CN105426830A - 基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法 - Google Patents

Abstract

本发明公开了一种基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法。首先，同时获取两个相互垂直角度的小通道气液两相流流动图像序列；其次，进行图像校正和预处理，并计算图像序列Hu矩均值和标准差作为流型识别特征向量；然后，建立基于支持向量机的单视觉小通道气液两相流流型识别模型，最后，利用D-S证据理论，对两个角度的流型识别结果进行融合，实现泡状流、段塞流、波状流和环状流四种典型流型的识别。本发明提出了一种新的小通道气液两相流流型识别系统和方法。该系统具有非接触式测量、可视化、结构简单等优点，利用多视觉信息融合方法，提高了气液两相流流型识别的准确度。

Description

基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法

技术领域

本发明属于多相流流型识别领域，涉及一种基于多视觉信息融合技术气液两相流流型识别系统，特别是利用这种系统进行气液两相流流型识别的方法。

背景技术

由于小型/微型设备具有高效、快速、易控制及高度集成等优点，近年来，其在能源、化工、生物和制药等领域得到广泛应用，小型/微型设备中微小通道气液两相流参数检测的研究受到越来越多的关注。

现有的微小通道两相流参数检测方法主要有电学法、光学法、热学法以及高速摄像法等。其中高速摄像法具有直观性、非接触性以及可观察两相间的瞬态变化等优点，在小通道两相流参数检测实验研究中得到广泛应用。然而，现有的基于高速摄像的两相流参数检测方法多数是从一个角度获取两相流图像，对气液两相空间信息及不同角度的形状信息获取不足。基于单个角度图像的流型识别技术，其流型识别准确度仍有待提高。

发明内容

针对现有基于高速摄影的小管道气液两相流流型辨识技术信息获取不足，准确程度不够高的问题，本发明通过反复研究，针对小通道气液两相流，提供了一种基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法，提出采用多视觉系统同时获取两相流两个相互垂直角度的图像，利用图像处理技术获取图像序列Hu矩统计参数作为流型识别特征，建立基于支持向量机(SVM)的单视觉气液两相流流型识别模型，采用D-S证据理论进行信息融合实现多视觉流型识别。

基于多视觉信息融合技术的小通道气液两相流流型识别系统包括小通道管路系统、多视觉高速图像采集单元以及图像处理和流型识别计算机。小通道管路系统由浸没在甘油槽中的小管道构成。多视觉高速图像采集单元由两台LED光源、直角棱镜、高速摄像机组成。直角棱镜靠近甘油槽放置，且其一直角边垂直于高速摄像机的成像平面。两台光源提供两个垂直方向的背光，放置于甘油槽前方的高速摄像机同时拍摄到两个相互垂直角度的两相流流动图像，采集到的图像传输到微型计算机中用于流型识别。

基于多视觉信息融合技术小通道气液两相流流型识别方法步骤如下：

(1)小通道气液两相流流动图像获取。利用多视觉高速图像采集单元从两个相互垂直的角度同时获取小通道气液两相流图像。

(2)图像标定。对于圆形玻璃管道，其管壁折射率与甘油近似相等。将管道浸没于甘油槽中可以降低管壁对所拍摄图像造成的影响。采用截面为25mm×25mm的正方形的有机玻璃长方体甘油槽，将管道浸没于甘油槽内，管道中心位置与截面正方形的中心相重合。对于管道内物点P(x,y)，由该点发出的光线在液相与管壁界面发生第一次折射，在甘油槽槽壁与空气界面发生第二次折射。由点P发出的两条相邻光线在第二次折射后的反向延长线的交点P'(x',y')即为点P对应观察到的像点，从而可以确定点P处的校正系数α＝y/y'。获取校正系数之后，对气液两相流流动图像进行标定。

(3)特征提取。采用数字图像处理技术对所采集的不同流型的图像序列进行预处理，步骤包括：图像分割、图像去噪、差影法去除背景、边缘检测以及二值化填充，最终获得反映气液两相流流型的二值图像。得到二值图像之后，计算二值图像的Hu矩。

对于图像I(x,y)，其p+q阶几何矩定义为：

$m_{pq}=\underset{x}{\Σ}\underset{y}{\Σ}{x}^p{y}^{q}I(x,y),p,q=0,1,2,...$

其p+q阶中心矩定义为：

$u_{pq}=\underset{x}{\Σ}\underset{y}{\Σ}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}I(x,y),p,q=0,1,2,...$

其中 $\stackrel{\‾}{x}=m_{10}/m_{00}\stackrel{\‾}{y}=m_{01}/m_{00}$

经归一化后对图像尺寸不变的p+q阶中心矩定义为：

${\mathrm{\η}}_{pq}=u_{pq}/u_{00}^{\mathrm{\γ}},p,q=0,1,2,...$

其中γ＝(p+q)/2+1。

从尺寸不变中心矩可以导出一系列对于图像的尺寸、旋转和平移具有不变性的Hu矩，定义如下：

φ₁＝η₂₀+η₀₂

φ₂＝(η₂₀-η₀₂)²+4η₁ ² ₁

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]-

(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+

4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

在实际流型识别中，由于φ₁，φ₂，φ₃和φ₄具有较好的不变性，且足以分辨不同的流型，因此选择前四个Hu矩作为反映气液两相流流型的特征参数。对于每个角度，取500张连续拍摄的流型图像构成图像序列，求取前四阶Hu矩的平均值和标准差作为流型识别的特征向量。对于N张图像构成的图像序列，第i阶Hu矩φ_i的均值M和标准差σ定义为：

$M\left({\mathrm{\φ}}_i\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{\mathrm{\φ}}_{ij},i=1,2,3,4$

$\mathrm{\σ}\left({\mathrm{\φ}}_i\right)=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left(M\right({\mathrm{\φ}}_i)-{\mathrm{\φ}}_{ij})},i=1,2,3,4$

采用图像序列前四阶Hu矩的均值和标准差构成的流型识别特征向量为：

X^T＝[M(φ₁),σ(φ₁),M(φ₂),σ(φ₂),M(φ₃),σ(φ₃),M(φ₄),σ(φ₄)]

(4)单视觉流型识别模型的建立。利用支持向量机(SVM)建立单视觉气液两相流流型识别模型，实现单视觉流型识别。

在给定的训练集的基础上，SVM的二分类问题转化为优化问题：

其中w为权重，e_i为训练误差，b为偏移量，γ为正则化参数，函数为核函数，l为数据的点数。

采用不同的核函数，可以构造出不同的SVM模型。依据所选特征的维数及训练集合的大小，选取径向基核函数：

K(x,xi)＝exp(-‖x-x_i‖²/2σ²)

随机选取训练集和测试集，每两种流型之间利用SVM建立一个二分类器，四种典型流型之间共建立6个二分类器。每个测试样本分别送入6个二分类器进行流型识别，采用投票法确定最终的流型识别结果，从而实现单视觉气液两相流流型识别。

(5)基于多视觉信息融合技术识别流型。

D-S证据理论的基本概念定义如下：

设U为一个有穷而完备的论域集合，且U中的各元素相互独立。对于任何一个属于U中的命题A，有函数m:2^Ω→[0,1]，且满足

则称m(A)为A的基本概率赋值(BasicProbabilityAssignment,BPA),表示对命题A的信任度。

对于命题A，信任函数定义为：

$Bel\left(A\right)=\underset{B\⊆A}{\Σ}m\left(B\right),\∀A\⊆U$

表示命题A中所有子集的基本概率赋值之和，即对A的总的信任。当A是单元素命题时，Bel(A)＝m(A)。

对于命题A，似然函数定义为：

表示不否定A的程度。Pls(A)≥Bel(A)。Pls(A)-Bel(A)表示对命题A的不确定性。当Pls(A)＝Bel(A)时，表示对命题A的信任度是完全确定的。

D-S合成规则定义如下：

对U上的两个信任函数分别为Bel₁、Bel₂,m₁和m₂分别是其对应的基本概率赋值，则

$m\left(A\right)=\frac{1}{K}\underset{B\∩C=A}{\Σ}{m}_1\left(B\right)\·m_2\left(C\right)$

其中，K为归一化常数：

D-S证据理论的组合决策规则定义如下：

若满足

$m\left(A_1\right)=max\{m\left(o_i\right),o_i\⋐U\},$

$m\left(A_2\right)=max\{m\left(o_i\right),o_i\⋐U,o_i\≠A_1\}$

若有：

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(U\right)\end{array}\right.$

则A₁即为判决结果，其中ε₁，ε₂为预先设定的门限阈值。

对于所训练的基于单视觉图像序列的流型识别模型，在投票法的基础上确定对每种流型的基本概率赋值。设所选取的训练集其样本总数为N，对于每个二分类器采用交叉验证的方式进行训练，训练最终分类错误的样本数总和为N_error,定义该二分类器的测试错误率为e:

$e=\frac{N_{error}}{N}\&times;100\%$

测试错误率反映了该二分类器的可信程度，因此采用测试错误率作为每个二分类器的评价标准。在训练得到每个分类器的测试错误率之后，对于每种流型的基本概率赋值可由下式确定：

$m\left(A_i\right)=\frac{1}{N}\underset{j=1}{\overset{6}{\&Sigma;}}(1-e_j)n_{ij}$

其中，m(A_i)表示对第i种流型的基本概率赋值，N为分类器的个数，对于四种流型其值为6，e_j为第j个分类器的测试错误率，n_ij为第j个分类器对第i种流型的投票数。

在得到每种分类器的基本概率赋值之后，按照D-S证据理论合成规则对不同角度的流型识别结果进行融合。假设两个角度单视觉流型识别模型对第i种流型的基本概率赋值分别为m₁(A_i)，m₂(A_i)，则根据D-S证据理论合成规则，第i种流型的组合概率赋值m(A_i)为

$m\left(A_i\right)=\frac{m_1\left(A_i\right)\&CenterDot;m_2\left(A_i\right)+m_1\left(A_i\right)\&CenterDot;\stackrel{\&OverBar;}{m_2}+m_2\left(A_i\right)\&CenterDot;\stackrel{\&OverBar;}{m_1}}{1-K}$

其中

$\stackrel{\&OverBar;}{m_1}=1-\underset{i=1}{\overset{4}{\&Sigma;}}{m}_1\left(A_i\right)$

$\stackrel{\&OverBar;}{m_2}=1-\underset{i=1}{\overset{4}{\&Sigma;}}{m}_2\left(A_i\right)$

$K=\underset{i\&NotEqual;j}{\&Sigma;}{m}_1\left(A_i\right)\&CenterDot;m_2\left(A_j\right),i,j=1,2,3,4$

最后，根据D-S证据理论组合决策规则进行流型的最终判定。选定阈值ε₁，ε₂，若对第i种流型有

$\left\{\begin{array}{c}m\left(A_i\right)-m(1-A_i)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_i\right)>m\left(U\right)\end{array}\right.$

则可以判定流型识别结果为第i种流型。

附图说明

附图1是本发明基于多视觉信息融合技术的小通道气液两相流流型识别系统示意图，图1中，1-小通道管路系统，2-多视觉高速图像采集单元，3-图像处理和流型识别计算机。

附图2是多视觉高速图像采集单元和小通道管路系统结构示意图，图2中，4-第一LED光源，5-第二LED光源，6-甘油槽，7-小管道，8-直角棱镜，9-高速摄像机。

附图3是光线在小管道及甘油槽中传播的光路图。

附图4是基于多视觉信息融合技术的小通道气液两相流流型识别流程图。

附图5是利用基于多视觉信息融合技术的小通道气液两相流流型识别系统从两个相互垂直角度获取的气液两相流典型的流型图。

具体实施方式

参照附图1，本发明利用基于多视觉信息融合技术的小通道气液两相流流型识别系统，实现小通道气液两相流流型识别。基于多视觉信息融合技术的小通道气液两相流流型识别系统包括小通道管路系统，多视觉高速图像采集单元以及图像处理和流型识别计算机三部分。

如图2所示，小通道管路系统1由浸没在甘油槽6中的小管道7构成，多视觉高速图像采集单元2由高速摄像机9、直角棱镜8、第一LED光源4、第二LED光源5组成，多视觉高速图像采集单元负责同时采集两个相互垂直角度的气液两相流流动图像，由多视觉高速图像采集单元2采集得到的图像传输到计算机3进行图像处理和流型识别；

所述的第一LED光源4垂直于小管道6放置，第二LED光源5同时垂直于第一LED光源5和小管道6并且与第一LED光源5位于同一平面内，直角棱镜8相对于第一LED光源4位于小管道6另外一侧，高速摄像机9相对于第二LED光源5位于小管道6另外一侧，直角棱镜8的一直角边垂直于高速摄像机6的成像平面。

参照附图4，依照基于多视觉信息融合技术的小通道气液两相流流型识别流程图进行流型识别，具体步骤为：

第一步，小通道气液两相流流动图像获取：利用多视觉高速图像采集单元同时获取两个相互垂直角度的小通道气液两相流流动图像序列。

第二步，图像标定：在图像采集过程中，由于管道内所发出的光线入射到高速摄像机所经过的介质折射率不同，对所采集的小通道内气液两相流流动图像产生了影响，附图3是光线在小管道及甘油槽中传播的光路图。需要通过光路分析获取校正系数，实现气液两相流流动图像的标定。

第三步，特征提取：对经过标定的图像，采用图像分割、图像去噪、差影法去除背景、边缘检测以及二值化填充等数字图像处理技术进行预处理，获取反映气液两相流流型信息的二值图像。计算二值图像的Hu矩，选取由500张图像构成的图像序列，计算图像序列的前四阶Hu矩的平均值和标准差作为流型识别的特征向量。

第四步，单视觉流型识别模型的建立：利用支持向量机(SVM)建立单视觉气液两相流流型识别模型，实现单视觉流型识别。流型识别模型输入为步骤3中所获取的特征向量，输出为四种典型流型之一。随机选取训练集和测试集，每两种流型之间利用SVM建立一个二分类器，四种典型流型之间共建立6个二分类器。每个测试样本分别送入6个二分类器进行流型识别，采用投票法确定流型识别结果，从而实现单视觉气液两相流流型识别。

第五步，基于多视觉信息融合技术的流型识别：采用D-S证据理论，对两个角度的单视觉流型识别结果进行决策层信息融合，得到最终多视觉流型识别结果。

所述的第二步中的图像标定方法具体为：采用截面为25mm×25mm的正方形的有机玻璃长方体甘油槽，将管道浸没于甘油槽内，使管道中心位置与截面正方形的中心相重合，对于管道内物点P(x,y)，由该点发出的光线在液相与管壁界面发生第一次折射，在甘油槽槽壁与空气界面发生第二次折射，分析光路可知，由点P发出的两条相邻光线在第二次折射后的反向延长线的交点P'(x',y')即为点P对应的像点，从而确定点P处的校正系数α＝y/y'，获取校正系数之后，对气液两相流流动图像进行标定。

所述的第三步中的图像特征提取方法具体为：首先从所拍摄的图像中分割提取出管道部分，其次采用双边滤波去除图像噪声，然后将两相流流动图像与满管图像相减去除背景信息，采用Canny边缘检测算子检测气相和液相的边界信息，最后对气相进行填充获得二值图像，得到二值图像之后，计算二值图像的Hu矩，对于图像I(x,y)，其p+q阶几何矩定义为：

$m_{pq}=\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}{x}^p{y}^{q}I(x,y),p,q=0,1,2,...$

其p+q阶中心矩定义为：

$u_{pq}=\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}{(x-\stackrel{\&OverBar;}{x})}^p{(y-\stackrel{\&OverBar;}{y})}^{q}I(x,y),p,q=0,1,2,...$

其中 $\stackrel{\&OverBar;}{x}=m_{10}/m_{00},\stackrel{\&OverBar;}{y}=m_{01}/m_{00};$

经归一化后对图像尺寸不变的p+q阶中心矩定义为：

${\mathrm{\&eta;}}_{pq}=u_{pq}/u_{00}^{\mathrm{\&gamma;}},p,q=0,1,2,...$

其中γ＝(p+q)/2+1；

对于图像I(x,y)，其前四阶Hu矩定义如下：

φ₁＝η₂₀+η₀₂

φ₂＝(η₂₀-η₀₂)²+4η₁ ² ₁

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

选取连续拍摄的设定张数图像构成的图像序列，对于N张图像构成的图像序列，第i阶Hu矩φ_i的均值M和标准差σ定义为：

$M\left({\mathrm{\&phi;}}_i\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\&Sigma;}}{\mathrm{\&phi;}}_{ij},i=1,2,3,4$

$\mathrm{\&sigma;}\left({\mathrm{\&phi;}}_i\right)=\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\&Sigma;}}\left(M\right({\mathrm{\&phi;}}_i)-{\mathrm{\&phi;}}_{ij})},i=1,2,3,4$

采用图像序列前四阶Hu矩的均值和标准差构成流型识别特征向量：

X^T＝[M(φ₁),σ(φ₁),M(φ₂),σ(φ₂),M(φ₃),σ(φ₃),M(φ₄),σ(φ₄)]

第五步所述基于多视觉信息融合技术的流型识别方法具体为：采用测试错误率e作为每个二分类器的评价标准，测试错误率的定义为由交叉验证方法得到的错误分类样本数N_error与总训练样本数N的比值：

$e=\frac{N_{error}}{N}\&times;100\%$

单视觉流型识别模型对每种流型的基本概率赋值由下式确定：

$m\left(A_i\right)=\frac{1}{N}\underset{j=1}{\overset{6}{\&Sigma;}}(1-e_j)n_{ij}$

其中，m(A_i)表示对第i种流型的基本概率赋值，N为分类器的个数，对于四种流型其值为6，e_j为第j个分类器的测试错误率，n_ij为第j个分类器对第i种流型的投票数；

在得到每种分类器的基本概率赋值之后，按照D-S证据理论合成规则对不同角度的流型识别结果进行融合，假设两个角度单视觉流型识别模型对第i种流型的基本概率赋值分别为m₁(A_i)，m₂(A_i)，则根据D-S证据理论合成规则，第i种流型的组合概率赋值m(A_i)为

$m\left(A_i\right)=\frac{m_1\left(A_i\right)\&CenterDot;m_2\left(A_i\right)+m_1\left(A_i\right)\&CenterDot;\stackrel{\&OverBar;}{m_2}+m_2\left(A_i\right)\&CenterDot;\stackrel{\&OverBar;}{m_1}}{1-K}$

其中

$\stackrel{\&OverBar;}{m_1}=1-\underset{i=1}{\overset{4}{\&Sigma;}}{m}_1\left(A_i\right)$

$\stackrel{\&OverBar;}{m_2}=1-\underset{i=1}{\overset{4}{\&Sigma;}}{m}_2\left(A_i\right)$

$K=\underset{i\&NotEqual;j}{\&Sigma;}{m}_1\left(A_i\right)\&CenterDot;m_2\left(A_j\right),i,j=1,2,3,4$

最后，根据D-S证据理论组合决策规则进行流型的最终判定，选定阈值ε₁，ε₂，若对第i种流型有

$\left\{\begin{array}{c}m\left(A_i\right)-m(1-A_i)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_i\right)>m\left(U\right)\end{array}\right.$

则判定流型识别结果为第i种流型。

利用本发明中提出的系统和方法在内径为4.0mm的水平透明小管道中进行了流型识别实验。

实验中气相流量的变化范围为6ml/min-600ml/min，液相流量变化范围为10ml/min-417ml/min，调节不同的气相和液相流量获得了泡状流、段塞流、波状流及环状流四种典型的流型。实验中选取500张图像作为图像序列，将图像序列的前四阶Hu矩的平均值和标准差作为流型识别特征向量。建立基于SVM的单视觉气液两相流流型识别模型，得到单视觉流型识别结果。在得出单视觉流型识别结果后，采用D-S证据理论进行多视觉信息融合，判定最终流型。表1列出了流型识别结果。对于四种典型流型，相较于基于SVM的单视觉流型识别模型的识别结果，基于D-S证据理论的多视觉信息融合流型识别结果，其准确率有所提高，且最终识别准确率均高于96％。

表1所示实验结果表明本发明所提出的基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法是有效的，流型识别整体准确率高于96％。

表14.0mm内径水平小管道流型辨识实验结果

Claims (5)

1.一种基于多视觉信息融合技术的小通道气液两相流流型识别系统，其特征在于：该系统由小通道管路系统(1)，多视觉高速图像采集单元(2)以及图像处理和流型识别计算机(3)组成，小通道管路系统(1)由浸没在甘油槽(6)中的小管道(7)构成，多视觉高速图像采集单元(2)由高速摄像机(9)、直角棱镜(8)、第一LED光源(4)、第二LED光源(5)组成，多视觉高速图像采集单元负责同时采集两个相互垂直角度的气液两相流流动图像，由多视觉高速图像采集单元(2)采集得到的图像传输到计算机(3)进行图像处理和流型识别；所述的第一LED光源(4)垂直于小管道(6)放置，第二LED光源(5)同时垂直于第一LED光源(5)和小管道(6)并且与第一LED光源(5)位于同一平面内，直角棱镜(8)相对于第一LED光源(4)位于小管道(6)另外一侧，高速摄像机(9)相对于第二LED光源(5)位于小管道(6)另外一侧，直角棱镜(8)的一直角边垂直于高速摄像机(6)的成像平面。

2.一种基于权利要求1所述识别系统的基于多视觉信息融合技术的小通道气液两相流流型识别方法，其特征在于：该方法步骤如下：

步骤1，小通道气液两相流流动图像获取：利用多视觉高速图像采集单元同时获取两个相互垂直角度的小通道气液两相流流动图像序列；

步骤2，图像标定：通过光路分析获取校正系数，实现气液两相流流动图像的标定；

步骤3，特征提取：对经过标定的图像，采用图像分割、图像去噪、差影法去除背景、边缘检测以及二值化填充进行预处理，获取反映气液两相流流型信息的二值图像，计算二值图像的Hu矩，选取设定张数图像构成的图像序列，计算图像序列的前四阶Hu矩的平均值和标准差作为流型识别的特征向量；

步骤4，单视觉流型识别模型的建立：利用支持向量机建立单视觉气液两相流流型识别模型，实现单视觉流型识别，流型识别模型输入为步骤3中所获取的特征向量，输出为四种典型流型之一，选取训练集和测试集，每两种流型之间利用SVM建立一个二分类器，四种典型流型之间共建立6个二分类器，每个测试样本分别送入6个二分类器进行流型识别，采用投票法确定流型识别结果，从而实现单视觉气液两相流流型识别；

步骤5，基于多视觉信息融合技术的流型识别：采用D-S证据理论，对两个角度的单视觉流型识别结果进行决策层信息融合，得到最终多视觉流型识别结果。

3.根据权利要求2所述的流型识别方法，其特征在于所述的步骤2中的图像标定方法具体为：采用截面为25mm×25mm的正方形的有机玻璃长方体甘油槽，将管道浸没于甘油槽内，使管道中心位置与截面正方形的中心相重合，对于管道内物点P(x,y)，由该点发出的光线在液相与管壁界面发生第一次折射，在甘油槽槽壁与空气界面发生第二次折射，分析光路可知，由点P发出的两条相邻光线在第二次折射后的反向延长线的交点P'(x',y')即为点P对应的像点，从而确定点P处的校正系数α＝y/y'，获取校正系数之后，对气液两相流流动图像进行标定。

4.根据权利要求2所述的流型识别方法，其特征在于所述的步骤3中的图像特征提取方法具体为：

首先从所拍摄的图像中分割提取出管道部分，其次采用双边滤波去除图像噪声，然后将两相流流动图像与满管图像相减去除背景信息，采用Canny边缘检测算子检测气相和液相的边界信息，最后对气相进行填充获得二值图像，得到二值图像之后，计算二值图像的Hu矩，对于图像I(x,y)，其p+q阶几何矩定义为：

$m_{pq}=\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}{x}^p{y}^{q}I(x,y),p,q=0,1,2,...$

其p+q阶中心矩定义为：

$u_{pq}=\underset{x}{\&Sigma;}\underset{y}{\&Sigma;}{(x-\stackrel{\&OverBar;}{x})}^p{(y-\stackrel{\&OverBar;}{y})}^{q}I(x,y),p,q=0,1,2,...$

其中 $\stackrel{\&OverBar;}{x}=m_{10}/m_{00},\stackrel{\&OverBar;}{y}=m_{01}/m_{00};$

经归一化后对图像尺寸不变的p+q阶中心矩定义为：

${\mathrm{\&eta;}}_{pq}=u_{pq}/u_{00}^{\mathrm{\&gamma;}},p,q=0,1,2,...$

其中γ＝(p+q)/2+1；

对于图像I(x,y)，其前四阶Hu矩定义如下：

φ₁＝η₂₀+η₀₂

${\mathrm{\&phi;}}_2={({\mathrm{\&eta;}}_{20}-{\mathrm{\&eta;}}_{02})}^2+4{\mathrm{\&eta;}}_{11}^2$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

选取连续拍摄的设定张数图像构成的图像序列，对于N张图像构成的图像序列，第i阶Hu矩φ_i的均值M和标准差σ定义为：

$M\left({\mathrm{\&phi;}}_i\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\&Sigma;}}{\mathrm{\&phi;}}_{ij},i=1,2,3,4$

$\mathrm{\&sigma;}\left({\mathrm{\&phi;}}_i\right)=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}\left(M\right({\mathrm{\&phi;}}_i)-{\mathrm{\&phi;}}_{ij})},i=1,2,3,4$

采用图像序列前四阶Hu矩的均值和标准差构成流型识别特征向量：

X^T＝[M(φ₁),σ(φ₁),M(φ₂),σ(φ₂),M(φ₃),σ(φ₃),M(φ₄),σ(φ₄)]。

5.根据权利要求2所述的流型识别方法，其特征在于步骤5所述基于多视觉信息融合技术的流型识别方法具体为：采用测试错误率e作为每个二分类器的评价标准，测试错误率的定义为由交叉验证方法得到的错误分类样本数N_error与总训练样本数N的比值：

$e=\frac{N_{error}}{N}\&times;100\%$

单视觉流型识别模型对每种流型的基本概率赋值由下式确定：

$m\left(A_i\right)=\frac{1}{N}\underset{j=1}{\overset{6}{\&Sigma;}}(1-e_j)n_{ij}$

其中，m(A_i)表示对第i种流型的基本概率赋值，N为分类器的个数，对于四种流型其值为6，e_j为第j个分类器的测试错误率，n_ij为第j个分类器对第i种流型的投票数；

在得到每种分类器的基本概率赋值之后，按照D-S证据理论合成规则对不同角度的流型识别结果进行融合，假设两个角度单视觉流型识别模型对第i种流型的基本概率赋值分别为m₁(A_i)，m₂(A_i)，则根据D-S证据理论合成规则，第i种流型的组合概率赋值m(A_i)为

$m\left(A_i\right)=\frac{m_1\left(A_i\right)\&CenterDot;m_2\left(A_i\right)+m_1\left(A_i\right)\&CenterDot;\stackrel{\&OverBar;}{m_2}+m_2\left(A_i\right)\&CenterDot;\stackrel{\&OverBar;}{m_1}}{1-K}$

其中

$\stackrel{\&OverBar;}{m_1}=1-\underset{i=1}{\overset{4}{\&Sigma;}}{m}_1\left(A_i\right)$

$\stackrel{\&OverBar;}{m_2}=1-\underset{i=1}{\overset{4}{\&Sigma;}}{m}_2\left(A_i\right)$

$K=\underset{i\&NotEqual;j}{\&Sigma;}{m}_1\left(A_i\right)\&CenterDot;m_2\left(A_j\right),i,j=1,2,3,4$

最后，根据D-S证据理论组合决策规则进行流型的最终判定，选定阈值ε₁，ε₂，若对第i种流型有

$\left\{\begin{array}{c}m\left(A_i\right)-m(1-A_i)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_i\right)>m\left(U\right)\end{array}\right.$

则可以判定流型识别结果为第i种流型。