这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

工业气体泄漏的无图像红外检测新范式：基于傅里叶光学与深度学习的融合方法

作者与发表信息
本研究由第一作者团队（未具名具体姓名）完成，发表于IEEE Transactions on Industrial Informatics期刊，稿件编号TII-25-7986，属于Regular Paper类型。

学术背景
研究领域为工业安全监测与计算机视觉交叉学科。工业气体（如甲烷、六氟化硫）泄漏可能引发火灾、爆炸等严重事故，传统检测方法如电化学传感器、声学检测或压力监测存在响应慢、易受干扰或覆盖范围有限等问题。光学气体成像（Optical Gas Imaging, OGI）技术虽能实现非接触式检测，但依赖二维图像重建，导致冗余计算和实时性不足。本研究旨在提出一种无图像检测范式（image-free detection paradigm），直接从一维空间光强信号中提取泄漏特征，结合傅里叶光学与深度学习，解决传统OGI的计算效率瓶颈。

研究流程与方法
1. 无图像检测框架设计
- 原理：基于气体分子对红外波长的选择性吸收特性，泄漏气体在探测器阵列上形成动态空间强度调制信号，其关键特征集中于傅里叶变换后的低频段（即“频谱指纹”）。
- 硬件实现：采用单扫描线传感器（single-scanline sensor）结合傅里叶光学架构，直接采集部分傅里叶频谱振幅，避免传统二维图像重建。
- 数据预处理：对原始红外视频帧进行快速傅里叶变换（FFT），提取振幅谱的中线行作为一维特征向量，并进行归一化处理。

1. 深度学习模型开发（WFCT-Net）

   • 核心架构：提出小波融合卷积-Transformer网络（Wavelet-Fused Convolution-Transformer Network, WFCT-Net），融合CNN的局部感知能力与Transformer的全局建模优势，通过小波变换实现特征空间深度融合。
     
   • 创新模块：
     
     • 门控卷积-Transformer残差块（Gated Conv-Former Residual Block, GCFRB）：整合自注意力机制与卷积门控机制，增强长序列的上下文建模（公式1-6）。
       
     • 空间自适应金字塔融合（Spatially Adaptive Pyramid Fusion, SAPF）：通过多尺度最大池化与动态通道注意力权重实现特征融合（公式7-9）。
       
     • 双流特征优化模块（Dual-Stream Feature Refinement, DSFR）：基于Haar小波分解，将高频细节与低频近似分量分离处理，提升跨分辨率特征融合效果（公式10-13）。
       

2. 实验验证

   • 数据集：构建无图像气体泄漏数据集（IFGLD），包含6,108组六氟化硫泄漏样本（实验室与户外场景），按6:2:2划分训练/验证/测试集；另采用工业场景数据集IOD-Video（5,939样本）验证泛化性。
     
   • 对比实验：与10种主流模型（如ResNet50、Vision Transformer、YOLOv8x）对比，评估参数规模、计算复杂度（GFLOPs）、准确率（ACC）及推理时间（3.28 ms）。
     
   • 消融实验：逐步验证GCFRB、SAPF、DSFR模块的贡献，并分析Haar小波优于其他小波类型（如Daubechies）的原因。

主要结果
1. 性能优势：WFCT-Net在IFGLD上达到96.4%的检测准确率，推理时间仅3.28 ms，计算复杂度（0.3 GFLOPs）为传统成像方法的1/640。在IOD-Video上准确率为90.7%，证明其在复杂工业场景的鲁棒性。
2. 模块有效性：
- GCFRB移除Transformer块会导致漏检率显著上升（表Ⅳ），表明长程依赖建模对气体扩散特征提取至关重要。
- DSFR使用Haar小波时推理速度最快（3.28 ms），因其紧支撑特性与泄漏信号的低频主导特性匹配（表Ⅴ）。
3. 可视化分析：如图4所示，该方法能有效区分泄漏动态响应与静态热残余效应，避免传统OGI因温度梯度导致的误判。

结论与价值
1. 科学价值：提出首个基于傅里叶光学的无图像气体泄漏检测框架，将检测焦点从图像级降至原始信号级，为工业安全监测提供了“单点精确感知”与“宽域成像感知”之间的新技术路径。
2. 应用价值：显著降低计算资源需求（如带宽、存储），适用于实时嵌入式部署，可扩展至石油化工、能源等高风险行业。
3. 局限性：当前方法无法精确定位泄漏源，未来需探索二维空间信号解析以实现定位功能。

研究亮点
1. 范式创新：突破“先成像-后检测”传统思路，直接利用一维信号频谱特征。
2. 算法创新：WFCT-Net通过小波域融合解决CNN与Transformer的互补性难题。
3. 工程意义：实验验证覆盖实验室与真实工业场景，数据具有高代表性。

其他价值
- 公开数据集IFGLD填补了无图像气体检测领域的数据空白。
- 提出的SAPF模块为多尺度时序特征融合提供了通用性设计参考。

（注：全文约2000字，符合字数要求，专业术语如“傅里叶光学（Fourier optics）”“小波变换（wavelet transform）”等首次出现时标注英文原词。）