[發(fā)明專利]一種基于全卷積神經(jīng)網(wǎng)絡(luò)的兩相流混合圖像分割的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111412740.2
• 申請(qǐng)日: 2021-11-25
• 公開（公告）號(hào): CN114202653A
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計(jì)）人: 句媛媛;王華;肖清泰;吳劉倉(cāng);崔子良;楊燕;劉冬冬
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06V10/26
• 分類號(hào): G06V10/26;G06V10/82;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 昆明合盛知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53210
• 代理人: 曹衛(wèi)良

1.一種基于全卷積神經(jīng)網(wǎng)絡(luò)的氣液兩相圖像分割方法，其特征在于，包括以下步驟：

S1：準(zhǔn)備氣液兩相流圖像數(shù)據(jù)集；對(duì)圖片預(yù)處理；

S2：設(shè)定全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks,FCN)的模型結(jié)構(gòu)；基于編碼器-解碼器的結(jié)構(gòu)改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)FCN模型，包括在編碼器部分加入批量歸一化(Batch Normalization,BN)層，在解碼器部分的跳層連接部分加入更淺層的信息，將上采樣方法由轉(zhuǎn)置卷積改為雙線性插值，在編碼器和解碼器之間加入空洞空間金字塔(ASPP)模塊；

S3：確定損失函數(shù)；使用二元交叉熵作為損失函數(shù)：

其中y是二進(jìn)制標(biāo)簽0或1，p(y)是概率密度函數(shù)；

S4：采用Adam優(yōu)化器確定優(yōu)化器；通過服務(wù)器性能確定超參數(shù)batch size和epochs的值；確定每個(gè)epoch中batch的數(shù)量參數(shù)n；

S5：初始化各層權(quán)值矩陣；對(duì)需要更新的權(quán)值矩陣進(jìn)行正態(tài)分布初始化；

S6：數(shù)據(jù)增強(qiáng)；確定增強(qiáng)參數(shù)，設(shè)置以下增強(qiáng)參數(shù)：旋轉(zhuǎn)范圍為0-0.2、平移范圍為0-0.05、剪裁范圍為0-0.05、縮放范圍為0-0.05；用臨近插值算法按照S4選定的批量數(shù)(batchsize)不斷地產(chǎn)生訓(xùn)練用的batch，共產(chǎn)生n個(gè)batch；

S7：向前傳播；一個(gè)batch輸入深度神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行向前傳播，每層的輸出由其參數(shù)和輸入確定，層層傳遞得到最終輸出的預(yù)測(cè)值；

S8：計(jì)算預(yù)測(cè)損失；通過(1)式中的損失函數(shù)計(jì)算此次預(yù)測(cè)的損失；

S9：反向傳播；當(dāng)通過前向傳播得到由任意一組隨機(jī)參數(shù)計(jì)算出的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果后，利用損失函數(shù)的信息通過網(wǎng)絡(luò)向后流動(dòng)，計(jì)算出每個(gè)參數(shù)的梯度；

S10：更新權(quán)值矩陣；根據(jù)S9反向傳播得到的梯度值，通過梯度下降算法計(jì)算出更新后的權(quán)值矩陣；

S11：重復(fù)S8至S10，訓(xùn)練模型的權(quán)值矩陣，直至所有的epoch都完成了訓(xùn)練；將訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型儲(chǔ)存為ckpt文件；

S12：輸入待分割的氣液兩相流圖像；搜集使用高速攝像機(jī)拍攝的氣液兩相流圖像，并作為系統(tǒng)的輸入；

S13：預(yù)處理待分割的兩相流圖像，處理過程與S1預(yù)處理相同；

S14：加載訓(xùn)練好的改進(jìn)FCN模型；

S15：氣液兩相流圖像分割輸出；輸入氣液兩相流圖像，通過訓(xùn)練好的FCN模型，預(yù)測(cè)出分割好的氣液兩相流圖像，其中液相為黑色，氣相為白色；

S16：獲取訓(xùn)練好的FCN模型文件保存在存儲(chǔ)設(shè)備中，同時(shí)加載模型二進(jìn)制文件到內(nèi)存中。

2.根據(jù)權(quán)利要求1所述一種基于全卷積神經(jīng)網(wǎng)絡(luò)的氣液兩相圖像分割方法，其特征在于，所述S1中氣液兩相流圖像數(shù)據(jù)集的準(zhǔn)備方法為：

使用計(jì)算機(jī)模擬產(chǎn)生的氣液圖像分割數(shù)據(jù)集，該數(shù)據(jù)集包含氣液圖像以及已經(jīng)標(biāo)注的氣液兩相的形狀和位置。

3.根據(jù)權(quán)利要求1所述一種基于全卷積神經(jīng)網(wǎng)絡(luò)的氣液兩相圖像分割方法，其特征在于，所述S1中氣液兩相流圖像數(shù)據(jù)集的準(zhǔn)備方法為：

拍攝真實(shí)的氣液兩相流的視頻，并從視頻中獲取氣液兩相的照片，組成氣液兩相流圖片數(shù)據(jù)集；使用帶約束的Dirichlet過程混合模型(the constrained Dirichlet processmixture model,CDPMM)對(duì)每張氣液兩相流照片標(biāo)注氣液兩相的形狀和位置。

4.根據(jù)權(quán)利要求3所述一種基于全卷積神經(jīng)網(wǎng)絡(luò)的氣液兩相圖像分割方法，其特征在于，打標(biāo)簽的方法采用以下3個(gè)步驟予以實(shí)現(xiàn)：

1)確定關(guān)聯(lián)的樣本組；設(shè)定組的索引為l，組的總數(shù)量為L(zhǎng)，Z_l表示相對(duì)應(yīng)部分分配到第l個(gè)關(guān)聯(lián)組，則變分分布(CDPMM)的表達(dá)式為：

2)定義

則目標(biāo)函數(shù)F設(shè)定為

通過迭代更新(2)中的每個(gè)部分，使用CAVI算法最小化函數(shù)F，直到F收斂為止；

3)設(shè)定

Z_l就是每一組X_l的聚類標(biāo)簽。