【技术实现步骤摘要】
本专利技术属于数字图像处理，涉及一种基于深度学习的流化床气泡识别分割方法及系统。
技术介绍
1、鼓泡流化床因流化过程中出色的传热、传质和颗粒混合被用于各种化学能量转换过程、资源回收、煤炭分离和其他领域，鼓泡流化床的流化质量主要归因于气泡的特性，气泡的上升、聚并和破碎对气固混合和热-质传递起着至关重要的作用，进而影响流化床的流化稳定性。
2、从流化床精准识别并分割气泡是研究气泡行为的关键，目前研究气泡行为的现有方法为侵入式和非侵入式方法。侵入式的气泡测量主要通过电容探针、光纤探针、电阻探针等,由于探针直接与气泡接触，对流化床内流场和流动结构造成干扰。因此，气泡特性的研究大多是基于直接摄影、x射线和电容层析成像等非侵入式方法。
3、使用数字图像处理的直接摄影技术是研究气泡行为最普遍、最简单的技术之一，因为其操作简单、成本低被广泛用于二维流化床。然而，气固流化床系统由于床厚度的影响，气泡周围的乳化相可能会降低气泡轮廓在图像中的分辨度，并且照明设备不可能对床体实现完全均匀照明，导致图像中心区域高阈值、边缘区域低阈值，从而影响气泡的准确识别。传统的图像分割方法如像素阈值法、边缘检测和分水岭算法都非常依赖图像的清晰度和空间局部特征，特别是如灰度值等特性。
4、上述气泡识别方法很大程度取决于用户自定义参数，这些参数需要针对每种实验工况进行调整，难以准确识别气泡行为。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的流化床气泡识别分割方法及系统，实现
2、为了达到上述目的，本专利技术的基础方案为：一种基于深度学习的流化床气泡识别分割方法，包括如下步骤：
3、采集不同操作气速下的流化床处的气泡视频，并周期性提取气泡图像作为数据样本，对数据样本预处理后建立不同操作气速下的气泡图像数据集；
4、将气泡图像数据集输入深度学习模型，训练深度学习模型，得到训练后的优化深度学习模型；
5、获取待分割的气泡图像并输入优化深度学习模型，得到气泡分割图像；
6、基于气泡分割图像，计算等效气泡直径、气泡上升速度和形状因子作为气泡特征，将气泡特征与预设特征对比，识别气泡行为；
7、利用气泡分割图像对等效气泡直径分类统计，根据气泡质心的垂直坐标位置，将等效气泡直径、气泡上升速度和对应的垂直坐标点在坐标轴进行统计，得到空气分布器区域到床表面的轴向空间中，气泡尺寸、气泡速度分布情况，评估流化过程的流体动力学特性；
8、识别气泡行为后，设定单个阈值，当等效气泡直径、气泡上升速度超过相应阈值1.5倍，则降低操作气速；低于相应阈值0.5倍，则增加操作气速。
9、本基础方案的工作原理和有益效果在于：本技术方案设置深度学习语义分割模型，并使用气泡图像训练模型，利用深度学习的语义分割方法，优化传统的数字图像处理技术。在不同操作气速下对气泡进行跟踪，定量实时分析气泡的演化规律与动力学行为，实现双组分颗粒流化床中气泡的高效准确识别以及气泡行为的实时分析。
10、进一步，采集不同操作气速下的流化床处的气泡视频的方法为：
11、以不同b类+d类颗粒的双组分玻璃珠进行组合，在最小流化速度的基础上，进行中心操作气速为0.263、0.276、0.288m/s的流态化实验；
12、分别采用两种图像照明方法：背面打光、正面打光；
13、背部打光时将照明设备设置在流化床后方，强化气泡与周围流体的对比度，尤其是通过光线的穿透效应，使气泡内部呈现为较亮区域，而气泡边缘则因光的折射和散射作用而显得较暗，形成鲜明的轮廓特征；
14、正面打光时将照明设备移到流化床正前方，照明设备直接照亮气泡及其所在区域；
15、针对不同中心操作气速和不同图像照明方法，采集相应的气泡视频。
16、深度学习模型的性能取决于训练数据的大小，获取大量数据保证模型足够准确地识别流化床中的气泡。
17、进一步，对数据样本进行预处理的方法如下：
18、利用ps软件的批处理功能对图像进行均匀裁剪，并过滤掉无气泡的图片；
19、基于图像标注工具labe lme，在图像上绘制mask，描绘气泡的边界，对气泡区域标注颜色，并在原始图像上绘制气泡标注的over l ap，即叠加显示标注结果。
20、对数据样本进行预处理，消除无意义的背景等影响因素，以便准确地识别分割气泡。
21、进一步，将气泡图像数据集输入深度学习模型，训练深度学习模型的步骤为：
22、采用归一化操作，将气泡图像固定为256p i xe l s×256p i xe l s，并将气泡图像数据集按3：1：1的比例随机抽取，分别作为训练集、验证集和测试集；
23、训练集的batch s i ze为16，验证集和测试集的batch s i ze为8，全部样本总共被训练100epochs，初始学习率设置为0.001，深度学习模型使用adam优化器自适应地调整每个参数的学习率；
24、每个epoch训练完成后，记录并存储4个评价指标，即训练准确率、训练损失、验证准确率和验证损失，通过监测4个评价指标的曲线的收敛情况来评估深度学习模型是否达到最佳训练性能，若达到则停止训练；
25、采用早停法，在验证集上监控模型的性能，并在连续的10个epochs内验证集性能下降，训练停止，防止训练模型过拟合。
26、操作简单，便于使用。进一步，将等效气泡直径db定义为具有相同面积的标准圆的直径：
27、
28、其中，ab表示气泡的面积；
29、气泡上升速度ub，为连续时间帧之间气泡重心的垂直坐标差除以帧之间的时间间隔：
30、
31、其中，yg表示气泡质心的垂直坐标；δt表示截取图片的时间间隔，t表示时间。
32、形状因子δ直接反映气泡形状的复杂性和偏离完美圆形的程度，在气泡图像中，所有的对象均由像素组成，即使是近乎标准圆形的形状因子通常也小于1，近似标准圆的气泡形状因子约为0.85：
33、
34、其中，p表示气泡的周长。
35、气泡利用深度学习模型识别分割后对气泡特征进行提取，以便分析气泡典型行为。
36、进一步，将气泡特征映射传递到池化层，进行多次重复的卷积和池化操作后，将气泡特征转化为一维向量，作为全连接层的输入，最后在深度学习模型的输出层使用激活函数softmax实现气泡相和颗粒相的类别预测。
37、实现气泡相和颗粒相的类别预测，获取气泡识别结果。
38、进一步，所述深度学习模型采用u-net模型。
39、u-net模型在训练和推理时的高效性，并且模型占用内存空间小，便于模型部署。
40、本专利技术还提供一种基于深度学习的流化床气泡识别分割系统，包括流化床模块、鼓风模块本文档来自技高网...
【技术保护点】
1.一种基于深度学习的流化床气泡识别分割方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于深度学习的流化床气泡识别分割方法，其特征在于，采集不同操作气速下的流化床处的气泡视频的方法为：
3.如权利要求1所述的基于深度学习的流化床气泡识别分割方法，其特征在于，对数据样本进行预处理的方法如下：
4.如权利要求3所述的基于深度学习的流化床气泡识别分割方法，其特征在于，将气泡图像数据集输入深度学习模型，训练深度学习模型的步骤为：
5.如权利要求4所述的基于深度学习的流化床气泡识别分割方法，其特征在于，将气泡特征映射传递到池化层，进行多次重复的卷积和池化操作后，将气泡特征转化为一维向量，作为全连接层的输入，最后在深度学习模型的输出层使用激活函数softmax实现气泡相和颗粒相的类别预测。
6.如权利要求1所述的基于深度学习的流化床气泡识别分割方法，其特征在于，将等效气泡直径Db定义为具有相同面积的标准圆的直径：
7.如权利要求1所述的基于深度学习的流化床气泡识别分割方法，其特征在于，所述深度学习模型采用U-N
8.一种基于深度学习的流化床气泡识别分割系统，其特征在于，包括流化床模块、鼓风模块、测量模块和处理模块；
...【技术特征摘要】
1.一种基于深度学习的流化床气泡识别分割方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于深度学习的流化床气泡识别分割方法，其特征在于，采集不同操作气速下的流化床处的气泡视频的方法为：
3.如权利要求1所述的基于深度学习的流化床气泡识别分割方法，其特征在于，对数据样本进行预处理的方法如下：
4.如权利要求3所述的基于深度学习的流化床气泡识别分割方法，其特征在于，将气泡图像数据集输入深度学习模型，训练深度学习模型的步骤为：
5.如权利要求4所述的基于深度学习的流化床气泡识别分割方法，其特征在于，将气泡...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。