GasDB|气体检测数据集|工业安全数据集

GasDB是由中国科学院深圳先进技术研究院创建的一个全面的开放源气体检测数据库，包含1293对空间对齐的RGB-Thermal图像，涵盖8种不同的气体泄漏场景。该数据集通过精细的数据收集和标注过程构建，旨在解决工业过程中不可见气体检测的挑战。GasDB的应用领域主要集中在提高气体检测算法的准确性和鲁棒性，以应对复杂的实际环境。

AI搜集汇总

数据集介绍

构建方式

在工业气体泄漏检测领域，GasDB数据集的构建体现了对真实场景多样性的高度关注。该数据集通过同步采集热红外相机（波长范围3-14微米）与RGB相机的视频流，并严格进行像素级配准，确保了多模态图像的空间对齐。为模拟实际泄漏情境，采集过程涵盖了晴朗与阴雨天气、单点与双点泄漏、近距与远距泄漏、俯视视角以及简单与复杂背景共八类场景，总计包含19段视频。针对热红外图像中气体边界模糊的挑战，研究团队采用能见度恢复算法增强图像，并结合背景差分技术辅助人工标注，最终形成了包含1293对高质量标注的RGB-热红外图像对。

特点

GasDB作为首个公开的RGB-热红外双模态气体检测数据集，其核心特点在于场景的多样性与标注的精确性。与现有仅包含单一天空背景的GasVid数据集相比，GasDB覆盖了八种不同的真实世界场景，极大提升了数据集的复杂性与泛化能力。数据集中的所有图像均经过严格的像素级配准与人工精细标注，确保了气体区域分割标签的可靠性。此外，其多模态特性为融合RGB图像的丰富纹理信息与热红外图像的气体区域信息提供了基础，有效应对了热红外图像纹理缺失的固有难题，为开发鲁棒的气体检测算法奠定了坚实的数据基础。

使用方法

GasDB数据集主要服务于基于计算机视觉的气体泄漏检测与分割研究。在使用时，研究者通常将1293对图像按比例划分为训练集、验证集与测试集，例如采用80%的数据用于模型训练与验证，剩余20%用于最终性能评估。该数据集支持端到端的语义分割模型训练，尤其适用于探索RGB与热红外模态的信息融合策略，如论文中提出的RGB辅助交叉注意力机制。评估指标通常包括准确率、交并比以及强调召回率的F2分数，以贴合气体检测任务对漏报低容忍度的实际需求。数据集的公开旨在推动该领域算法在复杂真实环境中的性能提升与公平比较。

背景与挑战

背景概述

随着工业化进程的深入，各类化学气体在工业生产中的广泛应用，其潜在泄漏风险对环境和健康构成严重威胁。传统气体检测方法如点式传感器虽具高灵敏度，但难以实现大范围空间分布的可视化监测。在此背景下，基于热红外成像的计算机视觉技术为不可见气体泄漏的区域检测提供了直观解决方案。然而，热红外图像固有的低纹理特性及高质量开源数据集的匮乏，长期制约着高性能算法的研发。为此，南方科技大学、深圳技术大学与中国科学院深圳先进技术研究院的研究团队于2024年联合构建了GasDB数据集，该数据集包含约1.3K对空间对齐的RGB-热红外图像，涵盖八种不同采集场景，旨在推动不可见气体检测领域的研究，并为算法评估提供标准化基准。

当前挑战

GasDB数据集致力于解决不可见气体在热红外图像中的语义分割问题，其核心挑战在于热红外模态的低纹理特性导致气体区域与背景噪声（如阴影或暗块）难以区分，易引发误检或漏检。此外，气体仅在热红外图像中可见，而RGB图像富含背景语义信息，如何有效融合双模态信息以增强气体特征学习，避免简单融合带来的噪声干扰，是算法设计的关键难点。在数据集构建过程中，挑战主要体现在真实场景的多样性与数据标注的复杂性上：气体扩散边界在热红外成像中往往模糊不清，需借助能见度恢复算法与背景差分技术进行精确标注；同时，为覆盖实际应用中的多变条件，数据采集需模拟不同天气、泄漏点配置及背景复杂度，这增加了数据采集与对齐的工程难度。

常用场景

经典使用场景

在工业安全与计算机视觉交叉领域，GasDB数据集为不可见气体泄漏检测提供了关键基准。该数据集包含约1.3K对空间对齐的RGB-热成像图像，覆盖晴天、雨天、双重泄漏、近距泄漏、远距泄漏、俯视视角、简单背景与复杂背景等八种真实场景。其经典使用场景在于训练和评估基于深度学习的多模态气体分割模型，特别是针对热成像图像纹理缺失的挑战，通过融合RGB图像的丰富语义信息与热成像的气体区域特征，实现精准的气体区域识别与分割。

实际应用

在实际工业安全监测中，GasDB数据集支撑的技术可直接应用于化工厂、储气设施及气体运输管道的实时泄漏监控系统。通过部署基于该数据集训练的RGB-热成像融合检测模型，系统能够自动识别肉眼不可见的有毒或可燃气体泄漏区域，及时发出警报，从而预防重大安全事故与环境污染。其涵盖的多样场景（如复杂背景、不同天气条件）确保了模型在真实环境中的鲁棒性，为工业智能安防提供了可靠的技术基础。

衍生相关工作

GasDB的推出催生了一系列围绕多模态气体检测的经典研究工作。其伴随论文提出的RGB-Thermal Cross Attention Network（RT-CAN）开创了RGB辅助的双流注意力融合架构，成为该领域的代表性方法。后续研究在此基础上进一步探索了更高效的跨模态特征交互机制，如改进的注意力模块与解码器设计。同时，数据集也激发了对于传统方法（如基于运动目标分割）与深度学习模型（如MFNet、RTFNet、EAEFNet等）在气体检测任务上的系统性对比与优化，推动了整个领域向更精细、更实用的方向发展。