英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
Computers and Chemical Engineering 135 (2020) 106780
Contents lists available at ScienceDirect
Computers and Chemical Engineering
journal homepage: www.elsevier.com/locate/compchemeng
基于红外摄像机和快速R-CNN技术的实时泄露检测
Jihao Shi a,lowast;, Yuanjiang Changa, Changhang Xu a, Faisal Khanb,lowast;, Guoming Chen a,
Chuangkun Li c
a Centre for Offshore Engineering and Safety Technology, China University of Petroleum, Qingdao 266580, China
b Centre for Risk, Integrity, and Safety Engineering (C-RISE), Faculty of Engineering and Applied Science, Memorial University of Newfoundland, St. Johnrsquo;s NL A1B 3X5, Canada
c State Key Laboratory of Safety and Control for Chemicals, Sinopec Qingdao Research Institute of Safety Engineering, Qingdao 266580, China
文章信息 摘要
文章历史:
接收于2019年9月8日
修订于 2020年2月8日
收录于2020年2月10日
线上刊登于2020年2月11日
关键词:
实时泄露检测
自动泄露检测
烃类化合物泄露
快速R-CNN
SSD
人工智能
对烃类化合物的实时检测是工艺安全和损失防治项目中的重要组成部分。光学气体成像（OGI）技术是处理系统中监测烃类化合物泄漏的重要手段之一。以手动分析视频帧的方式来检测潜在的泄漏非常麻烦且容易出错。本研究的目的是采用适当的数字化技术来发展烃类化合物的自动泄露检测领域。这是通过将快速区域卷积神经网络（快速R-CNN）技术与OGI技术相结合来实现的。以乙烷裂解装置烃类化合物泄漏的视频为例，说明了该方法在这一领域的应用。这些视频首先应用于训练快速R-CNN算法，并随后用于测试与SSD（Single Shot MultiBox Detector）模型的性能比较情况。结果表明，该优化模型性能优于SSD模型。
copy; 2020 Elsevier Ltd. All rights reserved.
引言
烃类化合物泄漏会引发火灾和爆炸事故。尽早发现油气泄漏是防止火灾爆炸事故发生的关键。泄漏检测通常有两个任务，泄漏识别（称为10个分类任务）和泄漏定位（通常称为定位任务）。分类任务还会检测烃类化合物的泄漏类型，而定位任务还会确定烃类化合物的泄漏源。这两项任务对于事故预防的快速决策至关重要。
我们引用了许多针对不同目标的泄露检测任务研究。以往的研究工作将传统传感器与移动机器人结合在一起 (Ishida 等人, 2004; Russell, 2004a,b; Lochmatter 等人, 2008; Ferri 等人, 2009). 然而，这种结合方法在化工厂复杂地形中表现出的性能较差 (Cho 等人, 2018). 此外，一些研究工作则采用传统传感器与多种分析方法相结合的方法 (Nofsinger 等人, 2004; Huseynov 等人, 2009; Li 等人, 2011; Neumann 等人, 2013; Chraim 等人, 2015).
lowast; 通讯作者.
电子邮箱: shi_jihao@163.com (J. Shi), fikhan@mun.ca (F. Khan).
近来，深度学习方法在化工领域的应用受到高度关注 (Lee 等人, 2018; Wu 和 Zhang, 2018; Ning 和 You, 2019; Shin 等人, 2019). Kim 等人 (2019) 将基于计算流体动力学（CFD）的传感器数据与基于深度学习的分析方法相结合，该方法在化学泄漏检测的应用领域中十分具有竞争力。
除了上述基于传感器的传统方法外，光学气体成像（OGI）成为可视化检测化工厂烃类化合物泄漏的有前景的替代方法 (Ravikumar 等人, 2016, 2018; Golston 等人, 2018). OGI的优势在于，它无需关闭化学反应堆设备，从几米外的地方就能实现对烃类化合物泄漏的实时检测。然而，该方法仍存在一些缺陷 (Ravikumar 等人, 2016). 例如，由于摄像机无法在没有操作人员判断的情况下提供检测结果的实时反馈，监控人员的劳动强度很大 (Wang 等人, 2019). 因此, Wang 等人 (2019) 提出了基于机器视觉的天然气甲烷排放检测方法，以降低人工成本以及由操作人员主观引起的意外事故。最近发展起来的基于CNN的方法只实现了对特定设备检测的分类任
https://doi.org/10.1016/j.compchemeng.2020.106780 0098-1354/copy; 2020 Elsevier Ltd. All rights reserved.
务，但无法直观地定位烃类化合物泄漏，无法快速导向对多个化工设备的泄露源追踪任务。
近年，一些用于处理实时目标检测的分类和定位任务的先进方法被研发出来。这些先进方法通常可分为两种类型，包括单级目标检测方法，如“YOLO”（You Only Look Once） (Redmon 等人, 2016), SSD（Single Shot MultiBox Detector） (Liu 等人, 2016), 和两级目标检测方法，如“快速R-CNN”(Ren 等人, 2015). 在这些方法中，快速R-CNN算法的性能表现出更强的竞争力。此外，已经出现了多种类型的研究，以测试快速R-CNN算法对不同对象的实时检测能力(Sun 等人, 2018; Pham 等人, 2018; Zhang 等人, 2018; Chen 等人, 2018a,b;Xu等人 网络才是用于实时烃类化合物泄漏检测的最优网络尚无定论。
RPN是通过分类器预先检查特征地图的哪个位置包含对象，并相应地通过回归器调整相对位置。分类器和回归器都根据以下方程进行训练，以便为最终检测到目标类别和区域的基于CNN的检测网络生成区域建议。
2018; Chang 等人, 2018; Hong 等人, 2019). 这些研究表
明，该方法对各种尺寸的目标都具有较高的检测精度，但与单级目标检测方法相比，其检测速度较慢。此外，对于一般数据集， Huang 等人 (2017a,b) 通过研究得出结论，通过改变快速R-CNN算法的模型结构，可以在不降低检测精度的情况下有效地提高检测速度。这启发了我们可以通过改变CNN体系结构，从而得到一个将实时自动烃类化合物泄漏检测的速度和精度相权衡的快速R-CNN模型。
本研究旨在实现无需操作人员干预的实时碳氢化合物泄漏检测的分类和定位任务。将快速R-CNN算法和OGI方法相结合。此外，本文还提出了一种能权衡检测精度和速度的最优快速R-CNN建模方法。通过OGI摄像机拍摄乙烷裂解装置呼吸阀泄漏烃类化合物的视频。为了加快R-CNN模型的建模速度，同时考虑到视频数量的有限性，采用了一种常用的迁移学习方法，即预训练模型法。对不同的预训练模型和CNN结构（在下文中均表示为预训练模型配置）对集成方法的性能进行敏感性分析。从而建立最优模型的最优阈值。最终将所得均衡模型和SSD模型的性能相比较。这项研究有助于我们在采用快速R-CNN算法进行实时自动烃类化合物泄漏检测时选择一个合适的模型。
快速R-CNN理论
快速R-CNN算法是R-CNN算法家族中的第三代 (Ren 等人, 2015)。
与第一代和第二代相比，快速R-CNN提出了基于CNN的替代方案，即与基于CNN的检测网络共享权重和偏差的区域建议网络（RPN） (Ren 等人, 2015).。这种即时集成可以保证其实时
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239877]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
