Les capteurs de fuite de méthane traditionnels à contact ont une plage de détection limitée et une faible efficacité, tandis que les algorithmes de vision par ordinateur combinés à l'imagerie thermique infrarouge sans contact peuvent réaliser une segmentation d'instances de méthane infrarouge à longue distance et à grande échelle, ce qui présente un avantage significatif pour améliorer l'efficacité de la détection du méthane et assurer la sécurité du personnel. Cependant, les contours flous des images de gaz méthane à longue distance, le faible contraste entre le gaz méthane fuyant et l'arrière-plan ainsi que la forme facilement affectée par les facteurs de flux atmosphérique limitent les performances de segmentation d'instances de méthane infrarouge. Pour répondre à ces problèmes, cet article propose un modèle de réseau d'adaptation de la régulation de l'information spatiale et d'alignement des caractéristiques (Adaptive spatial information regulation and Feature alignment Network, AFNet) pour la segmentation d'instances de fuite de méthane infrarouge. Tout d'abord, afin d'améliorer la capacité d'extraction des caractéristiques du modèle, un module adaptatif de régulation des informations spatiales est proposé pour attribuer des poids adaptatifs aux blocs résiduels de différentes échelles du réseau principal, enrichissant ainsi l'espace des caractéristiques extraites par le modèle. Ensuite, une pyramide pondérée bidirectionnelle est construite pour compenser la dispersion et la perte des informations de position spatiale des caractéristiques de bas niveau ainsi que des informations des bords des instances causées par la propagation des caractéristiques de haut en bas dans la pyramide des caractéristiques, afin de répondre aux besoins de localisation des cibles de premier plan et de segmentation des contours sous des variations complexes des contours du gaz méthane. Enfin, un module d'alignement des caractéristiques prototypes est conçu pour capturer les relations sémantiques entre les caractéristiques du gaz sur de longues distances, enrichissant la quantité d'informations sémantiques du prototype afin d'améliorer la qualité du masque cible généré et d'augmenter la précision de la segmentation du gaz méthane. Les résultats expérimentaux montrent que le modèle AFNet proposé a atteint une précision de segmentation quantitative AP50@95 et AP50 de 42,42 % et 92,18 % respectivement, soit une amélioration de 9,79 % et 6,18 % par rapport au modèle Yolact d'origine, avec une vitesse d'inférence de 36,80 images/seconde, répondant aux exigences de segmentation des fuites de méthane. Les résultats confirment l'efficacité et la praticabilité du présent algorithme pour la segmentation des fuites de méthane infrarouges.

méthane infrarouge;régulation adaptative;alignement des caractéristiques;pyramide de caractéristiques;segmentation d'instances