基于紅外熱成像的LNG 接收站關(guān)鍵設(shè)施漏冷缺陷智能監(jiān)測(cè)方法

胡瑾秋 ，董紹華徐康凱郭海濤，閆雨曦

1 中國(guó)石油大學(xué)(北京)安全與海洋工程學(xué)院，北京 102249

2 中國(guó)石油大學(xué)(北京)油氣資源與探測(cè)國(guó)家重點(diǎn)實(shí)驗(yàn)室. 北京 102249

3 中石油江蘇液化天然氣有限公司. 南通 226400

0 引言

LNG泄漏是制約接收站安全平穩(wěn)運(yùn)行的重要隱患，在接收站設(shè)施的故障類(lèi)型中，保溫層漏冷高達(dá)80%。關(guān)鍵設(shè)施的漏冷缺陷影響工藝正常運(yùn)行，制約LNG接收站的長(zhǎng)期發(fā)展。LNG具有低溫性，運(yùn)用紅外熱成像技術(shù)對(duì)LNG接收站關(guān)鍵設(shè)施監(jiān)測(cè)，可以表征設(shè)備運(yùn)行狀態(tài)與表面溫度的對(duì)應(yīng)關(guān)系，同時(shí)傳遞LNG接收站關(guān)鍵設(shè)施當(dāng)前的運(yùn)行信息或故障情況，這對(duì)LNG場(chǎng)站設(shè)施的早期泄漏監(jiān)測(cè)預(yù)警具有重要意義。

場(chǎng)站紅外監(jiān)測(cè)的范圍，即儲(chǔ)罐、閥門(mén)、再冷凝器等設(shè)施外，會(huì)有車(chē)輛、人員等進(jìn)入紅外熱成像內(nèi)，從而阻擋儀器接受紅外輻射，使被測(cè)對(duì)象的監(jiān)測(cè)數(shù)據(jù)出現(xiàn)異常，對(duì)后續(xù)的泄漏等隱患的判斷造成干擾。近年來(lái)，針對(duì)標(biāo)號(hào)噪聲下的圖像數(shù)據(jù)的清洗和特征學(xué)習(xí)[1]、數(shù)據(jù)質(zhì)量問(wèn)題[2]、低分辨率人臉與高分辨率圖像特征的不對(duì)應(yīng)的情況[3]，學(xué)者依據(jù)不同的數(shù)據(jù)質(zhì)量問(wèn)題歸納總結(jié)出相應(yīng)問(wèn)題所面臨的挑戰(zhàn)和進(jìn)一步研究的方向。文獻(xiàn)考慮了關(guān)聯(lián)數(shù)據(jù)的一致性和時(shí)效性，并采取數(shù)據(jù)聚類(lèi)的思想對(duì)異常數(shù)據(jù)進(jìn)行清洗[4-6]。國(guó)外研究機(jī)構(gòu)提出了基于知識(shí)的數(shù)據(jù)清洗方法，可用于降低由復(fù)雜不確定性引起的噪聲，進(jìn)而有效清除管理系統(tǒng)中的異常數(shù)據(jù)[7-9]。上述方法均在降噪的層面上對(duì)異常值進(jìn)行刪除、替換，未能針對(duì)紅外圖片中的異物數(shù)據(jù)進(jìn)行準(zhǔn)確清除，難以提取監(jiān)測(cè)對(duì)象的紋理及特征。在考慮數(shù)據(jù)降噪的基礎(chǔ)上，文獻(xiàn)利用方向梯度直方圖(Histogram of Oriented Gradients，HOG)方法提取圖像梯度邊緣和相似形狀等幾何特征并進(jìn)行特征向量融合，試驗(yàn)在高維特征響應(yīng)上得到良好效果[10]。文獻(xiàn)針對(duì)不同光照、表情條件下的人臉特征識(shí)別及紋理提取，利用HOG方法較好地提高了識(shí)別率和算法魯棒性[11]。為更好的體現(xiàn)分類(lèi)效果，同時(shí)考慮HOG特征維數(shù)過(guò)高對(duì)分類(lèi)器識(shí)別能力的影響，文獻(xiàn)引入困難樣本挖掘過(guò)程訓(xùn)練支持向量機(jī)(Support Vector Machine，SVM)，使模型訓(xùn)練更加充分，降低了誤檢率[12]。同時(shí)有學(xué)者針對(duì)棉花行數(shù)動(dòng)態(tài)計(jì)數(shù)[13]、高壓電器隔離[14]、跳頻信號(hào)檢測(cè)[15]等問(wèn)題運(yùn)用HOG與SVM相結(jié)合的方法，為紅外圖像數(shù)據(jù)特征提取及分類(lèi)提供了新的思路。在紅外熱成像監(jiān)測(cè)及缺陷識(shí)別方面，研究人員提出了基于自組織神經(jīng)網(wǎng)絡(luò)(SOM)[16]判別變電站設(shè)備熱故障類(lèi)型的紅外圖像診斷方法，并探討了在石化工業(yè)中帶保溫層設(shè)備的檢測(cè)與診斷[17]的應(yīng)用，同時(shí)針對(duì)氣體泄漏監(jiān)測(cè)，提出一種基于熱像圖局部熵差的密閉容器泄漏定位方法[18]。上述方法在診斷方面有一定的效果，然而算法未能實(shí)現(xiàn)精簡(jiǎn)，計(jì)算量大。目前，輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)已經(jīng)廣泛應(yīng)用于圖像分類(lèi)[19]、文本挖掘[20]、目標(biāo)檢測(cè)及特征構(gòu)造[21]等領(lǐng)域中。學(xué)者針對(duì)抽油機(jī)故障診斷問(wèn)題，運(yùn)用CNN提高了故障診斷性能、減少診斷模型的存儲(chǔ)，滿足了工況檢測(cè)的診斷精度要求[22]。在旋轉(zhuǎn)葉片缺陷診斷中，為解決葉尖定時(shí)技術(shù)中因信號(hào)嚴(yán)重欠采樣的問(wèn)題，文獻(xiàn)利用一維CNN模型，自動(dòng)挖掘能夠表征旋轉(zhuǎn)葉片狀態(tài)的敏感特征，得到適用于旋轉(zhuǎn)葉片缺陷判別的診斷模型，在節(jié)省算力的同時(shí)保證了診斷的準(zhǔn)確性[23]。

LNG接收站環(huán)境、條件以及可能事件具有特殊性和復(fù)雜性，監(jiān)測(cè)介質(zhì)發(fā)生漏冷應(yīng)有提前量?，F(xiàn)有方法面對(duì)視頻或多幀時(shí)序圖像的批量處理時(shí)，運(yùn)算效率和成本無(wú)法保證，不能滿足現(xiàn)場(chǎng)監(jiān)測(cè)對(duì)信息實(shí)時(shí)處理、呈現(xiàn)的需求，且算法復(fù)雜度越高，處理步驟就越多，進(jìn)而處理對(duì)象數(shù)量越大，導(dǎo)致實(shí)時(shí)性越差。本文提出融合數(shù)據(jù)清洗、漏冷缺陷監(jiān)測(cè)及智能識(shí)別的LNG接收站關(guān)鍵設(shè)施漏冷缺陷智能監(jiān)測(cè)方法。同時(shí)提出了基于卷積神經(jīng)網(wǎng)絡(luò)的異常監(jiān)測(cè)模型，可以在準(zhǔn)確判定漏冷位置的基礎(chǔ)上有針對(duì)性的進(jìn)行預(yù)警。

1 基于HOG 與SVM 結(jié)合的紅外熱像數(shù)據(jù)清理方法

考慮LNG接收站環(huán)境、條件以及可能出現(xiàn)事件的特殊性和復(fù)雜性，LNG接收站紅外熱像多有異物闖入?，F(xiàn)有方法針對(duì)視頻或多幀時(shí)序圖像的批量處理時(shí)，運(yùn)算效率和成本無(wú)法保證，不能滿足現(xiàn)場(chǎng)監(jiān)測(cè)對(duì)信息實(shí)時(shí)處理、呈現(xiàn)的需求。目前，紅外熱像異常監(jiān)測(cè)信息的識(shí)別、清洗是以圖像幀或幀段為單位，涉及大量的像素點(diǎn)數(shù)據(jù)，異常數(shù)據(jù)的提取或刪除重構(gòu)難度較大。本文提出基于HOG與SVM相結(jié)合的數(shù)據(jù)清理方法，運(yùn)用HOG提取異物邊緣信息特征，SVM作為特征識(shí)別分類(lèi)器，以達(dá)到紅外圖像數(shù)據(jù)清洗的效果[24]。

本文采用HOG與SVM結(jié)合的數(shù)據(jù)清洗方法，主要分為訓(xùn)練過(guò)程和清洗過(guò)程。

(1)訓(xùn)練過(guò)程中對(duì)于每一單幀關(guān)鍵設(shè)施紅外熱像監(jiān)測(cè)圖片的操作步驟

步驟1：圖像預(yù)處理。①所有圖像進(jìn)全部縮放為256×256。②色彩Gamma歸一化，如式1 所示。

式中，Gamma=0.5，I(x，y)為像素點(diǎn)(x，y) 位置的像素值，Y(x，y)為Gamma校正后的值。

步驟2：計(jì)算圖像梯度，如式2、3 所示。

式中，G x(x，y)，G y(x，y)，H(x，y)分別為輸入圖像中(x，y)像素點(diǎn)位置的水平方向梯度、垂直方向梯度和像素值。進(jìn)而由式4、5 可以得出(x，y) 像素點(diǎn)位置的梯度幅值和梯度方向。

步驟3：構(gòu)建直方圖。為每個(gè)細(xì)胞單元構(gòu)建梯度方向直方圖。

步驟4：形成區(qū)間。把各個(gè)細(xì)胞單元組合成空間上連通的區(qū)間。

步驟5：收集HOG特征。將上一步所有重疊的區(qū)間進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量供分類(lèi)使用。

步驟6：標(biāo)定訓(xùn)練標(biāo)簽，生成SVM分類(lèi)器。

(2)清洗過(guò)程步驟

步驟1：輸入原始的關(guān)鍵設(shè)施紅外熱成像測(cè)試集。

步驟2：按照上述訓(xùn)練過(guò)程中的步驟1 至步驟5對(duì)其進(jìn)行處理，得到HOG特征。

步驟3：將提取特征后的圖像輸入SVM分類(lèi)器，實(shí)現(xiàn)二分類(lèi)。

步驟4：預(yù)測(cè)并顯示分類(lèi)效果圖。

步驟5：含異物圖像剔除至異物數(shù)據(jù)集，正常監(jiān)測(cè)圖片返回監(jiān)測(cè)數(shù)據(jù)集，以待下一步的狀態(tài)異常識(shí)別。數(shù)據(jù)清洗流程如圖1 所示。

圖1 數(shù)據(jù)清洗流程圖Fig. 1 Data cleaning flowchart

2 基于卷積神經(jīng)網(wǎng)絡(luò)的異常監(jiān)測(cè)模型

針對(duì)LNG接收站關(guān)鍵設(shè)施的漏冷缺陷識(shí)別誤判和不及時(shí)的問(wèn)題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的異常監(jiān)測(cè)模型。紅外監(jiān)測(cè)數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)清洗后，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入層。下面是模型的具體步驟。

(1)紅外圖像實(shí)時(shí)監(jiān)測(cè)、數(shù)據(jù)收集，建立數(shù)據(jù)清洗后的圖像數(shù)據(jù)集，劃分訓(xùn)練集、測(cè)試集。

(2)基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像所屬情況識(shí)別和分類(lèi)。

?

①數(shù)據(jù)讀取：讀取圖像數(shù)據(jù)集，并將像素區(qū)間值從0-255 歸一化至0-1。

②數(shù)據(jù)擴(kuò)充：為增加模型的可靠性，解決數(shù)據(jù)相對(duì)較少的情況，利用水平和垂直翻轉(zhuǎn)增加數(shù)據(jù)樣本。

卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)說(shuō)明如圖2 所示，從輸入圖像到輸出結(jié)果，大體經(jīng)過(guò)特征提取和特征輸出兩部分。卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)設(shè)計(jì)部分如③～⑧所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)說(shuō)明圖Fig. 2 Convolutional neural network architecture illustration

③卷積層設(shè)計(jì)：卷積核大小為3×3，步長(zhǎng)為1，輸出64 個(gè)特征圖。

④激活函數(shù)選擇：為控制訓(xùn)練時(shí)間，選擇收斂最快的Relu函數(shù)。

⑤池化層設(shè)計(jì)：選擇Maxpool2D，即最大池化，卷積核為2×2，步長(zhǎng)為2。

⑥全連接層設(shè)計(jì)：設(shè)置為10 個(gè)節(jié)點(diǎn)。

⑦輸出層設(shè)計(jì)：本單元設(shè)置2 個(gè)節(jié)點(diǎn)，輸出向量[0，1]表示異常，[1，0]表示正常。

⑧網(wǎng)絡(luò)結(jié)構(gòu)中其他參數(shù)設(shè)計(jì)：優(yōu)化器選擇Adam；學(xué)習(xí)率lr設(shè)置為0.001；損失函數(shù)Loss選擇信息熵。

(3)告知存在異常情況的關(guān)鍵設(shè)施名稱。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖3 所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖Fig. 3 Convolutional neural network training f lowcharts

3 漏冷缺陷識(shí)別的實(shí)驗(yàn)研究與分析

(1)漏冷缺陷場(chǎng)景設(shè)計(jì)：低溫物料儲(chǔ)存箱被打開(kāi)，冷氣從中溢出，即為異常(泄漏)情況，否則為正常情況。

(2)實(shí)驗(yàn)場(chǎng)景：可見(jiàn)光下泄漏場(chǎng)景(如圖4)、紅外熱像下泄漏場(chǎng)景(如圖5)，圖5 中紅色邊框示意低溫物料泄漏口。

圖4 可見(jiàn)光下泄漏場(chǎng)景Fig. 4 leakage scene under visible light

圖5 紅外熱像下泄漏場(chǎng)景Fig. 5 Leakage scene under infrared thermal image

(3)實(shí)驗(yàn)距離：熱像儀與低溫物料儲(chǔ)存箱的距離為1 米。通過(guò)改變熱像儀與低溫物料儲(chǔ)存箱的距離，由于受實(shí)驗(yàn)空間及環(huán)境的限制，最遠(yuǎn)可距離10 m，均可顯示并判斷出低溫物料儲(chǔ)存箱的最低溫度值及所在區(qū)域(泄漏點(diǎn))。但是隨著距離的增大，最低溫度逐漸升高。

(4)實(shí)驗(yàn)過(guò)程：先將檢測(cè)到的紅外視頻，幀幀截圖并保存，將部分圖像數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練直至尋訓(xùn)練完畢。

(5)識(shí)別結(jié)果：選取另一部分圖像數(shù)據(jù)作為測(cè)試集，將其輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。注：圖片名稱即標(biāo)簽，“0”代表正常情況，“1”代表泄漏情況。結(jié)果表明，系統(tǒng)測(cè)試結(jié)果和實(shí)際結(jié)果全部吻合，即“正常=＞正?！?、“泄漏=＞泄漏”，如表1 所示。

表1 實(shí)驗(yàn)一識(shí)別結(jié)果示例Table 1 Example of recognition result of experiment one

(6)效果評(píng)估：在低溫物料泄漏的實(shí)驗(yàn)中，小樣本測(cè)試104 張圖片，全部分類(lèi)識(shí)別正確，檢測(cè)成功率100%。通過(guò)對(duì)比卷積神經(jīng)網(wǎng)絡(luò)和人工識(shí)別異常的方法，本文使用的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別低溫物料泄漏大大縮短識(shí)別時(shí)間和提高識(shí)別效率，有效的保證了低溫物料存儲(chǔ)的安全。

4 LNG 接收站現(xiàn)場(chǎng)應(yīng)用研究

4.1 LNG接收站關(guān)鍵設(shè)施紅外熱成像監(jiān)測(cè)數(shù)據(jù)清洗案例分析

本節(jié)以工作人員誤入儲(chǔ)罐紅外熱成像圖的時(shí)刻檢測(cè)的現(xiàn)場(chǎng)實(shí)驗(yàn)為例。采集正常運(yùn)行過(guò)程中LNG接收站儲(chǔ)罐的紅外熱成像圖，如圖6 所示，圖像呈現(xiàn)藍(lán)色居多。各幀紅外熱成像圖由288×384 個(gè)像素點(diǎn)組成，采集頻率5 Hz，即幀頻5 fps。

圖6 正常情況下監(jiān)測(cè)對(duì)象紅外熱成像圖Fig. 6 Infrared thermal imaging of monitoring objects under normal condition

(1)設(shè)置訓(xùn)練集

在監(jiān)測(cè)測(cè)試前，將先前采集的數(shù)據(jù)，隨機(jī)抽取不同時(shí)刻的圖像設(shè)置樣本庫(kù)進(jìn)而構(gòu)建訓(xùn)練集，如圖7、圖8 所示，分為“yc”(異常)和“zc”(正常)兩種工況。其中，“yc”(異常圖像)特征為含有工作人員手與頭部不同程度的進(jìn)入畫(huà)面；“zc”(正常圖像)訓(xùn)練集特征為不含有工作人員手與頭部，畫(huà)面中只包含部分罐體和其他附屬設(shè)施。

圖7 異常圖像訓(xùn)練集Fig. 7 Abnormal image training set

圖8 正常圖像訓(xùn)練集Fig. 8 Normal image training set

(2)預(yù)處理及HOG特征提取

經(jīng)圖像預(yù)處理和HOG邊緣檢測(cè)及特征提取得到的過(guò)程圖，如圖9 所示，圖中白點(diǎn)為提取邊緣的標(biāo)記點(diǎn)。

圖9 HOG邊緣檢測(cè)及特征提取Fig. 9 HOG edge detection and feature extraction

(3)清洗異物入侵?jǐn)?shù)據(jù)

輸入在線監(jiān)測(cè)的測(cè)試集，如圖10 所示。最終正常、異常清洗結(jié)果示例，如圖11 和圖12 所示，圖像上方會(huì)顯示預(yù)測(cè)的分類(lèi)清洗結(jié)果，隨后將識(shí)別為yc(異常)的數(shù)據(jù)存入異物數(shù)據(jù)集，以達(dá)到清洗的效果。異常數(shù)據(jù)所含白色和紅色部分為人員闖入鏡頭的顯示。識(shí)別為正常的監(jiān)測(cè)圖片將返回監(jiān)測(cè)數(shù)據(jù)集，以待下一步的狀態(tài)異常識(shí)別。

圖10 測(cè)試集Fig. 10 Test set

圖11 分類(lèi)為正常的結(jié)果Fig. 11 Classif ied as normal results

圖12 分類(lèi)為異常的結(jié)果Fig. 12 Classif ied as abnormal results

(4)分析與總結(jié)

如上述實(shí)驗(yàn)操作所示，進(jìn)行3 次獨(dú)立實(shí)驗(yàn)測(cè)試，每次測(cè)試100 張關(guān)鍵設(shè)施紅外熱像監(jiān)測(cè)圖，其方法準(zhǔn)確率統(tǒng)計(jì)如表2 所示。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)SVM方法準(zhǔn)確率不低于69%，HOG+SVM方法相比于前者，對(duì)數(shù)據(jù)清洗的效果更好，經(jīng)過(guò)HOG的特征訓(xùn)練，可以使得SVM分類(lèi)器對(duì)于異物入侵畫(huà)面的敏感度增加，本文方法準(zhǔn)確率不低于96%。

通過(guò)案例分析，提取紅外熱成像的HOG特征，訓(xùn)練SVM分類(lèi)器，提升了LNG接收站關(guān)鍵設(shè)施紅外熱成像監(jiān)測(cè)識(shí)別結(jié)果的準(zhǔn)確性，經(jīng)分析比對(duì)，本文提出的方法可以去除邊界設(shè)置的限制，有效識(shí)別人員進(jìn)入監(jiān)測(cè)畫(huà)面不同程度的情況，識(shí)別準(zhǔn)確率最低提高23%。

4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的漏冷缺陷識(shí)別案例分析

(1)應(yīng)用場(chǎng)景：LNG儲(chǔ)罐保溫層有填料不足的現(xiàn)象，體現(xiàn)為紅外熱成像中儲(chǔ)罐體有低溫區(qū)域(藍(lán)色區(qū)域)，即為異常情況(保溫層缺陷)，否則為正常情況。

(2)測(cè)試距離：熱像儀與LNG儲(chǔ)罐的距離為10 m。通過(guò)改變熱像儀與LNG儲(chǔ)罐的距離，由于LNG接收站場(chǎng)的設(shè)備設(shè)施較為密集，所以受到場(chǎng)地限制，最遠(yuǎn)可距離10 m，但可監(jiān)測(cè)到LNG儲(chǔ)罐全貌，并判斷出LNG儲(chǔ)罐的最低溫度值及所在區(qū)域(保溫層缺陷處)。

(3)應(yīng)用測(cè)試過(guò)程：先將檢測(cè)到紅外視頻幀幀截圖并保存，將含有兩處泄漏的紅外熱成像數(shù)據(jù)作為異常情況輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(4)識(shí)別結(jié)果：選取部分含有一處泄漏的紅外熱成像數(shù)據(jù)作為測(cè)試集，將其輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試。注：圖片名稱即標(biāo)簽，“0”代表正常情況，“1”代表泄漏情況。結(jié)果表明，系統(tǒng)測(cè)試結(jié)果和實(shí)際結(jié)果全部吻合，即“正常=＞正常”、“泄 漏=＞泄漏”，如表3 所示。

現(xiàn)場(chǎng)應(yīng)用測(cè)試過(guò)程中，對(duì)蝶閥、BOG壓縮機(jī)、高壓泵和再冷凝器等均開(kāi)展了漏冷缺陷監(jiān)測(cè)和識(shí)別，缺陷識(shí)別并定位結(jié)果見(jiàn)表4 所示。

表4 其他典型設(shè)施紅外熱成像異常識(shí)別與定位Table 4 Infrared thermal imaging abnormality identification map of other typical facilities

(5)分析與總結(jié)：在LNG儲(chǔ)罐保溫層漏冷缺陷異常識(shí)別的現(xiàn)場(chǎng)應(yīng)用測(cè)試過(guò)程中，樣本數(shù)據(jù)庫(kù)為1000 張圖片，識(shí)別準(zhǔn)確率高達(dá)99%。通過(guò)與現(xiàn)場(chǎng)人工檢測(cè)后結(jié)果對(duì)比，驗(yàn)證了本文方法的有效性和正確性。通過(guò)對(duì)比卷積神經(jīng)網(wǎng)絡(luò)和人工識(shí)別異常的方法，使用本文的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別關(guān)鍵設(shè)施保溫層缺陷，可以大大縮短識(shí)別時(shí)間和提高識(shí)別效率，有效的保證了關(guān)鍵設(shè)施保溫層正常，避免因保溫層失效導(dǎo)致物料泄漏進(jìn)而引發(fā)更嚴(yán)重的事故或?yàn)?zāi)難。

5 結(jié)論

本文針對(duì)LNG接收站關(guān)鍵設(shè)施自身的特點(diǎn)，融合了數(shù)據(jù)清洗及卷積神經(jīng)網(wǎng)絡(luò)智能識(shí)別模型，建立了關(guān)鍵設(shè)施漏冷缺陷智能監(jiān)測(cè)方法，開(kāi)展了漏冷缺陷識(shí)別的實(shí)驗(yàn)研究，并在工程應(yīng)用中驗(yàn)證其有效性。

(1)所述案例以操作人員經(jīng)過(guò)紅外熱像儀鏡頭為例，清洗異物(操作人員)經(jīng)過(guò)的圖像數(shù)據(jù)，過(guò)程中附加提取HOG特征，再結(jié)合訓(xùn)練SVM分類(lèi)器，清洗準(zhǔn)確率在95%以上，提高了關(guān)鍵設(shè)施的檢測(cè)效率。

(2)針對(duì)LNG接收站關(guān)鍵設(shè)施異常數(shù)據(jù)極少導(dǎo)致識(shí)別誤判和不及時(shí)、紅外監(jiān)測(cè)易受到周邊環(huán)境影響的問(wèn)題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的漏冷缺陷監(jiān)測(cè)方法。所述案例選取儲(chǔ)罐作為研究對(duì)象，現(xiàn)場(chǎng)應(yīng)用案例選取單點(diǎn)保溫層缺陷和多點(diǎn)保溫層缺陷場(chǎng)景，驗(yàn)證了該方法在同類(lèi)設(shè)施的不同個(gè)體間具有很好的學(xué)習(xí)性的優(yōu)勢(shì)，在進(jìn)行數(shù)據(jù)清洗后，模型的異常識(shí)別準(zhǔn)確率可達(dá)99%，為提高LNG接收站智能化安全管理水平提供新的思路。