基于物理原理的深度概率学习方法，用于在无异常数据情况下通过红外摄像头检测天然气泄漏

《Engineering Applications of Artificial Intelligence》：Physics-assisted deep probability learning for natural gas leakage detection from infrared cameras without anomaly data

　　李俊杰|谢宗豪|施继浩|常远江|陈国明
中国石油大学青岛校区海洋工程与安全技术中心，266580，中国

摘要
检测油气设施中的天然气泄漏有助于避免严重的经济损失和环境污染。目前常用的泄漏检测方法包括动态背景减除和泄漏羽流分类两部分，这类方法通过分析光学气体成像序列来实现检测。然而，油气设施的动态红外背景以及实际事故中泄漏羽流的采集难度，可能会降低这些方法在检测未知天然气泄漏时的准确性和泛化能力。本研究提出了一种基于物理原理的深度概率学习框架，无需依赖实际场景中的红外羽流数据即可实现油气设施天然气泄漏检测。首先，构建了变分贝叶斯时空神经网络，用于捕捉红外背景的时空变化规律；通过变分贝叶斯推断为未知红外羽流特征赋予更高不确定性，同时抑制动态背景噪声。其次，设计了基于物理原理的单类概率神经网络，以可压缩纳维-斯托克斯方程所描述的羽流释放和扩散规律作为训练数据。最后，利用库尔贝克-莱布勒散度作为标准来判断该不确定性掩模是否对应于泄漏羽流。在两个工业场所进行的实验表明，所提出的框架性能优于现有的9种主流检测方法：在室内环境中，其曲线下面积为0.9799，F1值为0.9893；在存在强背景干扰的室外环境中，曲线下面积为0.9109，F1值为0.9504，显示出更高的准确性和泛化能力。

引言
近几十年来，由于天然气被视为更清洁的过渡能源，其单位能量产生的二氧化碳排放量仅为煤炭的一半左右（Safari等人，2019），因此全球天然气的生产和消费规模迅速扩大。为满足需求，液化天然气终端和海上平台等油气工业设施得以大规模建设。但在实际的油气开采过程中，天然气泄漏现象难以避免（Zhang等人，2023）。若未能及时发现这些泄漏，泄漏出的天然气可能积聚形成易燃的蒸汽云，进而引发严重火灾或爆炸（Kujawinski等人，2020）。此外，天然气的主要成分甲烷是一种强效温室气体，在100年的时间尺度上，其全球变暖潜力约为二氧化碳的34倍（Omara等人，2022）。因此，意外的天然气泄漏会削弱用天然气替代传统化石燃料所带来的气候优势（Pandey等人，2019）。及时检测油气工业设施中的天然气泄漏对于避免重大经济损失和环境污染至关重要。

目前，基于传感器的技术通过分析羽流浓度被广泛应用于各类泄漏检测任务中（Dong等人，2019）。除了传感器技术外，光学气体成像技术也因其能够直观显示泄漏气体羽流、减少工程师进入高危区域的需要而成为一种极具前景的检测手段（Wang等人，2020、2022；Ravikumar等人，2017）。不过，光学气体成像系统无法自动做出检测决策，仍需操作人员判断，因此对红外视频的手动检查工作依然十分繁琐。为减少人工干预，人们开发了自动泄漏检测方法，这类方法通常包含两个阶段（Bin等人，2021；Yin等人，2022）：第一阶段为背景减除，旨在从油气设施的红外背景中分离出前景区域；第二阶段为泄漏识别，用于判断前景区域中是否存在泄漏羽流。尽管这些方法在受控条件下表现良好，但在实际的工业环境中往往面临诸多挑战。在真实的油气设施中，泄漏羽流的红外成像数据极难获取，且其成像特性极易受到风速、环境温度等环境因素的影响。这些因素不仅导致数据极为匮乏，还会形成复杂多变的红外背景，进一步增加前景区域分割及后续泄漏检测的难度。因此，如何有效处理这类罕见且复杂的泄漏羽流数据——即异常数据——成为本研究需要解决的关键问题。

现有的背景减除方法大致可分为统计方法、鲁棒子空间方法以及基于深度学习的方法。高斯混合模型和视觉背景提取器等统计方法已被广泛用于静态场景下的红外羽流提取，例如平坦地面或无障碍天空场景（Wang等人，2020、2022；Hong等人，2019；Lyu等人，2022）。但在油气工业场所，环境温度和风速的变化会导致背景呈现动态特性。为此，人们又提出了PBAS（Hofmann等人，2012）、WeSamBE（Jiang和Lu，2017）、SuBSENSE（St-Charles等人，2015）以及PAWCS（St-Charles等人，2016）等新的统计方法，用以应对动态背景问题。除了背景减除方法外，还有GraphBGS（Giraldo等人，2020）、GRASTA（He等人，2012）等鲁棒子空间方法，它们通过调整目标函数，能够在不同环境中更高效地完成背景减除任务。近期的研究则探索将深度学习技术应用于背景减除领域。由于在实际监测中泄漏羽流现象极为罕见，相应的异常数据也极为稀缺（Shi等人，2022），这种数据匮乏限制了深度学习方法在检测未知泄漏场景时的泛化能力。Behnaz等人（Behnaz等人，2021）无需前景掩模作为训练数据，就提出了一种无监督的深度概率学习方法，用于视频序列的背景减除。Bin等人（Bin等人，2021）将上述主流背景减除方法与他们提出的基于张量的泄漏检测方法在农村地区的羽流分割效果进行了比较，并通过考虑光学气体成像相机与泄漏点之间的距离这一影响因素，验证了所提方法的更高准确性（Bin等人，2021）。然而，环境温度和风速变化导致的油气设施动态红外背景，可能会降低现有背景减除方法的性能，进而影响后续泄漏识别的准确性。

在背景减除之后，人们通常采用预定义阈值来识别前景掩模中的泄漏羽流，但这种方法无法应对油气工业场所这类复杂环境（Hong等人，2019）。此后，人们又开发了基于卷积神经网络的GasNet方法，用于检测由高斯混合模型分割得到的红外前景掩模中的泄漏（Wang等人，2020、2022）。在之前的研究中，我们将快速区域基卷积神经网络与光学气体成像相机相结合，用于检测化工厂中的碳氢化合物泄漏，并确定了能够平衡推理精度与效率的快速区域基卷积神经网络最佳架构（Shi等人，2020）。Bin等人（Bin等人，2021）则比较了不同基于卷积神经网络的方法在红外背景减除后的天然气泄漏检测精度。不过，上述深度学习模型仍然需要大量的实际红外羽流数据作为训练依据，而这类数据的采集难度较大，限制了模型在检测未知泄漏场景时的性能。最近的一些研究则试图通过引入先验知识来提升深度学习的性能，从而在训练数据有限的情况下保证模型的准确性和泛化能力（Raissi等人，2020）。Jongaramrungruang等人（Jongaramrungruang等人，2022）运用大涡模拟技术为卷积神经网络提供甲烷羽流的训练数据，用于量化甲烷点源排放，并验证了该方法在检测未知泄漏羽流时的更高准确性。尽管这些研究展示了将先验物理知识融入泄漏检测领域的潜力，但在数据极度匮乏且红外背景动态变化的恶劣条件下实现稳健检测的问题仍未得到充分解决。

因此，现有的泄漏检测方法在实际应用中存在根本性缺陷，因为它们依赖于充足且稳定的红外羽流数据，而在实际的油气设施中，由于数据极度匮乏以及环境条件的复杂性，这类数据几乎无法获得。为解决这一问题，本研究提出了一种基于物理原理的深度概率学习框架，该框架将泄漏检测与实际红外羽流样本的需求解耦，从而能够在数据极度匮乏且环境条件动态变化的背景下实现可靠的异常检测。在第一阶段，我们构建了变分贝叶斯时空神经网络，该网络能够学习由环境温度和风速变化引起的油气设施动态红外背景的时空演化规律；通过变分贝叶斯推断，为未知红外羽流赋予更高方差值，从而在降低动态背景噪声的同时实现对该羽流的有效分割。在第二阶段，我们设计了基于物理原理的单类概率神经网络，该网络以可压缩纳维-斯托克斯方程所描述的羽流释放和扩散规律作为先验物理知识作为训练数据，再通过库尔贝克-莱布勒散度作为标准，判断经过分割的掩模是否为泄漏羽流。我们在两个油气工业场所开展了天然气泄漏检测实验，以验证所提方法的性能。本研究的主要贡献和创新点如下：
（1）提出了一种基于物理原理的无监督深度概率学习框架，该框架将泄漏检测与实际异常样本的依赖关系解耦，从而能够在数据极度匮乏且背景动态变化的条件下实现可靠的异常检测。
（2）将变分贝叶斯推断与时空神经网络相结合，通过为未知羽流相关区域预测更高的标准化方差值，同时抑制背景噪声，从而实现低噪声的红外羽流分割。
（3）运用可压缩纳维-斯托克斯方程提供的先验物理知识，为单类分类神经网络的训练过程提供依据，用于检测分割后的红外羽流。
（4）进一步将变分贝叶斯推断整合到基于物理原理的分类器中，并引入库尔贝克-莱布勒散度作为概率决策标准，从而在物理羽流与红外羽流存在差异时提升检测精度。

本文的其余部分结构如下：第2节详细阐述所提出的方法；第3节介绍来自两个油气工业场所的基准数据集；第4节展示所提方法的验证结果及与其他方法的比较。真实工业场景中的红外成像数据集以及所提框架的源代码均可在https://github.com/Jihao222/PhyDPL_NGleaks网站上获取，为该领域的研究提供了可复现的基准资源。

提出的方法
所提出的用于天然气泄漏检测的基于物理原理的深度概率学习方法被称为PhyDPL_NGleaks，该方法包含两个部分。第一部分为变分贝叶斯时空神经网络，旨在无需任何实际羽流数据作为训练依据，即可从油气设施的动态背景中分离出低噪声的前景掩模。第二部分为基于物理原理的单类概率神经网络，该网络利用物理规律……

实验配置
如图2所示，我们在两个油气场所开展了天然气泄漏检测实验。第一个实验场所以一处布局密集的油气设施建筑作为测试对象；第二个实验场所以户外油气输送与储存设施作为测试对象。在两次实验中，实验时间均设定在10:00至17:00之间，此期间的环境温度在-1.1℃至12.2℃之间，这些温度变化会影响前景和背景的红外成像效果。

验证与比较
表1和表2分别介绍了所提出的VB_STnn模型与基于物理原理的分类网络的配置信息。VB_STnn模型与基于物理原理的分类网络均使用Python 3.6语言和TensorFlow 1.14.0框架进行开发实现，运行环境为配备Intel(R) Xeon(R) Silver 4214R CPU（频率为2.40GHz和2.39GHz）以及4块NVIDIA GeForce RTX 2080Ti GPU的服务器。需要说明的是，神经网络的训练过程包含蒙特卡洛采样步骤，通过增加蒙特卡洛采样次数……

讨论
所提出的基于物理知识的无监督框架无需依赖异常样本即可实现准确的羽流异常检测，从而提升了其在真实化工厂场景中的泛化能力。与传统深度概率方法不同，比如依赖具有代表性的异常样本进行数据驱动训练的贝叶斯神经网络（Seeb?ck等人，2019年；Sadr等人，2022年）以及时空自编码器（Nawaratne等人，2019年），所提出的方法则有所不同。

结论
本研究通过分析油气工业场的OGI视频，提出了一种基于物理原理的深度概率学习方法，用于检测天然气泄漏。该方法由两部分组成：第一部分为变分贝叶斯时空神经网络（VB_STnn），第二部分为基于物理原理的单类概率神经网络。通过两个油气工业场的天然气泄漏实验，对比了该方法的检测精度。

CRediT作者贡献声明
李俊杰：概念设计、方法论、初稿撰写。谢宗豪：数据整理、形式分析、初稿撰写。石继浩：监督指导、审稿与编辑。常远江：调研、软件应用、可视化处理。陈国明：项目管理、资源协调、结果验证。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了中国国家重点研发计划[项目编号2021YFB4000901-03]、国家自然科学基金（项目编号：52101341）、山东省自然科学基金（项目编号：ZR2020KF018）、中国博士后科学基金项目（项目编号：2019M662469）、青岛市科技计划项目（项目编号：203412nsh）以及山东省自然科学基金重点项目的支持。作者对此表示感谢。