本發(fā)明屬于數(shù)字圖像處理，涉及一種基于深度學習的流化床氣泡識別分割方法及系統(tǒng)。

背景技術：

1、鼓泡流化床因流化過程中出色的傳熱、傳質和顆?；旌媳挥糜诟鞣N化學能量轉換過程、資源回收、煤炭分離和其他領域，鼓泡流化床的流化質量主要歸因于氣泡的特性，氣泡的上升、聚并和破碎對氣固混合和熱-質傳遞起著至關重要的作用，進而影響流化床的流化穩(wěn)定性。

2、從流化床精準識別并分割氣泡是研究氣泡行為的關鍵，目前研究氣泡行為的現(xiàn)有方法為侵入式和非侵入式方法。侵入式的氣泡測量主要通過電容探針、光纖探針、電阻探針等,由于探針直接與氣泡接觸，對流化床內流場和流動結構造成干擾。因此，氣泡特性的研究大多是基于直接攝影、x射線和電容層析成像等非侵入式方法。

3、使用數(shù)字圖像處理的直接攝影技術是研究氣泡行為最普遍、最簡單的技術之一，因為其操作簡單、成本低被廣泛用于二維流化床。然而，氣固流化床系統(tǒng)由于床厚度的影響，氣泡周圍的乳化相可能會降低氣泡輪廓在圖像中的分辨度，并且照明設備不可能對床體實現(xiàn)完全均勻照明，導致圖像中心區(qū)域高閾值、邊緣區(qū)域低閾值，從而影響氣泡的準確識別。傳統(tǒng)的圖像分割方法如像素閾值法、邊緣檢測和分水嶺算法都非常依賴圖像的清晰度和空間局部特征，特別是如灰度值等特性。

4、上述氣泡識別方法很大程度取決于用戶自定義參數(shù)，這些參數(shù)需要針對每種實驗工況進行調整，難以準確識別氣泡行為。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于深度學習的流化床氣泡識別分割方法及系統(tǒng)，實現(xiàn)流化床中氣泡的高效準確識別。

2、為了達到上述目的，本發(fā)明的基礎方案為：一種基于深度學習的流化床氣泡識別分割方法，包括如下步驟：

3、采集不同操作氣速下的流化床處的氣泡視頻，并周期性提取氣泡圖像作為數(shù)據(jù)樣本，對數(shù)據(jù)樣本預處理后建立不同操作氣速下的氣泡圖像數(shù)據(jù)集；

4、將氣泡圖像數(shù)據(jù)集輸入深度學習模型，訓練深度學習模型，得到訓練后的優(yōu)化深度學習模型；

5、獲取待分割的氣泡圖像并輸入優(yōu)化深度學習模型，得到氣泡分割圖像；

6、基于氣泡分割圖像，計算等效氣泡直徑、氣泡上升速度和形狀因子作為氣泡特征，將氣泡特征與預設特征對比，識別氣泡行為；

7、利用氣泡分割圖像對等效氣泡直徑分類統(tǒng)計，根據(jù)氣泡質心的垂直坐標位置，將等效氣泡直徑、氣泡上升速度和對應的垂直坐標點在坐標軸進行統(tǒng)計，得到空氣分布器區(qū)域到床表面的軸向空間中，氣泡尺寸、氣泡速度分布情況，評估流化過程的流體動力學特性；

8、識別氣泡行為后，設定單個閾值，當?shù)刃馀葜睆?、氣泡上升速度超過相應閾值1.5倍，則降低操作氣速；低于相應閾值0.5倍，則增加操作氣速。

9、本基礎方案的工作原理和有益效果在于：本技術方案設置深度學習語義分割模型，并使用氣泡圖像訓練模型，利用深度學習的語義分割方法，優(yōu)化傳統(tǒng)的數(shù)字圖像處理技術。在不同操作氣速下對氣泡進行跟蹤，定量實時分析氣泡的演化規(guī)律與動力學行為，實現(xiàn)雙組分顆粒流化床中氣泡的高效準確識別以及氣泡行為的實時分析。

10、進一步，采集不同操作氣速下的流化床處的氣泡視頻的方法為：

11、以不同b類+d類顆粒的雙組分玻璃珠進行組合，在最小流化速度的基礎上，進行中心操作氣速為0.263、0.276、0.288m/s的流態(tài)化實驗；

12、分別采用兩種圖像照明方法：背面打光、正面打光；

13、背部打光時將照明設備設置在流化床后方，強化氣泡與周圍流體的對比度，尤其是通過光線的穿透效應，使氣泡內部呈現(xiàn)為較亮區(qū)域，而氣泡邊緣則因光的折射和散射作用而顯得較暗，形成鮮明的輪廓特征；

14、正面打光時將照明設備移到流化床正前方，照明設備直接照亮氣泡及其所在區(qū)域；

15、針對不同中心操作氣速和不同圖像照明方法，采集相應的氣泡視頻。

16、深度學習模型的性能取決于訓練數(shù)據(jù)的大小，獲取大量數(shù)據(jù)保證模型足夠準確地識別流化床中的氣泡。

17、進一步，對數(shù)據(jù)樣本進行預處理的方法如下：

18、利用ps軟件的批處理功能對圖像進行均勻裁剪，并過濾掉無氣泡的圖片；

19、基于圖像標注工具labe?lme，在圖像上繪制mask，描繪氣泡的邊界，對氣泡區(qū)域標注顏色，并在原始圖像上繪制氣泡標注的over?l?ap，即疊加顯示標注結果。

20、對數(shù)據(jù)樣本進行預處理，消除無意義的背景等影響因素，以便準確地識別分割氣泡。

21、進一步，將氣泡圖像數(shù)據(jù)集輸入深度學習模型，訓練深度學習模型的步驟為：

22、采用歸一化操作，將氣泡圖像固定為256p?i?xe?l?s×256p?i?xe?l?s，并將氣泡圖像數(shù)據(jù)集按3：1：1的比例隨機抽取，分別作為訓練集、驗證集和測試集；

23、訓練集的batch?s?i?ze為16，驗證集和測試集的batch?s?i?ze為8，全部樣本總共被訓練100epochs，初始學習率設置為0.001，深度學習模型使用adam優(yōu)化器自適應地調整每個參數(shù)的學習率；

24、每個epoch訓練完成后，記錄并存儲4個評價指標，即訓練準確率、訓練損失、驗證準確率和驗證損失，通過監(jiān)測4個評價指標的曲線的收斂情況來評估深度學習模型是否達到最佳訓練性能，若達到則停止訓練；

25、采用早停法，在驗證集上監(jiān)控模型的性能，并在連續(xù)的10個epochs內驗證集性能下降，訓練停止，防止訓練模型過擬合。

26、操作簡單，便于使用。進一步，將等效氣泡直徑db定義為具有相同面積的標準圓的直徑：

27、

28、其中，ab表示氣泡的面積；

29、氣泡上升速度ub，為連續(xù)時間幀之間氣泡重心的垂直坐標差除以幀之間的時間間隔：

30、

31、其中，yg表示氣泡質心的垂直坐標；δt表示截取圖片的時間間隔，t表示時間。

32、形狀因子δ直接反映氣泡形狀的復雜性和偏離完美圓形的程度，在氣泡圖像中，所有的對象均由像素組成，即使是近乎標準圓形的形狀因子通常也小于1，近似標準圓的氣泡形狀因子約為0.85：

33、

34、其中，p表示氣泡的周長。

35、氣泡利用深度學習模型識別分割后對氣泡特征進行提取，以便分析氣泡典型行為。

36、進一步，將氣泡特征映射傳遞到池化層，進行多次重復的卷積和池化操作后，將氣泡特征轉化為一維向量，作為全連接層的輸入，最后在深度學習模型的輸出層使用激活函數(shù)softmax實現(xiàn)氣泡相和顆粒相的類別預測。

37、實現(xiàn)氣泡相和顆粒相的類別預測，獲取氣泡識別結果。

38、進一步，所述深度學習模型采用u-net模型。

39、u-net模型在訓練和推理時的高效性，并且模型占用內存空間小，便于模型部署。

40、本發(fā)明還提供一種基于深度學習的流化床氣泡識別分割系統(tǒng)，包括流化床模塊、鼓風模塊、測量模塊和處理模塊；

41、所述流化床模塊包括氣體風室、分布板和有機玻璃制成的床體，所述鼓風模塊包括空壓機、儲氣罐、管道、四個閥門和轉子流量計，所述測量模塊包括攝像機，攝像機用于采集不同操作氣速下的流化床處的氣泡視頻；

42、所述處理模塊的輸入端與測量模塊的輸出端連接，處理模塊執(zhí)行本發(fā)明所述方法，進行流化床氣泡識別分割。

43、本系統(tǒng)利用氣泡圖片對深度學習模型進行訓練，與傳統(tǒng)數(shù)字圖像處理系統(tǒng)相比，深度學習方法不受拍攝條件的影響，能快速準確地識別分割氣泡。