武汉大学测绘遥感信息工程全国重点实验室 RSIDEA 研究组提出基于计算流体动力学的热红外多光谱视频动态不规则气体探测方法，对于不规则气体羽流和低信噪比红外多光谱影像具有较好的气体羽流范围切割能力。相关研究成果“CFDNet: Coupling Computational Fluid Dynamics With Convolutional Neural Networks for Gas Detection Using Thermal Infrared Multispectral Video”已发表于遥感领域1区Top期刊IEEE Transactions on Geoscience and Remote Sensing。武汉大学测绘遥感信息工程全国重点实验室博士生熊海洋为第一作者，武汉大学资源与环境学院曹丽琴副教授为通讯作者，测绘遥感信息工程全国重点实验室博士生汪都、杜煜豪、钟燕飞教授等共同参与完成研究。代码已开源（https://github.com/HelyaHsiung/CFDNet.git），欢迎学术用途下载与交流合作。

研究背景

气体检测在工业生产和环境监测中至关重要。由于气体在红外波段的吸收特性，热红外多光谱视频成像为快速、大规模气体检测提供了一种快捷的数据传感方法。在气体检测过程中，气体不规则的运动模式通常会使算法检测到的气体泄漏区域形状发生扭曲。尽管一些研究考虑了时序运动信息，但时空特征提取器大多针对车辆、行人等规则显著的对象设计，无法适用形状多变的气体，使得这一类方法在热红外多光谱视频气体探测任务上存在限制。因此，本团队提出一种计算流体动力学神经网络（CFDNet），设计计算流体动力的时空特征提取器（CFD Basic Block），并嵌入到语义分割网络，在大型模拟数据集上开展迁移训练，从而实现复杂动态场景下的红外多光谱视频气体检测。

CFDNet网络主要由基于波段组合差分和局部信息熵的数据增强模块（LED）和受计算流体动力学启发的时空特征提取器（CFD Basic Block），以及U-Net气体羽流语义分割解码器所构成，其中LED模块针对气体目标的吸收光谱特征对各波段进行组合差分，并且对最强特征波段计算局部信息熵，从而达到抑制背景并增强气体目标信号的目的。而CFD Basic Block通过隐式学习视频帧之间的气体特征信号的位移场来模仿计算流体动力学中的“对流”和“扩散”过程，将真实世界中气体分子的运动模式建模到高维空间中特征的运动模式。

实验验证

本团队提出的CFDNet方法在6通道热红外视频成像仪记录到的SO2（二氧化硫）、CH4（甲烷）、NH3（氨气）排放场景观测数据上进行实验分析。与基于专家知识标注的气体泄露范围标签进行对比分析，并结合具体案例验证所提方法的探测能力。

实验采用迁移学习框架，首先在IOD-Video真实场景视频气体目标检测数据集上预训练CFD Basic Block时空特征提取器，然后在大涡湍流WRF-LES模拟的理想局部场景气体扩散视频数据集上全量微调，对羽流分割解码器进行参量学习。最终在SO2、CH4、NH3真实场景视频数据集上进行测试，结果显示，在相同实验框架下，相较于其它时空特征提取器，以及不考虑时序运动信息的逐帧语义分割模型和传统非深度学习方法，本团队所提方法CFDNet在IoU、Kappa、F1Score指标上取得最佳精度。同时，得益于CFD Basic Block的时序运动信息提取能力，所有实验气体远离排放源的探测虚警得以有效剔除，在低剂量NH3排放案例的可视化分析中，CFDNet针对弱小和不规则气体羽流展现出较优的探测能力。

应用研究

将CFDNet模型应用到完整的SO2、CH4、NH3人为受控排放场景采集视频数据上进行推理，该方法可以准确地探测出目标气体羽流的泄露空间范围，并具备同参量级下较低的浮点数运算量。

二氧化硫探测可视化	甲烷探测可视化	氨气探测可视化

版权与联系方式

CFDNet版权归智能化遥感数据提取分析与应用研究组（RSIDEA）所有，该研究组隶属于武汉大学测绘遥感信息工程全国重点实验室（LIESMARS），仅限于学术目的使用，并需引用以下论文，任何商业用途均被禁止。

[1] Haiyang Xiong, Liqin Cao, Du Wang, Yuhao Du, Yanfei Zhong and Shijin Wang, 2025. CFDNet: Coupling Computational Fluid Dynamics With Convolutional Neural Networks for Gas Detection Using Thermal Infrared Multispectral Video. IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-17, https://doi.org/10.1109/TGRS.2025.3631727.

供稿：熊海洋    排版：柯天    审核：吴娇、曹丽琴