一种气泡羽流扩散状态识别方法、系统、装备及存储介质技术方案

本发明专利技术公开了一种气泡羽流扩散状态识别方法、系统、设备及存储介质，包括：采集水下气泡羽流图像，对所述图像进行处理，得到气泡羽流的低频子带图像和高频子带图像；对所述低频子带图像进行处理，得到气泡羽流形态特征；对所述高频子带图像进行处理，得到气泡羽流方向细节特征；将所述气泡羽流形态特征和所述气泡羽流方向细节特征输入训练好的量子门组卷积神经网络模型，得到所述气泡羽流状态识别结果；本发明专利技术兼顾NSCT变换多尺度和量子神经网络(QNN)速度与精度优势，提升气泡羽流状态识别速度和精度，并获得良好的收敛效果。并获得良好的收敛效果。并获得良好的收敛效果。

【技术实现步骤摘要】
一种气泡羽流扩散状态识别方法、系统、装备及存储介质


[0001]本专利技术属于水下目标识别
，特别是涉及一种气泡羽流扩散状态识别方法、系统、装备及存储介质。

技术介绍

[0002]气泡羽流作为气液两相流的一种，在工程实例中已有广泛的应用。从水下管道破损口泄漏的气体，夹带海水向上运动形成气泡羽流。气泡羽流具有不可避免、存活时间长、难以模仿等特点。根据水下气体扩散规律，完整的气泡羽流有三个阶段，即泄漏阶段、形成阶段和自由表面相互作用阶段。各阶段中气泡的大小，密度，在扩散的每个阶段都有明显的不同。在泄漏阶段，气泡体积小，密度大，形状几乎一样。在形成阶段，气泡向上膨胀扩散，它们的尺寸增大，密度减小，形状不规则变化。在自由表面相互作用阶段，气泡达到最大尺寸在空气和水之间破碎。因此，根据水下气泡羽流的动态形态特性，可以准确确定气泡羽的扩散阶段状态，同时还可以用于后续的水下泄漏源跟踪和调查工作。
[0003]但是，水下气泡羽流光学图像中，粒子个体相互粘黏重叠、噪点多，导致个体颜色、形状、纹理等图像特征提取困难；同时气泡羽流图像多为无背景图像、其中包含的气泡尺寸、密度差异较大，难以准确提取气泡羽流整体边缘特征，目标识别速度慢。因此，现有的方法无法从水下图像中获得气泡羽流动态形态特征，不能直接应用于水下气泡羽扩散状态识别。

技术实现思路

[0004]本专利技术的目的是提供一种气泡羽流扩散状态识别方法、系统、装备及存储介质，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种气泡羽流扩散状态识别方法，包括：
[0006]S1.采集水下气泡羽流图像，对所述图像进行处理，得到气泡羽流的低频子带图像和高频子带图像；
[0007]S2.对所述低频子带图像进行处理，得到气泡羽流形态特征；
[0008]S3.对所述高频子带图像进行处理，得到气泡羽流方向细节特征；
[0009]S4.将所述气泡羽流形态特征和所述气泡羽流方向细节特征输入训练好的量子门组卷积神经网络模型，得到所述气泡羽流状态识别结果。
[0010]可选的，所述S1中，利用NSCT变换对所述图像进行处理。
[0011]可选的，所述S2中，利用模糊集二值化方法对所述低频子带图像进行处理。
[0012]可选的，所述S3中，利用DBC计算分形维数方法对所述高频子带图像进行处理。
[0013]可选地，所述S4中，所述量子门组卷积神经网络模型为包括输入表示层、隐藏层和输出层三层结构，所述结构根据传统CNN结构的特点定义了ConvAC，并采用张量分解方法确定权重系数，同时利用量子门组进行了数据初始化和网络参数更新优化。
[0014]可选地，所述S4中，得到所述气泡羽流状态识别结果的具体过程为：
[0015]经过所述NSCT分解的图像X，每个X是图像的一个小片，dim是一个像素；所述ConvAC有三种类型的层，即表示层、隐藏层和输出层；
[0016]为了统一处理不同形式的高频和低频特征，必须对每个输入进行量化，量化后的Rep
i
表示x
i
在表示层中包含m个表示函数，
[0017][0018]其中，f(x
i
)代表点x
i
的激活函数，θ代表移相门中的相位旋转角。
[0019]所述表示函数为：
[0020][0021]其中，σ()代表每个点的激活函数，因此，可以用标准卷积层来代替表示层；
[0022]一个隐藏层由一个卷积层和一个池化层组成，ConvAC结构包含L个隐藏层；卷积层中的每个卷积操作都有一个1*1的卷积算子；在池化层时，用一个不重叠的2维窗口来遍历前一层的输出；当l＝L
‑
1时，池化层的大小是整个空间的维度，这被称为全局池化，其输出是一个尺寸为l
×1×
1的矩阵。
[0023]最后，在输出层中，采用全连接模式；输出层将第(L
‑
1)层得到的矩阵映射到输出集Y，分类任务的得分函数定义为
[0024][0025]其中A
y
代表卷积权重张量，它是一个n阶m维的张量。
[0026]X的分类结果为
[0027]y
*
＝arg
y
maxCS
y
(x1,x2,
…
,x
n
)
[0028]通过计算即可得到分类结果即所述气泡羽流状态识别结果。
[0029]本专利技术还提供一种气泡羽流扩散状态识别系统，包括：
[0030]光学图像NSCT变换模块，用于对水下相机拍摄的气泡羽流图像进行NSCT变换处理；
[0031]气泡羽流形态特征提取模块，用于对低频子带图像进行特征提取；
[0032]气泡羽流方向细节特征提取模块，用于对高频子带图像进行特征提取；
[0033]量子门组卷积神经网络气泡羽流扩散状态识别模块，用于得到所述气泡羽流状态识别结果。
[0034]本专利技术还提供一种电子设备包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的气泡羽流扩散状态识别方法。
[0035]本专利技术还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的气泡羽流扩散状态识别方法。
[0036]本专利技术的技术效果为：
[0037]本专利技术通过NSCT变换，将水下气泡羽流光学图像变换为低频图像和高频子带图像，通过分析低频图像，提取气泡羽流动态形态特征，通过分析各方向高频子带图像，提取气泡羽流细节特征，最后搭建量子门组卷积神经网络，匹配气泡羽流扩散状态，实现水下气
泡羽流扩散状态准确快速识别，本专利技术兼顾NSCT变换多尺度和量子神经网络(QNN)速度与精度优势，提升气泡羽流状态识别速度和精度，并获得良好的收敛效果。
附图说明
[0038]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0039]图1为本专利技术实施例中的气泡羽流扩散状态识别方法流程图；
[0040]图2为本专利技术实施例中的量子门组卷积神经网络结构图。
具体实施方式
[0041]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0042]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0043]本专利技术提供了一种气泡羽流扩散状态识别方法，包括以下步骤：
[0044]1、水下气泡羽流图像NSCT变换。
[0045]对采集到的水下气泡羽流图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气泡羽流扩散状态识别方法，其特征在于，包括以下步骤：S1.采集水下气泡羽流图像，对所述图像进行处理，得到气泡羽流的低频子带图像和高频子带图像；S2.对所述低频子带图像进行处理，得到气泡羽流形态特征；S3.对所述高频子带图像进行处理，得到气泡羽流方向细节特征；S4.将所述气泡羽流形态特征和所述气泡羽流方向细节特征输入训练好的量子门组卷积神经网络模型，得到所述气泡羽流状态识别结果。2.根据权利要求1所述的气泡羽流扩散状态识别方法，其特征在于，可选的，所述S1中，利用NSCT变换对所述图像进行处理。3.根据权利要求1所述的气泡羽流扩散状态识别方法，其特征在于，可选的，所述S2中，利用模糊集二值化方法对所述低频子带图像进行处理。4.根据权利要求1所述的气泡羽流扩散状态识别方法，其特征在于，可选的，所述S3中，利用DBC计算分形维数方法对所述高频子带图像进行处理。5.根据权利要求1所述的气泡羽流扩散状态识别方法，其特征在于，可选地，所述S4中，所述量子门组卷积神经网络模型为包括输入表示层、隐藏层和输出层三层结构，所述结构根据传统CNN结构的特点定义了ConvAC，并采用张量分解方法确定权重系数，同时利用量子门组进行了数据初始化和网络参数更新优化。6.根据权利要求5所述的气泡羽流扩散状态识别方法，其特征在于，可选地，所述S4中，得到所述气泡羽流状态识别结果的具体过程为：经过所述NSCT分解的图像X，每个X是图像的一个小片，dim是一个像素；所述ConvAC有三种类型的层，即表示层、隐藏层和输出层；为了统一处理不同形式的高频和低频特征，必须对每个输入进行量化，量化后的Rep
i
表示x
i
在表示层中包含m个表示函数，其中，f(x
i
)代表点x
i
的激活函数，θ代表移相门中的相位旋转角；所述表示...

【专利技术属性】
技术研发人员：杨雪，刘静，李彧，温秀平，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：