Quantitative Einordnung von Gas-Leckagen durch Mustererkennung mittels Neuronaler Netze in Aufnahmen der Gasfahne

Das Ziel der vorliegenden Masterarbeit war die quantitative Einordnung von Gas-Leckagen durch Mustererkennung mittels Neuronaler Netze in Aufnahmen der Gasfahne. Hierfür wurden mittels spektraler Thermographie generierte infrarot-optische Bildaufnahmen des Gasaustritts aus einem mit CO2 durchflossenen Prüfobjektes genutzt. Aus den Bildaufnahmen wurden mittels Datenverarbeitung und Merkmalsextraktion Trainingsdaten gewonnen. Ein Neuronales Netz wurde bei verschiedenen Volumenströmen trainiert, um mit hoher Zuverlässigkeit eine quantitative Aussage über den Volumenstrom in [ml/min] des austretenden Gases zu treffen. Die Gasfahnen verhalten sich hochdynamisch und reagieren bereits auf kleine Luft- und Konvektionsströmungen. Weitere störende Einflussfaktoren waren die variierende Sichtbarkeit der Gasfahne, Rauschen, zeitliche und laterale Detektor-Inhomogenität, sowie die Umgebungstemperatur. Mittels der extrahierten Metadaten aus der Datenvorverarbeitung, konnten bei der Klassifizierung sehr gute Ergebnisse erzielt werden. Zur Bewertung wurde das gemittelte F-Mass aus der Kreuzvalidierung der jeweiligen Versuchsreihen als Güte des neuronalen Netzes berechnet. Bereits mit einem dreischichtigen Perzeptron konnten Aufnahmen bei mit 2-5 ml/min auseinander liegenden Volumenströmen zu 100% richtig zugeordnet werden. Schwieriger zu klassifizieren waren Datensätze mit deutlich mehr Aufnahmen bei kleineren Unterschieden ab 0,5 ml/min. Ein optimales Resultat, hinsichtlich der getroffenen quantitativen Aussagen, konnte mit der Verwendung eines Faltenden Neuronalen Netzes erreicht werden. Hierbei werden bisher gesehene Frames einer Aufnahme bei der Klassifizierung des aktuellen Frames mit berücksichtigt und neu klassifiziert.

The aim of this work was the quantitative classification of gas leakage using pattern recognition by neuronal networks in images of gas plumes. Therefore infrared optically images of gas emission from a test object passed through by CO2 were used, generated using spectral thermography. Training data were obtained out of the visual recordings by means of data processing and feature extraction. A Neuronal Network was trained with different volume flow rates to give quantitative statements with high reliability about the volume flow in [ml/min] of the escaping gas. The gas plumes are move with high dynamic and responding to even low air flows and convection currents. Further negatively influencing factors were the varying visibility of the gas plume, noise, temporal and lateral detector inhomogeneity, as well as the ambient temperature. Using extracted metadata of the data preprocessing, the classification resulted in excellent achievements. As criteria for evaluation, indicating the Neuronal Network's quality, the averaged F-Measure was calculated during cross validation. Already with a three layer perceptron images at volume flow rates diverging by 2-5 ml/min were 100% correctly classified. More difficult to classify were datasets with significantly more recordings at smaller differences from 0.5 ml/min. Optimal results with regard to quantitative statements made were achieved with the application of a convolutional neuronal network. Seen frames in recordings are taken into account for the classification of current frames as well as being classified again in this process.