Применение мультиспектральной камеры для дистанционного газоанализа

APPLICATION OF THE MULTISPECTRAL CAMERA FOR REMOTE GAS ANALYSIS

NEVEROV S.M.1
1 «Pergam-Engineering» JSC
Moscow, 127106,
Russian Federation

Рассмотрены актуальные системы мониторинга утечек газа на промышленных объектах. Описаны основные решения по диагностике промышленных объектов и определена актуальность данной задачи в связи с существующими угрозами аварийных ситуаций. Так как на промышленных предприятиях выброс некоторых газов может быть технологически обоснованным, а наличие других свидетельствует о нарушении технологического процесса и является признаком аварийной ситуации, то описан возможный вариант не только обнаружения, но и классификации обнаруженных газов.

Рассмотрены существующие аппаратно-программные комплексы и их недостатки, такие как несвоевременные и недостоверные определения пространственного распределения и концентрации утечек, недостаточная чувствительность и низкая скорость обработки данных. В общих чертах дано описание метода видеоспектрометрии, который позволяет объединить анализ пространственных и спектральных свойств объектов.

The report are examines the current systems for monitoring gas leaks at industrial facilities. The main solutions for diagnostics of industrial facilities are described and the urgency of this problem is determined in connection with the existing threats of emergency situations. Since at industrial enterprises the release of some gases may be technologically justified, and the presence of others indicates a violation of the technological process and is a sign of an emergency, a possible option is described not only for the detection, but also for the classification of the detected gases.
The existing hardware and software systems and their shortcomings, such as not timely and not reliable determination of the spatial distribution and concentration of leaks, insufficient sensitivity and low speed of data processing, are considered. The description of the video spectrometry method is given in general terms. which allows you to combine the analysis of the spatial and spectral properties of objects.

В последние годы гиперспектральные камеры получили широкое распространение в пищевой промышленности для оценки безопасности продуктов питания. Приход экономически эффективного производства позволил компактным, легким и недорогим гиперспектральным системам войти в состав систем машинного зрения для сортировки продуктов питания и контроля качества в фармацевтике [1].
Такие применения требуют от камер способность «видеть» цели на конвейере и игнорировать остальную фоновую информацию. Эта задача в настоящий момент успешно решается людьми, но переход на автоматизированные системы исключает человеческий фактор и экономит затраты в долгосрочной перспективе. Технология машинного зрения с использованием ГК производительнее, чем человек, быстрее, и может видеть повреждения не доступные человеческому глазу.
Один из известных производителей в этой области Resonon (Бозман, штат Монтана, США) [2, 3]. Компания специализируется на гиперспектральных камерах в сочетании с роботизированными системами машинного зрения, которые могут быстрее идентифицировать и сортировать объекты, перемещающиеся по конвейеру быстрее, чем люди.
Гиперспектральная камера Pika II – это линейный сканер, охватывающий 240 длин волн, от УФ на длине волны 400 нм до ИК области спектра на 900 нм, со спектральным разрешением 2,1 нм. Получившиеся 640 пространственных каналов и максимальная частота кадров – 145 кадров в секунду (кадр/с), позволяют ГК в режиме реального времени распознавать образцы, удалять с конвейера пустые и испорченные орехи. Это стало возможным благодаря анализу их уникальных спектральных характеристик. В случае миндаля система может отличить «хороший» коричневый миндаль из коричневой миндальной шелухи, который не может отличить стандартная трехцветная система камер [4]. Система отбраковывает инородные материалы, колотые орехи, скорлупу и все остальное, что не принадлежит к конечному продукту производства быстрее, чем обычные рабочие-сортировщики или традиционные системы машинного зрения.
Гиперспектральная камера создает куб данных с размером около 100 узких спектральных полос в каждом пикселе, в мгновенном поле зрения. Количество пикселей варьируется в зависимости от датчика инструмента. Типичная система ГК собирает свет (обычно отраженный от топографического объекта), который проходит через щель, спектрально раскладывается с помощью решетки или призмы и фокусируется на детекторе или датчике. Для каждого пикселя или растровой ячейки система получает и наносит на график значение яркости на каждой длине волны, тем самым создает непрерывный спектр для ячейки изображений. Ученые могут сравнивать эти спектры высокого разрешения во всей области длин волн со стандартными библиотеками спектров для идентификации [5]. Например, бетон против гранита, здоровые культуры по сравнению с больными культурами, здоровые клетки по сравнению с пораженными раком и даже определить причину покраснения кожи человека (от стресса или нет).
Системы ГК могут собирать спектральную и пространственную информацию от ультрафиолетовой области спектра до длинноволновых ИК (LWIR) волн и работают как с отраженным светом, так и с флуоресцирующим источником в зависимости от построения ОС [6]. Спектры, представляющие интерес для таких применений ГК, как определение растительности или обнаружение камуфляжа, может варьироваться от синего видимого света при 400 нм до ближней инфракрасной области (NIR) при 1100 нм. Для других применений ГК, таких как идентификация взрывов или цели в ночное время, применяется область спектра от коротковолнового инфракрасного (SWIR) на 11 мкм до LWIR на 14 мкм. Гиперспектральное изображение отличается от родственной технологии получения мультиспектрального изображения, в первую очередь, по количеству спектральных полос и их ширине. Мультиспектральный метод обычно дает 2-D изображение от нескольких до ста полос, каждая из которых охватывает десятки нанометров. В отличие от гиперспектрального изображения, состоящего из трехмерного куба, из сотен или даже тысяч изображений с размерами
(x, y, z), каждое изображение представляет всего несколько нанометров в диапазоне (рис. 1). Мультиспектральное изображение быстрее и проще обрабатывать с меньшим набором данных, в то время как гиперспектральная визуализация обеспечивает гораздо большую сложность данных, более высокое разрешение по спектру и является более универсальным, с многочисленными применениями [7].

Системы ГК могут собирать спектральную и пространственную информацию от ультрафиолетовой области спектра до длинноволновых ИК (LWIR) волн и работают как с отраженным светом, так и с флуоресцирующим источником в зависимости от построения ОС.


ПРИМЕНЕНИЕ ГК В ПОИСКЕ ВЫБРОСОВ УГЛЕВОДОРОДОВ
Существует много типов месторождений природного газа, включая сланцевые образования, которые широко распространены по всему миру, особенно в США и Канаде. Поскольку метан (CH4), основной компонент сланцевого газа, не имеет запаха, цвета и легко воспламеняется, то помимо выбросов его как парникового газа, также выбросы или утечки метана важны для определения и локализации с точки зрения безопасности [8].
Компания Telops (Канада) недавно выпустил на рынок Hyper-Cam Methane – инфракрасную гиперспектральную камеру с возможностью развертывания в полевых условиях, специально предназначенную для обнаружения инфракрасных спектральных характеристик метана в условиях окружающей среды и на больших расстояниях. Чтобы продемонстрировать преимущества этого нового исследовательского инструмента для визуализации природного газа, его установили в месте, где неожиданно случались утечки сланцевого газа. Это происходило во время геологического исследования почвы возле больницы Enfant-Jesus в Квебеке, (Канада, декабрь 2014 г.) [9]. Количественная визуализация метана проводилась на основе уникальной инфракрасной спектральной сигнатуры метана (рис. 2). Также технология позволила оценить утечку метана количественно в ppm*m.
Утечка метана с количественным определением в реальном времени с помощью гиперспектральной инфракрасной камеры. Если произошла случайная утечка метана на промышленной площадке по добыче газа, то важно оценить риски, связанные с взрывом образовавшихся облаков. Сочетая спектральную и пространственную информацию, гиперспектральная технология является привлекательным решением для обнаружения такого облака и количественного определения его концентрации. Сильной стороной алгоритма является его способность восстанавливать фоновый сигнал. Интегрированная концентрация впоследствии оценивается попиксельно, составляя карту концентрации в миллионных долях [10]. Наконец, расход утечки рассчитывается с учетом массы облака, объединяя оценку концентрации и плотности метана и скорость ветра, которая измеряется, например, с помощью метеостанции. Этот алгоритм был протестирован в октябре 2018 г. во время специальной тестовой кампании на площадке под городом Lacq (Франция), на промышленном объекте отдела Total R & D (TADI). Утечки метана выполнялись, регулируя следующие скорости потока: 1 г/с, 10 г/с и 100 г/с. Время сбора и обработки данных составляло 4 с, что является недостаточным для определения утечек, если необходимо сканировать площадку, а не анализировать статическое изображение.

МУЛЬТИСПЕКТРАЛЬНЫЕ КАМЕРЫ
Гиперспектральная камера измеряет смежные спектральные полосы в отличие от мультиспектральной визуализации, которая измеряет разнесенные спектральные полосы. Это отличие выгодно выделяет мультиспектральные камеры для нашей задачи, т.к. не нужны громоздкие вычисления и дорогостоящие ОС для раскладывания изучения по спектру.

Утечка метана с количественным определением в реальном времени с помощью гиперспектральной инфракрасной камеры. Если произошла случайная утечка метана на промышленной площадке по добыче газа, то важно оценить риски, связанные с взрывом образовавшихся облаков. Сочетая спектральную и пространственную информацию, гиперспектральная технология является привлекательным решением для обнаружения такого облака и количественного определения его концентрации.

Преимущество мультиспектральной камеры заключается в том, что ее матрица поделена на мозаику мельчайших оптических фильтров. Каждый фильтр пропускает отдельные инфракрасные области спектра, блокируя другие. Болометр 640х512 позволяет устанавливать до 16 фильтров, спектральные характеристики которых выбраны после анализа спектров поглощения нескольких газов. Присутствие этих газов на промышленном объекте связано с постоянным мониторингом концентрации этих газов в рабочей зоне предприятия. Для получения нужной конфигурации был обработан массив данных. В будущем на основании полученных изображений, используя входящее в комплект системы ПО, можно будет вычислять концентрацию газа и выделять тип газа на изображении соответствующим цветом в режиме реального времени.
Используем метод определения пространственного распределения температуры и коэффициента излучения по поверхности объекта, заключающийся в формировании светового пучка широкополосного излучения I (λ), исходящего от объекта; разделение этого луча с помощью линзового растра, состоящего из 16 линз, на 16 световых лучей, несущих изображение. Далее происходит спектральная фильтрация этих лучей с помощью растра, установленного после линзы, состоящего из светофильтров, количество и положение которых соответствуют количеству и положению линз в растре линзы, а кривые пропускания соответствуют заданным параметрам, положениям спектральных каналов. Происходит одновременная запись 16 спектральных изображений матричным приемником излучения и совместная цифровая обработка этих изображений. Это позволяет регистрировать одновременно 16 спектрально разделенных (неперекрывающихся) изображений объекта. Путем цифровой обработки совокупности этих изображений вычисляется пространственное распределение температуры и излучательной способности в каждой точке объекта. Принцип поясняется на рис. 3.
На схеме представлена блок-схема, поясняющая описанный метод, где:
1 – объектная, 2 – оптическая система, 3 – линзовый растр, 4 – растровый светофильтр, 5 – спектральные изображения, 6 – матричный приемник излучения.

В результате исследований были обнаружены проблемные ситуации, заключающиеся в отсутствии как схемных решений, отвечающих всей совокупности требований к мультиспектральным камерам, так и методик их использования на промышленных объектах. Для разрешения выявленной проблемной ситуации в качестве предмета исследования были выбраны мультиспектральные камеры для промышленного применения на опасных производственных объектах.

Схема может быть реализована на основе устройства, состоящего из оптически связанных и последовательно расположенных элементов: оптическая система 2 формирует световой пучок широкополосного излучения I (λ), исходящий от объекта 1; линзовый растр 3, состоящий из 16 линз и формирующий 16 широкополосных изображений объекта 1, растр из 16 светофильтров 4 и матричный приемник излучения 6.
Особенностью данной схемы является то, что между оптической системой 2 и матричным детектором 6 растр 3, состоящий из ряда линз, изображение 5 объекта 1 фокусируется на матричном детекторе 6; и что перед матричным детектором 6 находится растр 4, состоящий из фильтров, количество и положение которых соответствуют количеству и положению линз в растре, а кривая пропускания этих фильтров соответствует заданным параметрам спектрального канала.

ВЫВОДЫ
Мы провели анализ оптических и спектральных характеристик гиперспектральных и мультиспектральных камер, выявили их отличительные особенности и принципы построения, определили тенденции их проектирования. В результате исследований были обнаружены проблемные ситуации, заключающиеся в отсутствии как схемных решений, отвечающих всей совокупности требований к мультиспектральным камерам, так и методик их использования на промышленных объектах. Для разрешения выявленной проблемной ситуации в качестве предмета исследования были выбраны мультиспектральные камеры для промышленного применения на опасных производственных объектах. Описан метод регистрации мультиспектрального изображения, который будет реализован на производственной базе компании АО «Пергам-Инжиниринг».
Список обозначений:
ИК – инфракрасная область спектра
ГК – гиперспектральная камера
УФ – ультрафиолетовая область спектра
ОС – оптическая система
NIR – Near-infrared, ближний ИК спектр
SWIR – Short-wavelength infrared, средний ИК спектр
LWIR – Long-wavelength infrared, дальний ИК спектр
ppm*m – одна миллионная часть на метр длинны хода лазерного луча
ПО – программное обеспечение

Литература

1. Gilchrist J. “Hyperspectral imaging spectroscopy: A look at real-life applications,” in Photonics Handbook (Lauren Publishing, 2007).
2. Hungate W. et al. “History and description of hyperspectral imaging,” in Hyperspectral Remote Sensing: Principles and Applications, (Taylor and Francis, 2008).
3. Bannon D. and Van Veen C. “Hyperspectral imaging gets stamp of approval for food processing,” Photonics Spectra, June 2012.
4. Bodkin A. et al. “Video-rate chemical identification and visualization with snapshot hyperspectral imaging,” Proc. SPIE 8374, Next-Generation Spectroscopic Technologies V, 83740C (2012).
5. Happich J. “The future of video surveillance: HD, hyperspectral and stereoscopic,” EE Times Europe, 5 February 2014.
6. Chen T. et al. “Detection of psychological stress using a hyperspectral imaging technique,” IEEE Trans. Affec. Comp. 5, 391 (2014).
7. Eady M. et al. “Rapid and early detection of Salmonella serotypes with hyperspectral microscopy and multivariate data analysis,” J. Food Prot. 78, 668 (2015).
8. MicroMarket Monitor, “Hyperspectral Imaging Market by Application – Global Forecast to 2019,” February 2015.
9. Moritz A., Hélie J.-F., et al. Methane baseline concentrations and sources in shallow aquifers from the shale gas-prone region of the St. Lawrence lowlands. Environ Sci Technol, 44, pp. 4765-4771, 2015.
10. Lashof D.A. and Ahuja D.R.: Relative Contributions of Greenhouse Gas Emissions to Global Warming. Nature, 344, pp. 529-531, 1990.

References

1. Gilchrist J. Hyperspectral imaging spectroscopy. A look at real-life applications, in Photonics Handbook. Lauren Publishing, 2007. (In English).
2. Hungate W. et al. History and description of hyperspectral imaging, in Hyperspectral Remote Sensing. Principles and Applications. Taylor and Francis publ., 2008. (In English).
3. Bannon D. and Van Veen C. Hyperspectral imaging gets stamp of approval for food processing. Photonics Spectra, June 2012. (In English).
4. Bodkin A. Video-rate chemical identification and visualization with snapshot hyperspectral imaging. Proc. SPIE 8374, Next-Generation Spectroscopic Technologies V, 83740C (2012). (In English).
5. Happich J. The future of video surveillance. HD, hyperspectral and stereoscopic. EE Times Europe, 5 February 2014. (In English).
6. Chen T. et al. Detection of psychological stress using a hyperspectral imaging technique. IEEE Trans. Affec. Comp. 5, 391 (2014). (In English).
7. Eady M. et al. Rapid and early detection of Salmonella sero¬types with hyperspectral microscopy and multivariate data analysis. J. Food Prot. 78, 668 (2015). (In English).
8. MicroMarket Monitor, Hyperspectral Imaging Market by Application – Global Forecast to 2019. February 2015. (In English).
9. Moritz A., Hélie J.-F., et al. Methane baseline concentrations and sources in shallow aquifers from the shale gas-prone region of the St. Lawrence lowlands. Environ Sci Technol, 44, pp. 4765-4771, 2015.(In English).
10. Lashof D.A. and Ahuja D.R. Relative Contributions of Greenhouse Gas Emissions to Global Warming. Nature, 344,
pp. 529-531, 1990. (In English).

Комментарии посетителей сайта

    Функция комментирования доступна только для зарегистрированных пользователей


    Авторизация


    регистрация

    Неверов С.М.

    Неверов С.М.

    аспирант Научно-технологического центра уникального приборостроения РАН, руководитель отдела разработок

    АО «Пергам-Инжиниринг»

    Просмотров статьи: 862

    Рейтинг@Mail.ru

    admin@burneft.ru