一种基于全卷积神经网络的两相流混合图像分割的方法技术

本发明专利技术公开了一种基于全卷积神经网络(FullConvolutionalNetworks,FCN)的气

【技术实现步骤摘要】
一种基于全卷积神经网络的两相流混合图像分割的方法


[0001]本专利技术属于两相流测试领域，具体涉及一种基于全卷积神经网络的两相流混合图像分割的方法。

技术介绍

[0002]在冶金工业中，冶金炉窑中的高温流体(如金属熔体，高温烟气等)多相流动参数是影响冶金工艺的一个重要因素，它不仅关系到冶金反应的效率，还决定着冶金炉窑的安全使用寿命。冶金炉窑内部的冷热流体混合特性与由直接接触产生的传热特性存在密切关联，然而由于炉窑内部温度过高、环境复杂，对高温熔池内部搅拌混合效果的直接研究难度一直较大。近年来，图像处理技术作为一门新兴的检测技术，在两相流参数检测领域具有不干扰流场的优点，可以直接获得流动图像的分布状态，应用广泛，前景良好。对图像中气泡的分割效果将直接决定气泡特征参数的精度。因此，气泡的准确分割对于气液混合效果的评价和冶金炉窑的优化设计和改进具有非常重要的经济意义。
[0003]气液混合图像分割是通过一定手段将气液图像划分为气相和液相不重叠子区域的过程。气液图像中液体背景噪声比较大，并且部分气泡出现内部亮度不均匀和气液边界模糊等问题，应用传统的分割方法对气液图像进行分割时，一方面会产生过分割或者欠分割现象；另一方面需要根据不同的气液图像确定相应参数才能得到比较好的分割效果。目前，基于全卷积神经网络的语义分割方法是从图像数据中自动学习特征，利用全卷积神经网络实现像素到像素、端到端的语义分割预测，有效克服了气液图像噪声大、气泡内部不均匀以及气液边界模糊对气泡分割的不利影响，解决了过分割和欠分割的问题，减弱了对参数的依赖性，并且可以实现对气相和液相精准化和智能化分割。

技术实现思路

[0004]本专利技术的目的在于针对现有气液图像分割技术的不足，提出了一种易实现、精确度高并且收敛速度快的气液两相流图象分割方法，能够高效、精准地分割出气泡，从而为冶金过程中气液两相的智能化精准分割提供科学方法，智能化的分割技术具有非常高的应用价值；
[0005]为了达到上述技术效果，本专利技术是通过以下技术方案实现的：一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，包括以下步骤：
[0006]S1：准备气液两相流图像数据集；对图片预处理；
[0007]S2：设定全卷积神经网络(Fully Convolutional Networks,FCN)的模型结构；基于编码器
‑
解码器的结构改进的全卷积神经网络FCN模型，包括在编码器部分加入批量归一化(Batch Normalization,BN)层，在解码器部分的跳层连接部分加入更浅层的信息，将上采样方法由转置卷积改为双线性插值，在编码器和解码器之间加入空洞空间金字塔(ASPP)模块；
[0008]S3：确定损失函数；使用二元交叉熵作为损失函数：
[0009][0010]其中y是二进制标签0或1，p(y)是概率密度函数；
[0011]S4：采用Adam优化器确定优化器；通过服务器性能确定超参数batch size和epochs的值；确定每个epoch中batch的数量参数n；
[0012]S5：初始化各层权值矩阵；对需要更新的权值矩阵进行正态分布初始化；
[0013]S6：数据增强；确定增强参数，设置以下增强参数：旋转范围为0
‑
0.2、平移范围为0
‑
0.05、剪裁范围为0
‑
0.05、缩放范围为0
‑
0.05；用临近插值算法按照S4选定的批量数(batch size)不断地产生训练用的batch，共产生n个batch；
[0014]S7：向前传播；一个batch输入深度神经网络模型，进行向前传播，每层的输出由其参数和输入确定，层层传递得到最终输出的预测值；
[0015]S8：计算预测损失；通过(1)式中的损失函数计算此次预测的损失；
[0016]S9：反向传播；当通过前向传播得到由任意一组随机参数计算出的网络预测结果后，利用损失函数的信息通过网络向后流动，计算出每个参数的梯度；
[0017]S10：更新权值矩阵；根据S9反向传播得到的梯度值，通过梯度下降算法计算出更新后的权值矩阵；
[0018]S11：重复S8至S10，训练模型的权值矩阵，直至所有的epoch都完成了训练；将训练好的深度神经网络模型储存为ckpt文件；
[0019]S12：输入待分割的气液两相流图像；搜集使用高速摄像机拍摄的气液两相流图像，并作为系统的输入；
[0020]S13：预处理待分割的两相流图像，处理过程与S1预处理相同；
[0021]S14：加载训练好的改进FCN模型；
[0022]S15：气液两相流图像分割输出；输入气液两相流图像，通过训练好的FCN模型，预测出分割好的气液两相流图像，其中液相为黑色，气相为白色；
[0023]S16：获取训练好的FCN模型文件保存在存储设备中，同时加载模型二进制文件到内存中。
[0024]优选的，所述S1中气液两相流图像数据集的准备方法为：
[0025]使用计算机模拟产生的气液图像分割数据集，该数据集包含气液图像以及已经标注的气液两相的形状和位置；
[0026]优选的，所述S1中气液两相流图像数据集的准备方法为：
[0027]拍摄真实的气液两相流的视频，并从视频中获取气液两相的照片，组成气液两相流图片数据集；使用带约束的Dirichlet过程混合模型(the constrained Dirichlet process mixture model,CDPMM)对每张气液两相流照片标注气液两相的形状和位置，选出气相的形状和位置作为图像样本标签；
[0028]优选的，所述图像样本标签的选取方法采用以下3个步骤予以实现：
[0029]1)确定关联的样本组；设定组的索引为l，组的总数量为L，Z
l
表示相对应部分分配到第l个关联组，则变分分布(CDPMM)的表达式为：
[0030][0031]2)定义
[0032][0033][0034]则目标函数F设定为
[0035][0036]通过迭代更新(2)中的每个部分，使用CAVI算法最小化函数F，直到F收敛为止；
[0037]3)设定
[0038][0039]Z
l
就是每一组X
l
的聚类标签。
[0040]优选的，所述S2中改进的FCN模型的编码器包括5个模块，前两个模块分别包括两个卷积层和一个池化层，每个卷积层后都加入了BN层，后三个模块分别包括三个卷积层和一个池化层，每个卷积层后也都加入了BN层；
[0041]优选的，所述S2中在编码器和解码器之间添加了密集空洞空间金字塔池化(Atrous spatial pyramid pooling，ASPP)模块，并删除了原FCN模型中编码器和解码器之间的两个1
×
1卷积层；ASPP模块使用一个1
×
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，包括以下步骤：S1：准备气液两相流图像数据集；对图片预处理；S2：设定全卷积神经网络(Fully Convolutional Networks,FCN)的模型结构；基于编码器
‑
解码器的结构改进的全卷积神经网络FCN模型，包括在编码器部分加入批量归一化(Batch Normalization,BN)层，在解码器部分的跳层连接部分加入更浅层的信息，将上采样方法由转置卷积改为双线性插值，在编码器和解码器之间加入空洞空间金字塔(ASPP)模块；S3：确定损失函数；使用二元交叉熵作为损失函数：其中y是二进制标签0或1，p(y)是概率密度函数；S4：采用Adam优化器确定优化器；通过服务器性能确定超参数batch size和epochs的值；确定每个epoch中batch的数量参数n；S5：初始化各层权值矩阵；对需要更新的权值矩阵进行正态分布初始化；S6：数据增强；确定增强参数，设置以下增强参数：旋转范围为0
‑
0.2、平移范围为0
‑
0.05、剪裁范围为0
‑
0.05、缩放范围为0
‑
0.05；用临近插值算法按照S4选定的批量数(batch size)不断地产生训练用的batch，共产生n个batch；S7：向前传播；一个batch输入深度神经网络模型，进行向前传播，每层的输出由其参数和输入确定，层层传递得到最终输出的预测值；S8：计算预测损失；通过(1)式中的损失函数计算此次预测的损失；S9：反向传播；当通过前向传播得到由任意一组随机参数计算出的网络预测结果后，利用损失函数的信息通过网络向后流动，计算出每个参数的梯度；S10：更新权值矩阵；根据S9反向传播得到的梯度值，通过梯度下降算法计算出更新后的权值矩阵；S11：重复S8至S10，训练模型的权值矩阵，直至所有的epoch都完成了训练；将训练好的深度神经网络模型储存为ckpt文件；S12：输入待分割的气液两相流图像；搜集使用高速摄像机拍摄的气液两相流图像，并作为系统的输入；S13：预处理待分割的两相流图像，处理过程与S1预处理相同；S14：加载训练好的改进FCN模型；S15：气液两相流图像分割输出；输入气液两相流图像，通过训练好的FCN模型，预测出分割好的气液两相流图像，其中液相为黑色，气相为白色；S16：获取训练好的FCN模型文件保存在存储设备中，同时加载模型二进制文件到内存中。2.根据权利要求1所述一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，所述S1中气液两相流图像数据集的准备方法为：使用计算机模拟产生的气液图像分割数据集，该数据集包含气液图像以及已经标注的气液两相的形状和位置。
3.根据权利要求1所述一种基于全卷积神经网络的气液两相...

【专利技术属性】
技术研发人员：句媛媛，王华，肖清泰，吴刘仓，崔子良，杨燕，刘冬冬，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：