Tensor-Based Approach for Liquefied Natural Gas Leakage Detection From Surveillance Thermal Cameras: A Feasibility Study in Rural Areas
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Detection of the liquefied natural gas (LNG) leakage attracts increasing attention for preventing environments and governments from severe pollution and economic loss. Existing frameworks take advantage of stationary surveillance thermal cameras to detect the LNG leakage, which comprises background subtraction and leakage classification. However, these methods are limited in rural areas due to the lack of sensitivity and accuracy. In this article, a generalized framework, i.e., tensor-based leakage detection (TBLD), is proposed to detect LNG leakage in the rural area from surveillance thermal cameras. First, the proposed TBLD takes advantage of tensor factorization to fuse thermal image and corresponding gradient maps for improving sensitivity. Additionally, a finite-state-machine is designed to maintain leakage foreground along with the video streaming. The experiments demonstrate the robust performance of TBLD in the background subtraction stage. Second, multiple classification techniques are explored in the leakage classification stage. The results suggest that the TBLD can accurately detect the LNG leakage by applying 50 layers of residual networks (ResNet50). Finally, compared with contemporary frameworks, the TBLD has consistently improved performance concerning the different distances of LNG leakage. The experimental results demonstrate the effectiveness of the proposed TBLD, which also shows the great potential of TBLD in future industrial applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle