[发明专利]一种基于光学图像的气液两相流智能识别方法

权利要求书

1.一种基于光学图像的气液两相流智能识别方法，其特征在于，包括如下步骤：

步骤1：准备训练数据集和测试数据集：使用Python提取气液两相流视频中每一帧的画面，将每一帧的图片使用Labelme进行数据标注，每张图片X的标签中包含两种像素类型，背景对应的像素为0，气泡对应的像素为1，然后将每一张图片与其对应的标签构建成Dataset数据集，并且进行读取、解码、归一化以及标准化的预处理操作，并随机地将其中80％的图片和其对应的标签作为训练数据集，其余20％的图片和其对应的标签作为测试数据集；

步骤2：构建全卷积网络模型FCN，首先利用VGG16网络模块进行迁移学习，使用VGG16网络中的卷积基部分，移除全连接层，并且使用在ImageNet数据集上预训练好的权重进行训练由于语义分割需要对图像上的各个像素进行分类，而卷积核池化的过程是一个“下采样”的过程，使得图像的长宽越来越小，这就需要使用反卷积上采样的方法将最后得到的输出还原到原图的大小，然后使用Sigmoid进行激活且输出一个值，从而实现分类，在网络模型FCN参数更新中，为卷积层的每一种输出的特征图，E为损失函数Dice_loss，其具体更新方式为

其中M_j表示选择的输入特征图组合，k_ij是输入的第i种特征图和输出的第j种特征图之间的连接用的卷积核，b_j是第j种特征图对应的偏置，灵敏度

(u,v)代表灵敏度矩阵中的元素位置，是在做卷积时，与k_ij做卷积的每一个patch；

步骤3：训练构建的FCN网络模型，具体包括

步骤3.1：初始化参数：输入训练数据的批次batch_size、训练迭代次数epoch，超参数γ学习率、buffer_size缓冲区大小；

步骤3.2：设置损失函数Dice_loss：考虑一个样本，则第n个样本的损失函数是

其中，c是label的维度，对于分类问题，意味着这些样本能分为c类，表示第n个样本的label tⁿ的第k维，是第n个样本网络的输出(predict label)的第k维；

优化器使用Adam优化算法来更新网络的权重参数，其中m_t、n_t分别是对梯度的一阶矩估计和二阶矩估计，是对m_t、n_t的校正，θ_t+1为更新后的参数，其具体更新方式为

m_t＝β₁m_t-1+(1-β₁)g_t

其中，η，β₁，β₂默认值为η＝0.001，β₁＝0.9，β₂＝0.999，ε＝10^-8，β₁和β₂都是接近1的数，ε是为了防止除以0，g_t表示梯度；

步骤3.3：计算并且输出网络的精确度Precision、召回率Recall，并且单独计算气泡识别的准确率，精确度Precision的具体表达为

召回率Recall的具体表达为

其中，TP是分类器认为是正样本而且确实是正样本的例子，FP是分类器认为是正样本但实际上不是正样本的例子，FN是分类器认为是负样本但实际上不是负样本的例子；

步骤4：根据训练好的FCN全卷积网络模型识别气液两相流中的气泡：对于训练完成后的FCN全卷积网络模型，为模型输入一张气液两相流待识别的图片，通过网络可近乎精确识别图片中的气泡，计算并得到气泡识别的精确度。