Employing Machine Learning and Deep Learning Techniques for Leak Detection Based on Infrared Images of Pipelines
Notice bibliographique
Résumé
Leakage in pipelines conveying water or hydrocarbon fluids poses significant risks, including injuries, environmental disasters, and economic losses. To mitigate these risks, a preventive and non-destructive inspection method is crucial. This research proposes a hybrid model combining two-steps control: an artificial neural network Multi Layer Perceptron (MLPClassifier) model utilizing metadata and a Convolutional Neural Network (CNN) analyzing thermal images for leak detection. Moreover, the severity of leaks is assessed through leak propagation analysis using a time-based image dataset. The analysis of the infrared images dataset, along with the associated metadata, provides valuable information, such as leak detection, pipe failure conditions, and leak propagation assessment. Initially, the model analyzes the background information about the pipes, including factors such as pipe age, material, and installation quality, to identify potential leaking pipes. Subsequently, thermal images of the detected pipes, classified into the category of 'exhibiting pipe failure' based on a predefined threshold, are captured using a thermal camera-equipped drone, eliminating the need for open inspections. These thermal images are then input to the CNN model for potential leak detection. Experimental results demonstrate that the two-steps based hybrid model achieves 94% accuracy with the MLPClassifier model and 96.4% accuracy with the CNN model. This approach offers an effective and reliable solution for non-destructive leak detection in pipeline networks, combining the advantages of both metadata analysis and thermal image processing.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».