用于多光谱光学气体成像的气体泄漏羽流反演的物理引导无监督学习模型

《Infrared Physics & Technology》：Physics-Guided unsupervised learning model for gas leakage plume inversion for multi-spectral optical gas imaging

　　

## 摘要

多光谱红外光感气体成像能够实现气体泄漏的无接触可视化，但由于测量到的气体吸收特征同时受羽流柱浓度、气体温度和背景辐射亮度的共同制约，定量羽流反演仍然具有挑战性，且像素级标签几乎不可获取。本文提出了PGINET（物理引导羽流反演网络），一种物理引导的无监督方法，能够从多光谱数据立方体中恢复羽流柱浓度（ppm·m）、气体温度和背景亮度温度。PGINET采用U形骨干网络，并通过通道-空间特征解耦、自适应特征精炼和双分支解码器来增强羽流/背景的分离能力。多光谱辐射传输正模型被嵌入损失函数中，从而在物理一致的约束下实现无标签训练。在模拟甲烷数据集上，PGINET的浓度误差在MAE/RMSE/MAPE上分别为209.4/335.2/2.114%，R2=0.987；气体温度误差在MAE/RMSE上分别为0.093/0.148 K；背景亮度温度误差在MAE/RMSE上分别为23.55/31.72 mK。在模拟氨气数据集上，相应结果为388.3/581.1/4.030%（R2=0.978）、0.717/1.157 K以及25.69/35.78 mK。在具有已知参考值的受控NH?气体池中，PGINET在真实测量数据上将背景亮度温度的反演精度控制在242 mK以内，柱密度MAPE为18.3%，相较于基于相同正模型的非学习物理最小二乘基线，误差降低约三倍。这些结果表明，PGINET能够对多光谱红外成像系统的多个羽流参数实现准确的、无标签且辐射传输一致的定量反演。

## 引言

红外光感气体成像（OGI）已成为工业环境中泄漏检测、应急响应和排放监测的重要工具。其价值在于将原本不可见的气体泄漏转化为空间可观测的羽流图像，从而实现无接触、大面积检测，同时直接揭示羽流形态、扩散方向和潜在泄漏源位置。因此，早期的OGI研究主要关注两个实际目标：将气体羽流与复杂背景区分开来，以及快速、可靠地定位泄漏源。

在这些目标的驱动下，加之计算机视觉技术的最新进展，深度学习大幅提升了OGI中的气体检测和分割性能。Bhatt [1] 通过时空U-Net将气体分割从单帧图像扩展到视频序列，表明羽流的时间演化可以在像素级别进行显式建模。Wang [2] 证明卷积神经网络可以在大规模图像数据集上实现高精度的甲烷羽流分割，确认了数据驱动的视觉识别对OGI的实际价值。为了进一步平衡时间连续性和空间精度，Lin [3] 提出了2.5D-Unet，该网络在统一的编码器-解码器框架内结合了一维、二维和三维卷积。最近，基于循环网络和Transformer的模型进一步推动了OGI向更稳健的工程输出发展，包括实时气体分割、泄漏定位以及排放强度的粗估 [4], [5]。

这些进展大幅提升了OGI的羽流检测和定位能力。然而，OGI从基于可视化的检测工具向定量感知模态的转变，取决于能否在开放环境中可靠地反演物理上有意义的羽流参数。这一任务本质上比分割更具挑战性，因为测量到的气体吸收特征并非仅由羽流浓度决定，而是同时受到气体柱浓度、气体温度、背景辐射和仪器响应的共同影响。因此，羽流的视觉可观测性并不能保证其底层物理参数的准确反演。这也解释了为什么早期的基于视觉外观的研究在现实条件下的泄漏分类和粗量化中仅取得了有限的成功 [6]，以及为什么现场实验一致表明，在风扰动、热背景变化和测量噪声显著的开放户外环境中，性能与受控实验室环境之间存在显著差距 [7]。

为克服这一局限，两个研究方向逐渐汇合。第一个是通过引入显式的背景建模和辐射传输约束来增强OGI量化的物理可解释性。例如，Idoughi [8] 通过将场景分类与主成分重建相结合，降低了复杂工业场景中的反演误差，说明了在量化气体之前理解背景的重要性。第二个是通过采集光谱信息来改善光学测量本身，不仅获取空间信息。因此，快照式多光谱红外成像成为一条特别有前途的技术路线 [9], [10]。通过同时捕获空间分布和光谱响应，它为气体识别和定量反演提供了更有信息量的测量基础。代表性研究表明，快照式多光谱成像可以支持气体分类、探测极限分析，甚至可以在开放场地条件下进行实时定量 [11], [12], [13]。此外，Wang [14] 表明多光谱数据可以支持气体柱浓度和温度的联合反演，凸显了多光谱OGI在多参数物理反演方面的潜力。

然而，一个关键的瓶颈仍然存在。大多数现有的定量模型在训练过程中仍然依赖于像素级的真实浓度标签。在实验室条件下，此类标签可能通过精心控制来近似获得。然而在真实开放环境中，几乎不可能直接标注像素级的柱浓度，因为它不是一个视觉上可观测的标签，而是一个涉及路径积分吸收、气体温度、背景辐射和系统响应的耦合物理量。这种不匹配造成了开放环境气体量化中的一个核心矛盾：应用需求要求稳健的定量反演，但监督模型的训练却需要极难获得、甚至不可能大规模获取的标签。

这一矛盾使得无监督、物理引导的学习不仅是一种算法偏好，更是一种实际必需。近年来，无监督或自监督学习在热红外感知领域展现出可观的前景，通过用物理一致性、重建目标或跨域约束来替代人工标签 [15], [16], [17], [18], [19], [20], [21]。一个代表性示例是HADAR [22]，它通过将热辐射传输模型嵌入学习过程，从而在没有密集监督的情况下实现高质量推理。对于多光谱OGI而言，这一思路尤其具有吸引力：如果将物理可计算的辐射传输过程纳入训练目标，那么预测的物理参数就可以通过它们是否能重现测量的多光谱观测来判断，而不是通过与不可用的像素级浓度标签进行比较。

基于这一需求，本文提出了PGINET——一种面向开放环境气体羽流定量反演的物理引导无监督网络。该网络以多光谱气体数据立方体作为输入，联合反演气体柱浓度、气体温度和背景亮度温度。如图1所示，多光谱辐射传输正模型被嵌入损失函数中，使得预测的物理参数被转换为合成通道辐射值，并约束其重现测量的多光谱立方体。这样，训练过程由物理一致性而非像素级标注来驱动。为了在复杂背景下改善羽流反演，PGINET还在U形骨干网络中进一步结合了气体-背景特征解耦、自适应特征精炼和双分支解码。

为评估所提出的框架，我们构建了一个包含甲烷（CH?）和氨气（NH?）的多光谱红外气体泄漏数据集，其中的模拟数据和测量数据均由自定义设计的快照式多通道红外成像光谱仪获取。基于该数据集，本文的主要目标有三点：(1) 建立开放环境下多光谱OGI的无标签定量反演框架；(2) 证明辐射传输引导的学习能够以高精度联合反演多个耦合羽流参数；(3) 为多光谱OGI从定性可视化向物理可解释且定量可靠的气体感知迈进提供一条实用路径。

## 章节片段

### 气体吸收建模

通常，如图2所示的两层气体辐射传输模型被用于分析气体吸收过程。当目标气体存在于辐射传输路径上时，来自背景源层A的辐射穿过气体层B和大气层C。到达探测器入瞳处的辐照度包含三个组成部分：经气体层B和大气层C衰减后的背景辐射、

### U形骨干网络和物理模型收敛设计

在前述工作建立的多通道辐射传输模型基础上，本研究提出了一种端到端从多光谱数据立方体反演关键气体物理参数的深度神经网络架构。该网络基于增强的U-Net框架 [26]；Zhou [27]，在编码器-解码器结构中加入了通道-空间解耦机制（CSDM）、自适应特征精炼（AFR）模块和多路径解码策略。这

### 数据采集与数据集

本研究开发了一个整合模拟数据和测量数据的综合数据集。模拟数据涵盖了各种代表性环境中的气体泄漏场景。为了评估模型在不同已知气体类型下的泛化能力，分别为氨气（NH?）和甲烷（CH?）建立了独立的数据集。

对于模拟数据集，气体柱浓度范围为0至100,000 ppm·m，气体温度在278.15 K至298.15 K之间变化。

### 讨论与结论

PGINET相对于传统反演方法的优势有特定的来源。对于单个像素，六个辐射值仅通过公式(11)中透射背景与气体发射项之间的差值来约束三个未知量，第4.7节表明在低热对比度条件下该约束力很弱；对同一模型的逐像素最小二乘反演所达到的误差处于同一量级。尽管PGINET受相同正模型的约束，但网络能够从训练数据中学习空间

### CRediT作者贡献声明

Tongtong Li：论文初稿撰写、软件、方法论、调查、形式化分析、数据整理。Yijie Wang：论文初稿撰写、可视化、验证、方法论、调查。Tianxiang Xiong：验证、软件、调查、数据整理。Jindong Bai：方法论、调查。Pengyu Wang：验证、数据整理。Hao Yan：验证、数据整理。Liyin Yuan：资源、方法论、概念化。Chunlai Li：资源、方法论、概念化。

### 利益冲突声明

作者声明他们不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

### 致谢

国家自然科学基金（编号62427816）；国家重点研发计划（编号2023YFF0713303）；浙江省"尖兵"和"领雁"研发攻关计划（编号2024C03032, 2024C01126, 2023C03012）。

Tongtong Li | Yijie Wang | Tianxiang Xiong | Jindong Bai | Pengyu Wang | Hao Yan | Liyin Yuan | Chunlai Li | Shijie Liu | Jianyu Wang

中国科学院杭州高等研究院，中国浙江杭州310024