[发明专利]一种基于全卷积神经网络的两相流混合图像分割的方法

说明书

本发明公开了一种基于全卷积神经网络(FullConvolutionalNetworks,FCN)的气‑液两相流图像分割方法，属于两相流测试领域。其实现步骤为：(1)输入两相流混合图像；(2)对图像进行预处理；(3)使用改进的FCN网络对两相流图像进行语义分割。该方法将两相流图像进行像素到像素的预测和端到端的训练，可以获得任意大小的两相流图像分割结果，分割过程中因避免了由于使用像素块而带来的重复存储和计算卷积的问题使得计算效率更加高效。本发明适应所有涉及两相流和多相流混合图像的分割，该方法分割效果好、速度快，具有很高的实用价值。

技术领域

本发明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。

背景技术

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。

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。

发明内容

本发明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；

为了达到上述技术效果，本发明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：

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；