Traditionelle kontaktbasierte Methanleckage-Sensoren haben einen kleinen Erkennungsbereich und eine niedrige Effizienz, während maschinelle Sehalgorithmen in Kombination mit kontaktloser Infrarot-Wärmebildgebung eine Fern- und großflächige IR-Methan-Instanzsegmentierung ermöglichen, was einen signifikanten Vorteil bei der Verbesserung der Methanerkennungseffizienz und der Gewährleistung der Personensicherheit darstellt. Allerdings schränken unscharfe Konturen von Methangasabildungen auf große Entfernung, geringer Kontrast zwischen ausgetretenem Methangas und Hintergrund sowie die Form, die leicht durch atmosphärische Strömungsfaktoren beeinflusst wird, die Leistung der IR-Methan-Instanzsegmentierung ein. Zur Lösung dieser Probleme wird in diesem Artikel ein Netzwerkmodell mit adaptiver räumlicher Informationsregulierung und Merkmalssynchronisierung (Adaptive spatial information regulation and Feature alignment Network, AFNet) vorgestellt, das eine IR-Instanzsegmentierung von Methanleckagen realisiert. Zunächst wird zur Verbesserung der Merkmalextraktionsfähigkeit des Modells ein adaptives Modul zur räumlichen Informationsregulierung vorgeschlagen, das dem Rückstandsblock des Rückgrats adaptive Gewichtungen auf verschiedenen Skalen zuweist und den extrahierten Merkmalsraum des Modells bereichert. Zweitens wird eine gewichtete bidirektionale Pyramide aufgebaut, um das Verschwimmen und den Verlust der Position des Merkmalsraums auf niedriger Ebene sowie der Instanzkantendaten durch die Top-Down-Merkmalsausbreitung in der Merkmalspyramide auszugleichen, um die Anforderungen an die Vordergrundzielpositionierung und Kantensegmentierung unter komplexen Konturänderungen von Methangas zu erfüllen. Schließlich wird ein Prototyp-Merkmalsausrichtungsmodul entworfen, um semantische Beziehungen zwischen langreichweiten Gasmustern zu erfassen, die semantische Informationsmenge des Prototyps zu bereichern, die Qualität der Zielmaskenerstellung zu verbessern und die Segmentiergenauigkeit von Methangas zu erhöhen. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene AFNet-Modell quantitative Segmentiergenauigkeiten AP50@95 und AP50 von 42,42 % bzw. 92,18 % erreicht, was im Vergleich zum ursprünglichen Yolact-Modell eine Steigerung um 9,79 % bzw. 6,18 % bedeutet, zudem eine Inferenzgeschwindigkeit von 36,80 Bildern pro Sekunde bietet und somit die Anforderungen an die Methanleckage-Segmentierung erfüllt. Die Ergebnisse bestätigen die Effektivität und praktische Anwendbarkeit des Algorithmus für die IR-Methanleckage-Segmentierung.

Infrarotmethan;adaptive Regulierung;Merkmalssynchronisierung;Merkmalspyramide;Instanzsegmentierung