WMG-RTDETR:一种用于SF6气体泄漏的实时红外视频检测模型
《Infrared Physics & Technology》:WMG-RTDETR: A real-time infrared video detection model for SF6 gas leakage
【字体:
大
中
小
】
时间:2026年09月23日
来源:Infrared Physics & Technology 3.8
编辑推荐:
# 摘要
利用计算机视觉增强的红外视频监控,为检测气体绝缘变电站(GIS)中六氟化硫(SF6)气体泄漏提供了一种有前景的解决方案。本文提出了一种增强的端到端SF6气体泄漏检测模型WMG-RTDETR,包含四项关键改进。首先,采用基于小波的多元特征重建模块替代传统的采样操作,
# 摘要
利用计算机视觉增强的红外视频监控,为检测气体绝缘变电站(GIS)中六氟化硫(SF6)气体泄漏提供了一种有前景的解决方案。本文提出了一种增强的端到端SF6气体泄漏检测模型WMG-RTDETR,包含四项关键改进。首先,采用基于小波的多元特征重建模块替代传统的采样操作,以更好地保留高频边缘细节。其次,开发了一种多阶段特征提取(MSFE)模块来建模全局信息,增强气体运动特征表示的完整性。第三,引入了上下文引导特征图(CGFM)模块,通过自适应加权增强多尺度特征融合,显著提高了复杂背景下的检测鲁棒性。最后,设计了gConvC3模块,在保持特征表示能力的同时降低参数复杂度。综合实验表明,WMG-RTDETR具有优越性,与基线模型相比,mAP50提升了2.1%(79.3%对77.2%),参数减少了23%(15.3M对19.9M)。值得注意的是,在三个测试视频中,该模型保持了平均43.7帧/秒(FPS)的实时性能,同时在漏报率(FNR)、误报率(FPR)和mAP50之间实现了最佳平衡。与八种最先进的检测算法相比,WMG-RTDETR在检测精度和运行效率方面均表现出持续优势,使其特别适合于电力设施的实时监测应用。
## 引言
六氟化硫(SF6)是一种无色、无味、高效力的温室气体,被广泛用作气体绝缘变电站(GIS)中的绝缘介质。SF6泄漏不仅对现场人员构成即时危害,威胁电网的稳定运行,其深远的环境影响也不容忽视:SF6的100年全球变暖潜能值(GWP)达到二氧化碳(CO2)的23,500倍。因此,准确及时的泄漏检测不仅是保障电网可靠性和人员安全的迫切需要,也是减少碳排放并确保遵守严格国际气候协议的必要之举。近期研究越来越多地利用红外成像进行泄漏检测,利用SF6在10~11 μm波长范围内的独特光谱吸收特性[1]。这使得利用FLIR GF306等专用相机可视化识别泄漏成为可能,泄漏表现为灰白色的烟雾。因此,红外成像技术正在取代传统检测方法,实现更直观、自动化和远程的泄漏检测[2]。然而,与可见光烟雾检测系统[3]、[4]、[5]不同,SF6泄漏在红外视频图像中往往呈现低对比度、扩散模式和缺乏明显结构,使得通过图像分析检测SF6气体泄漏的任务具有相当大的挑战性。
近年来,出现了许多基于计算机视觉的自动化气体泄漏检测方法。文献[6]采用高斯混合模型(GMM)背景建模和背景减除的组合来识别移动气体泄漏区域,用于检测红外图像中的气体泄漏。此外,运动检测技术如帧间差分法和光流法被用于文献[7]中的气体泄漏检测。值得注意的是,文献[8]中应用了全局估计和运动补偿技术来检测SF6气体泄漏区域。文献[9]提出了一种改进的基于GMM的前景检测方法,以解决红外成像中的高噪声干扰问题,并在实验条件下有效检测SF6气体泄漏。然而,这些运动检测方法在精度和检测效率方面存在显著局限性。文献[10]提出了一种基于深度学习的SF6气体检测方法,作者用两级检测模型Faster R-CNN替代了红外图像的手工处理。该方法有效提高了检测精度,并实现了自动化泄漏检测。这一发展突显了深度学习算法在推进红外气体检测技术方面日益重要的作用。文献[11]采用YOLOv4模型,在存在热源的情况下准确检测SF6气体泄漏,从而降低了误报率。
上述算法在复杂环境中准确检测SF6气体泄漏方面存在显著局限性。为解决这些缺陷,文献[12]提出了TSFF-Net,通过背景建模引入红外视频的时间序列信息以提高精度。此外,文献[13]基于YOLOv8-n模型设计了一种改进的轻量级单阶段网络DLFANet用于工业气体泄漏检测。然而,基于卷积神经网络(CNN)的目标检测算法仍然严重依赖人工设计的组件,引入了相当的模型复杂度,阻碍了完全端到端系统的发展。文献[14]引入了一种简单且统一的端到端目标检测模型,用于自动检测气体泄漏红外图像。虽然该模型在各种复杂场景中定位气体泄漏方面表现强劲,但它忽视了误报率和漏报率等关键因素。实际上,相机抖动、噪声和风扰等随机因素往往导致高误报率。此外,目标检测算法未能捕捉连续帧之间的时间信息或运动扩散特性,这负面影响了检测精度。将这些算法应用于SF6气体泄漏检测时必须仔细考虑这些问题。除了SF6专用方法外,近期在更广泛的工业泄漏检测方面的进展为我们的工作提供了有价值的背景。图神经网络框架已被应用于海上管道监测,实现了精确的阀门定位[15]以及通过自适应[16]和因果图建模[17]实现的稳健无损检测。与此同时,针对物联网(IoT)和边缘部署的轻量级网络设计,如用于实时海上管道泄漏检测的TinyLSN[18]和用于海上结构声发射监测的LDS-former[19],表明在不牺牲检测可靠性的情况下可以实现架构简化和实时推理。这些跨领域的努力凸显了向高效、可部署的异常检测系统发展的趋同趋势,直接启发了本文在计算效率和检测精度之间寻求平衡的动机。
此外,近期深度学习研究在增强复杂场景中红外检测的特征表示和抑制背景杂波方面取得了显著进展。代表性例子包括DFBSNet[20],其构建了双分支分离管道以突出暗淡目标并减轻低信噪比造成的退化;S3CRAD[21],将空间-光谱协同表示与自适应注意力细化相结合,以从热强度相似的背景中分离目标;HELWC[22],设计了层次化局部对比加权以突出低对比度目标;HLSC-SSGF[23],利用空间-光谱约束和多尺度梯度滤波去除热噪声和边缘引起的伪影;以及TBC-Net[24],引入语义引导的抑制以降低误报,同时保留弱目标响应。总体而言,这些范式为SF6气体泄漏检测提供了有价值的指导,其中半透明、低对比度的羽流很容易融入杂乱的电力设备背景中。
基于上述观察,无论在SF6专用检测领域还是在更广泛的工业泄漏监测领域,都有迫切需求开发一种用于检测红外视频图像中SF6气体泄漏的新型端到端解决方案——该方案不仅要确保高检测精度,还要满足实时检测的需求。为应对这一挑战,本文提出了WMG-RTDETR,其中WMG作为集成架构的紧凑标识符,将离散小波变换(DWT)、多尺度特征增强(MSFE)、上下文引导特征图(CGFM)和gConvC3四个专用组件共同集成到RT-DETR基线中。本文的主要贡献总结如下:
1. 为解决通过红外视频监控在GIS中进行实时SF6泄漏检测的挑战,本文提出了一种新型WMG-RTDETR模型。与最先进的泄漏检测算法相比,它实现了最优的mAP50检测精度,并在每秒帧数(FPS)、漏报率(FNR)、误报率(FPR)和每秒十亿次浮点运算(GFLOPS)指标方面实现了最佳平衡,交付了卓越的总体性能。
2. 引入了两个关键模块DWT和CGFM,以增强多尺度特征细化与多背景检测。DWT替代了传统的上采样和下采样层,以提高层次化特征处理的精度,而CGFM则替代了Concat融合以增加对不同SF6气体泄漏场景的适应性。这些模块共同显著提高了检测精度和鲁棒性。
3. 实施了双重结构创新MSFE和gConvC3以优化效率和能力。MSFE替代了BasicBlock,在特征提取中保持最佳的速度-精度平衡,而gConvC3替代了RepC3,在不牺牲特征丰富性的情况下降低计算复杂度。这些创新实现了轻量级且高效推理。
本文其余部分组织如下。第2节概述了与气体泄漏检测相关的研究。第3节介绍了基线RT-DETR,第4节开发了增强模型WMG-RTDETR用于SF6气体泄漏实时检测。第5节提供了实验验证和结果分析的综合展示。第6节总结了本文并探讨了未来工作的方向。
## 相关研究片段
### 基于CNN的算法
CNN已显著推进了图像分类,并成功扩展到更具挑战性的目标检测领域。该过程将图像识别与利用边界框预测的空间定位相结合——这对于自动化红外气体泄漏检测至关重要[10]、[11]、[12]、[13]、[25]、[26]。关键实现包括:使用2D/3D CNN和ConvLSTM网络进行甲烷泄漏检测[25],以及结合Faster区域卷积神经网络进行碳氢化合物监测。
### 基线RT-DETR
本文致力于基于RT-DETR设计一种用于GIS的高精度实时SF6气体泄漏检测模型。如图1所示,RT-DETR由骨干模块、混合编码器和带有辅助预测探针的Transformer解码器组成。
**(1) 骨干模块:** 该模块作为模型的核心网络,有两种常用架构:ResNet[30]和HGNet[31]。其中,ResNet被广泛采用,有不同版本如ResNet-18、ResNet-34。
### WMG-RTDETR的整体网络结构
本文提出的WMG-RTDETR网络基于RT-DETR-R18模型。其整体网络结构如图2所示。
首先,原始模型骨干模块中的池化层和Neck模块中基于最近邻差分的上采样过程通过使用DWT进行了改进。通过多尺度特征提取和重建,可以捕获更多图像细节,同时高频子带可以抑制背景噪声并增强……
### 数据集
实验数据集是使用FLIR GF306 OGI相机采集的,该相机采用冷却量子阱红外光电探测器(QWIP),光谱响应范围为10.3~10.7 μm,与SF6以约10.5~10.6 μm为中心的强基频吸收带(??3模式)特别匹配。这种光谱匹配机制为实现被动红外SF6泄漏可视化检测奠定了物理基础。
数据集选自现场记录的红外监控……
## 结论
本文开发了一种端到端、高精度的WMG-RTDETR模型,用于红外视频中SF6气体泄漏的实时检测任务。所提出的模型通过四项关键改进推进了最先进的方法:(1)使用DWT替代传统上采样以更好地进行多尺度特征重建;(2)用MSFE模块替代BasicBlock以平衡计算效率和检测性能;(3)用CGFM……
## CRediT作者贡献声明
Si Li:撰写——原稿,软件,方法论,调查研究。Xiaorui Zhang:可视化,验证,数据整理。Shugang Li:撰写——审查与编辑,资源。Zhaoxu Yu:撰写——审查与编辑,监督,资源,项目管理,概念化。
## 生成式AI和AI辅助技术使用声明
在准备本作品过程中,作者使用了DeepSeek来提高语言和可读性。使用该工具后,作者根据需要审查和编辑了内容,并对出版物的内容承担全部责任。
## 利益冲突声明
作者声明没有已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。
## 致谢
作者感谢编辑和审稿人的善意帮助与评论。本工作部分得到国家自然科学基金资助(批准号71871135和72271155)、中央高校基本科研业务费以及广东省可再生能源重点实验室资助(E539kf0601)的支持。
Si Li | Xiaorui Zhang | Shugang Li | Zhaoxu Yu
华东理工大学教育部能源化工过程智能制造重点实验室,自动化系,中国上海
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号