基于U2-Net和VGG16的天然气泄露检测

摘要：

目前在深度学习领域很少以天然气泄露图像为数据进行研究,本文使用甲烷红外图像训练的卷积神经网络(VGG16)来实现泄露检测.另外,针对泄露的甲烷气体与背景图像存在相似性的问题,使用U2-Net图像分割网络代替背景建模方法来提取泄露气体区域.通过迁移VGG16 网络模型结构和卷积层参数,在卷积层和激励层之间加入BN层以提高训练速度,将最后一层池化层替换为基于最大池化算法的动态自适应池化方法以提高检测精度.将改进的VGG16 神经网络对分割的红外图像进行训练并与其他卷积神经网络进行对比,使用准确率,精准率,召回率和F1-score来对模型进行综合评价,其表现效果最好.与现有的检测方法进行对比,所提出的检测方法准确率更高.该检测方法能够实现高精度泄漏检测,满足天然气泄露检测准确性的要求,且模型具有较好的泛化能力和鲁棒性.

关键词：天然气泄露、深度学习、图像分割、卷积神经网络、红外图像

所属期刊栏目：53

分类号：TN219;TP391(光电子技术、激光技术)

资助基金：黔科合支撑项目No.[2021;445;No.[2021;172;No.[2021;397;No.[2021;165;No.[2022

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：386-393