[发明专利]一种基于光学图像的气液两相流智能识别方法

说明书

本发明提供一种基于光学图像的气液两相流智能识别方法，准备训练数据集和测试数据集；构建全卷积网络模型FCN；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。将基于深度监督学习和数据提取的FCN方法引入到气液两相流识别中，它可以通过多层卷积操作从像素级别自动提取信息，以提取抽象的语义概念，使用上采样层和多尺度融合技术来进一步优化结果，使高级子网多次融合了低级子网的特征，保持极高的分辨率，从而提高气泡识别的精度。

技术领域

本发明涉及一种基于光学图像的气液两相流智能识别方法，特别是一种基于改进的全卷积网络模型FCN的气液两相流识别方法，尤其针对液体中的气泡识别问题，属于气液两相流识别和分类领域。

背景技术

自然界和工业过程中，往往都涉及多相流问题，其中以气液两相流最为常见。基于气泡在化学工程、生物制药、地球物理学和废水管理等众多领域的复杂的流体动力学特点，通过实验研究来更好地理解两相流间的相互作用是很有必要的。基础的实验研究通过建立闭合的实验模型来支持各个工程领域的开发。此外，详细的实验结果可用于比较和验证这些模型的准确性。在实验中，最重要的是测量诸如气泡大小和形状、速度、界面面积浓度和空隙率之类的参数，以评估准确性并进行模型的开发。

专注于气泡参数表征的实验技术可分为两大类：基于探针的侵入式(接触式)方法和非侵入式(非接触式)方法。非侵入式方法与基于探针的方法有本质的不同，因为它们不干扰被研究的流动，避免了基于侵入性方法的大多数缺点，因此通常会呈现较高的空间分辨率。典型的非侵入式方法是激光多普勒风速仪的利用和图像处理技术。为了确定气液两相流的参数，例如连续相的平均速度、局部气体浓度、流动特性以及它们在分散相中的波动，需要一些基于模型的特征提取方法来提取关于气泡在空间中的确切位置及其尺寸的信息。这些特征不仅能准确地捕捉两相流中的气泡特性，同时在后续的气泡跟踪等领域的研究中也有着重要作用。确切地讲，就是利用图像处理方法来识别两相流中的不同气泡，并计算相关参数。传统的图像处理方法通过一系列过滤和操作步骤来识别图像中的气泡，例如图像类型转换、图像滤波、图像去噪和增强、图像填充等。在应用了这些图像处理步骤之后，从最终图像中可以看到图像的几何特征。最后通过鉴别器算法进行边缘检测和进一步需要的参数操作，输出图像的特定几何特征。但是在传统的图像处理方法中，由于特征选择是主观人为的，特征的提取不全面，因此智能的选择图像特征是这一领域待解决的问题。

近年来，基于深度学习的方法能够对图像进行智能的处理，在图像识别、分类和处理中得到了广泛的应用。例如，基于卷积神经网络(CNN)的图像处理方法由于其鲁棒性和多功能性深受开发者们的喜爱。因而一些作者提议使用深度学习进行气液两相流中的气泡识别，与经典的图像处理方法相比，可提供相似或更好的结果。由于水下泡状流数据复杂度较高，导致模型的鲁棒性较差，而大多数工业实验中又要求极高的气泡识别精确度，因此，针对气液两相流识别领域中的气泡识别问题，引入改进的深度学习模型进行专注于气泡的精确识别，在这一领域具有很高的应用价值。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种针对气泡识别的基于光学图像的气液两相流智能识别方法，通过改进的全卷积FCN网络模型训练，建立气液两相流中可以识别气泡的模型，并能够达到较高的精确度。

本发明的目的是这样实现的：

步骤1：准备训练数据集和测试数据集。对于我们现有的气液两相流视频，使用Python提取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，这里背景像素和气泡像素的比例可能不均衡。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。