Please activate JavaScript!
Please install Adobe Flash Player, click here for download

Pipeline Technology Journal - Chinese Edition 1/2016

Latest News, Reports and Technical Articles about Research and Development in the Global Pipeline Industry.

研究/发展/技术 应用分类系统,将危险液体与环境中的水和其他非危险物质区分开。分 类器会从所提取的地面实况标签特征中学习模式( 训练步骤 ),然后在 稍后的阶段在一组已提取特征的未知样本上学习。然后,调用分类器,就 是否存在危险物质做出决策( 分类步骤 )。按像素定义分类输出,然后 运用后处理技术移除错误检测出的像素并对真正类区域分组,以更好地确 定图像内的危险液体构成。 训练和评估 在各种天气条件下以及一天当中的不同时间收集用于初始验证的数据, 以获取多种照明条件。该集合包括使用高光谱、可见光、热传感和短波红 外 ( SWIR ) 摄像机在(传感器和目标物质之间)相隔大约十(10)米的距离 拍摄的图像。图3 显示了同时从可见光摄像机和热传感摄像机的角度模拟 关注情况的典型方案。前景中的每个黑色容器均装有以下组合: 1. 管道下方发现的一种典型地表面,以及 2. 液体涂层,为危险液体或潜在误报物质(比如水)。 表 3 列出了用于数据收集的部分表面、液体和照明条件。 此外,还收集了有关误报潜在来源的额外测试数据。其中包括在各种照明 和天气条件下拍摄的图像。测试图像包括树木、草地和铺满树叶的地面等 自然景观。额外测试图像集合中的潜在关注对象包括车辆、金属结构、管 道和人。 从所收集图像的集合提取样本,以填充用于测试和训练的各类。类的定义 是液体类型和表面的组合。为确保样本之间的独立性,使用了单独的图像 集合来培训和测试分类器。此外,由于图像采集自播放速度为每秒 30 帧 的视频流,按照时间顺序排列的图像的采样被策略性地间隔开,以便在整 个测试过程中捕获独立样本的最大可能范围。对图像上定义的关注区域随 机采样,以生成类数据。 为评估分类器的性能,采用了多种评分指标,包括准确度、精度、召回 率、F1分数( 测试准确度测量指标 )、危险液体误报率以及危险液体漏 检率。在这种情况下,误报率的定义是被错误地归类为危险液体像素 ( 矿物油、汽油、柴油、原油 )的非危险液体像素( 水、仅表面等 )百 分比。同样,漏检率的定义是被错误地归类为非危险液体像素( 水、仅 表面等 )的危险液体像素( 矿物油、汽油、柴油和原油 )百分比。这项 分类工作的目标是,最大限度地提高准确度、精度、F1分数和召回率,同 时最大限度地降低危险液体漏检率和误报率。这些指标均在完整测试数据 集合的基础上观测得出,以包含许多可能相关的泄露和非泄漏情况。 表面 物质 砾石 矿物油 草地 汽油 灰土地 柴油 混凝土 原油 水 无液体( 只有表面 ) 甲烷 乙烯 表3:数据收集过程中使用的表面、液体和照明条件的子集 图3:砾石表面上的各种液体( 左起:可见光摄像机,居中:热传 感摄像机 )、氮( 底部:热传感摄像机 ) 管道技术期刊 33

Pages Overview