，证实其在羽流分离中的有效性。