Foreground Fusion-Based Liquefied Natural Gas Leak Detection Framework From Surveillance Thermal Imaging
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
A leak detection and repair survey (LDAR) is essential to ensure a reliable and safe liquefied natural gas (LNG) supply. Modern LDAR systems deploy numerous fixed thermal imaging devices to automatically monitor the risk of potential leaks empowered by computational intelligence frameworks. Existing frameworks employ either background subtraction-based (BGS-based) or deep neural network-based (DNN-based) frameworks for LNG leak detection from thermal images. However, the BGS-based frameworks feature high sensitivity to perceive LNG emissions with low precision. On the contrary, the DNN-based frameworks can precisely classify the LNG leak after training while the sensitivity is low. Additionally, conventional DNN-based frameworks are difficult in modeling non-rigid objects such as LNG gas due to limited perceptive fields. Therefore, this study proposes a hybrid framework, namely foreground fusion-based gas detection (FFBGD), combining the advantages of BGS-based and DNN-based detectors for improved detection robustness through newly introduced concept of information fusion to LNG industries. Specifically, a foreground fusion network (FFN) is designed to fuse information of original thermal and foreground images after BGS based on the visual attention mechanism. Meanwhile, several advanced modules, i.e. deformable convolution, feature pyramid network, and cascade region-of-interest (ROI) head are adopted to enhance leak detection by offering better perceptive fields. Extensive experiments are carried out in this study to demonstrate the significant improvement brought by the proposed FFBGD over leak detection accuracy and robustness. Hence, the proposed solution can be deployed in energy facilities and enable reliable visual surveillance of LNG leaks.
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