基于残差增强型nnUNetv2的红外成像检测技术用于气体泄漏检测：以天然气管道中的甲烷泄漏为例进行研究

《Process Safety and Environmental Protection》：Infrared imaging detection for gas leakage based on Residual-Enhanced nnUNetv2: taking methane leakage from a natural gas pipeline as a case study

红外气体泄漏检测与GUNet模型优化研究

　　

肖宇吉|雷旭|贾乐晓|齐高|凌堂|毕华鸥|常云丽

中国石油大学（北京）克拉玛依分校，工程学院，克拉玛依 834000

摘要

易燃、易爆和温室气体的排放——如天然气甲烷、氢气和二氧化碳——对运营安全和气候变化都有深远影响。光学气体成像（OGI）是一种广泛用于泄漏检测的技术，但它需要大量人力，且传统的基于运动的分割方法精度较低。在这项研究中，我们提出了GUNet，这是一种基于残差增强技术的nnUNetv2模型，用于红外图像中的气体泄漏语义分割。首先，我们将残差编码器集成到nnUNet架构中，利用残差连接来增强编码器的表示能力并加速收敛速度。其次，我们利用甲烷管道泄漏场景建立了一个红外检测实验室，拍摄了流量从0.01到6.2 SLPM、孔径从0.1到1.0毫米的泄漏视频。第三，我们在该甲烷数据集上对五种标准模型和八种融合变体架构进行了性能评估，通过Dice系数和交并比（IoU）来衡量性能。GUNet的Dice得分为87.75%，IoU为78.14%，分别比基线nnUNetv2提高了0.88%和1.35%。最后，为了评估其实际应用能力，我们将所有八种变体和nnUNetv2应用于从天然气分配站收集的现场红外图像。结果表明，GUNet在边缘轮廓划分和气体与背景物体的区分方面表现更优。因此，基于GUNet的计算机视觉方法可以嵌入到红外检测系统中，以实现高精度、自动化的甲烷和其他气体泄漏监测。

引言

随着工业的发展，工业气体在能源、化工和电力领域得到了广泛应用；然而，它们的运输、储存和使用存在较大的泄漏风险（Meribout, 2021; Titchener et al., 2022; Rashid et al., 2020）。高毒性、高爆炸性或高腐蚀性的气体如果泄漏，可能会导致中毒、环境污染甚至灾难性爆炸，从而危及人类安全和生态完整性。因此，实施高效可靠的泄漏检测系统对于工业安全至关重要。传统方法——如滴定法、催化燃烧检测、电解质导电性分析（Fraticelli and Meyerhoff, 1981）、气相色谱法（Bartle and Myers, 2002）和质谱法（Domon and Aebersold, 2006）——虽然已经应用了很长时间，但在复杂操作条件下仍存在响应慢和灵敏度不足的问题。因此，需要更智能的检测方法来提高泄漏预防和控制能力。

利用气体的红外吸收特性的检测方法可以实现非接触式测量。这种方法不仅提高了测量的安全性和灵敏度，还越来越受到研究人员的青睐，为红外检测技术在工业环境中的应用开辟了新的途径（Wang et al., 2022; Kasai et al., 2011; Shi et al., 2020; Zimmerle et al., 2020; Wang et al., 2020; Ravikumar et al., 2017）。红外检测具有实时监测和高灵敏度的显著优势。通过红外成像设备，可以在远距离准确捕捉微量气体泄漏，并在恶劣或复杂环境中快速定位泄漏点。其快速响应和自动化数据处理能力也显著提高了泄漏预警和修复效率，从而为工业安全生产提供了有力支持（Nie et al., 2021）。

尽管红外检测技术已经成熟，但仍面临一些挑战。它依赖于操作人员的判断，无法实现自动检测，并且人力成本较高（Ravikumar and Brandt, 2017）。使用红外热像仪进行连续监测并不实际，因为它无法提供实时的泄漏检测结果，且不同人员的检测质量也存在差异。

深度学习技术在多个行业中表现出色（Chen et al., 2024; Hu et al., 2023），非常适合解决上述问题。因此，越来越多的研究人员试图将这些方法应用于气体泄漏检测，以推进和优化这项技术。Zhang等人（Zhang et al., 2023）提出了一种基于深度概率图神经网络的模型，用于检测和定位天然气泄漏，而无需依赖标记的异常数据。Wang等人（Wang et al., 2024）引入了改进的DeepLabv3+模型用于泄漏检测。DeepLabv3+（Chen et al., 2018）是一种语义分割框架，通过像素级分类实现精细的区域划分，从而在图像识别任务中提供高精度的空间定位，并在多个领域得到广泛应用（Chen et al., 2021; Liu et al., 2021; Peng et al., 2021）。

在语义分割领域，编码器-解码器架构占据主导地位，因为它们将深层语义特征与浅层空间细节相结合，以实现准确的目标划分。著名的例子包括U-Net（Ronneberger et al., 2015）、DeepLabv3+、nnUNetv2（Isensee et al., 2018）和PIDNet（Xu et al., 2023）。基于Transformer的架构利用自注意力机制，有效捕捉图像中的长距离依赖关系，从而克服了传统CNN在处理复杂结构时的局限性。例如，TransUNet结合了Transformer的全局上下文建模能力和U-Net的局部特征提取优势，提高了精度和鲁棒性。然而，由于气体羽流的形态不规则且边界难以区分，缺乏特定任务适应或训练的模型往往无法准确区分气体和周围物体，导致分割结果粗糙不准确。

为了解决上述问题，红外成像气体泄漏检测系统的开发分为五个阶段。首先，为了专门用于气体泄漏检测，构建了一个实验室管道来模拟油田环境中的天然气泄漏，从而收集了标注详尽的甲烷泄漏图像数据集Gasdata。其次，训练并比较了五种代表性模型，其中nnUNetv2表现最佳。第三，将残差编码器模块集成到nnUNetv2中，并在Gasdata上进行训练，得到了新的模型GUNet，其Dice系数和IoU分别比基线提高了0.88%和1.35%。第四，鉴于新的语义分割网络不断涌现，又将七个额外的模块——ASPP、DC、PSP、SPPF等（Zhong et al., 2022; Varghese, 2024; Zhao et al., 2017; Chen et al., 2017, Chen et al., 2020; Yang et al., 2019; Liu et al., 2022）融合到nnUNetv2框架中；然而，没有一个模块在整体准确性和精确边缘划分方面超过GUNet。最后，为了验证实际应用能力，在油田现场进行了实地检查，并使用上述所有模型评估了收集的红外图像。GUNet始终提供了最准确的泄漏区域识别和边缘检测结果。

方法部分

方法论

为了实现红外图像中气体羽流的高精度自动检测和识别，本研究将残差编码器集成到nnUNet架构中。在本节中，我们概述了GUNet的框架及其特定网络模块，然后简要描述了另外七个模型（ASPP、DC、PSP、SPPF等）的融合过程。

实验与分析

以下部分详细描述了Gasdata数据集的创建过程，包括设计模拟油田管道泄漏的实验室、实施红外检测实验、选择和预处理红外图像以及语义分割标注程序。通过比较实验展示了选择nnUNet的合理性，这些实验使用了在Gasdata数据集上训练的五种不同模型进行评估。

结论与展望

本文描述了深度学习和计算机视觉在气体泄漏这一关键环境挑战中的创新应用，展示了它们在高精度、自动化泄漏检测方面的巨大潜力。以天然气管道甲烷泄漏为例，我们开发了一个专用检测模型，并建立了红外成像实验室。通过广泛的实验、严格的数据选择和像素级标注，我们创建了Gasdata数据集。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。