[發明專利]一種基于全卷積神經網絡的兩相流混合圖像分割的方法

在審

• 申請號: 202111412740.2
• 申請日: 2021-11-25
• 公開（公告）號: CN114202653A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 句媛媛;王華;肖清泰;吳劉倉;崔子良;楊燕;劉冬冬
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/82;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 昆明合盛知識產權代理事務所(普通合伙) 53210
• 代理人: 曹衛良

本發明公開了一種基于全卷積神經網絡(FullConvolutionalNetworks,FCN)的氣?液兩相流圖像分割方法，屬于兩相流測試領域。其實現步驟為：(1)輸入兩相流混合圖像；(2)對圖像進行預處理；(3)使用改進的FCN網絡對兩相流圖像進行語義分割。該方法將兩相流圖像進行像素到像素的預測和端到端的訓練，可以獲得任意大小的兩相流圖像分割結果，分割過程中因避免了由于使用像素塊而帶來的重復存儲和計算卷積的問題使得計算效率更加高效。本發明適應所有涉及兩相流和多相流混合圖像的分割，該方法分割效果好、速度快，具有很高的實用價值。

技術領域

本發明屬于兩相流測試領域，具體涉及一種基于全卷積神經網絡的兩相流混合圖像分割的方法。

背景技術

在冶金工業中，冶金爐窯中的高溫流體(如金屬熔體，高溫煙氣等)多相流動參數是影響冶金工藝的一個重要因素，它不僅關系到冶金反應的效率，還決定著冶金爐窯的安全使用壽命。冶金爐窯內部的冷熱流體混合特性與由直接接觸產生的傳熱特性存在密切關聯，然而由于爐窯內部溫度過高、環境復雜，對高溫熔池內部攪拌混合效果的直接研究難度一直較大。近年來，圖像處理技術作為一門新興的檢測技術，在兩相流參數檢測領域具有不干擾流場的優點，可以直接獲得流動圖像的分布狀態，應用廣泛，前景良好。對圖像中氣泡的分割效果將直接決定氣泡特征參數的精度。因此，氣泡的準確分割對于氣液混合效果的評價和冶金爐窯的優化設計和改進具有非常重要的經濟意義。

氣液混合圖像分割是通過一定手段將氣液圖像劃分為氣相和液相不重疊子區域的過程。氣液圖像中液體背景噪聲比較大，并且部分氣泡出現內部亮度不均勻和氣液邊界模糊等問題，應用傳統的分割方法對氣液圖像進行分割時，一方面會產生過分割或者欠分割現象；另一方面需要根據不同的氣液圖像確定相應參數才能得到比較好的分割效果。目前，基于全卷積神經網絡的語義分割方法是從圖像數據中自動學習特征，利用全卷積神經網絡實現像素到像素、端到端的語義分割預測，有效克服了氣液圖像噪聲大、氣泡內部不均勻以及氣液邊界模糊對氣泡分割的不利影響，解決了過分割和欠分割的問題，減弱了對參數的依賴性，并且可以實現對氣相和液相精準化和智能化分割。

發明內容

本發明的目的在于針對現有氣液圖像分割技術的不足，提出了一種易實現、精確度高并且收斂速度快的氣液兩相流圖象分割方法，能夠高效、精準地分割出氣泡，從而為冶金過程中氣液兩相的智能化精準分割提供科學方法，智能化的分割技術具有非常高的應用價值；

為了達到上述技術效果，本發明是通過以下技術方案實現的：一種基于全卷積神經網絡的氣液兩相圖像分割方法，其特征在于，包括以下步驟：

S1：準備氣液兩相流圖像數據集；對圖片預處理；

S2：設定全卷積神經網絡(Fully Convolutional Networks,FCN)的模型結構；基于編碼器-解碼器的結構改進的全卷積神經網絡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；使用二元交叉熵作為損失函數：

其中y是二進制標簽0或1，p(y)是概率密度函數；

S4：采用Adam優化器確定優化器；通過服務器性能確定超參數batch size和epochs的值；確定每個epoch中batch的數量參數n；

S5：初始化各層權值矩陣；對需要更新的權值矩陣進行正態分布初始化；

S6：數據增強；確定增強參數，設置以下增強參數：旋轉范圍為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(batch size)不斷地產生訓練用的batch，共產生n個batch；