CN109685117B - 一种气液固三相体系中流动参数的图像测量方法 - Google Patents

Abstract

本发明公开了一种气液固三相体系中流动参数的图像测量方法，包括图像采集、图像预处理、人工神经网络建模、相含率参数提取等步骤，通过本方法可以得到气相面积、液相面积、液相分率、气相分率等流动参数。进一步的，所述的图像测量方法处理同一实验条件下不同时刻的图像，获得所述流动参数随时间变化的数据；通过统计分析，可以识别涓流、脉冲流、鼓泡流等典型流型。本发明可以解决现有图像识别技术的不足，突破以图像提取定量气液流动参数的限制，进而提高气液流型的识别准确性。

Description

一种气液固三相体系中流动参数的图像测量方法

技术领域

本发明涉及一种用于气液固三相体系中流动参数的图像测量方法。

背景技术

流型是气液固三相体系的重要流动参数。多相体系中流型的检测方法主要有压差法、摄像法、层析成像、超声成像等。CN106323361A采用高速摄像法测量气液两相流流型，可有效识别气液两相流的各相含量、速度和流量，但是不适用气液固三相体系。CN107402116A利用钝体尾迹的压差信号识别气液两相流型，在处理压差信号时加入白噪声，通过时频熵结合气液两相流的特征参数构建流型图。CN107101681A采用摄像法通过相分割和图像处理识别气液两相流型，其中拍摄区域要求使用高透光玻璃，同时对影响图像灰度的流体物性有要求。CN106323325A使用电阻层析成像法测量气液两相流的各相含量、速度、流量和流型，具有可视化、非接触等特点。CN104155362A在流体中加入示踪粒子，使用超声成像技术测量气液两相流流型。CN105806780A通过两个相互垂直的角度同时获取图像数据，进行了光学畸变校正后提取特征向量，建立相含率和流型的测量模型，解决了单视觉流型信息不足的问题。

综上可知，图像法是气液流型识别的最直观的方法，但是大多针对气液两相流，对气液固三相体系的适用性差，通常需要加入灰度差异大、高浓度的示踪液体才能得到流型信息。因此，发明一种适用于气液固三相体系流动参数的图像测量方法，具有非常重要的意义。

发明内容

本发明克服现有技术的不足，提供了一种适用性强的提取气液固三相体系的气相含率、液含率、气液比等流动参数的图像测量方法，具有定量分析、数据可靠、操作方便，并且能够对气液固三相体系的气液流型实现准确识别的特点。

本发明克服现有技术的不足，提供了一种气液固三相体系中流动参数的图像测量方法，使用以高速相机为核心的图像采集系统获取流型图像数据，传输到计算机经过图像重建后提取特征参数，利用人工神经网络建立图像识别模型，然后处理原始图像得到流动参数随时间变化的信号，最后通过统计分析识别流型。

本发明提供的一种气液固三相体系流动参数的图像测量方法，具体技术步骤如下：

步骤1，通过高速相机采集不同气速、液速、固体流动速率下气液固三相体系中不同位置的原始图像数据；

步骤2，选取一部分原始图像作为样本图像，对其进行分步处理，包括分割、阈值化、二值化、裁剪等步骤，获取标记图像，得到包括原始图像和标记图像的样本训练集；

步骤3，建立人工神经网络，输入样本训练集进行训练学习，建立气液相面积的图像识别模型；

步骤4，利用所建立的图像识别模型处理原始图像数据，得到识别结果图像，获取其中气相面积、液相面积、液相分率、气相分率、气液比的流动参数。

进一步的，所述步骤1中的原始图像可以从各种气液固体系中得到，气液固三相体系中的固体相在床层中可以是规则排布或正三角形排布或自然堆积排布等方式，颗粒可以为球形或圆柱或其它形状。其中的实验装置可以为圆管、矩形床、二维床等，其中矩形床和二维床的平面区域能得到更好的图像效果，图像可为床层的整体或局部区域图像，优选在稳定段的气液流型区域获取图像。

进一步的，所述步骤1中的原始图像由高速相机得到，矩形图像的像素一般较大，如2048×2048，可根据实际需求对图像进行缩放为512×512、256×256等像素大小后进行处理，提高图像识别系统的训练和计算效率。

进一步的，所述步骤2的具体步骤为：

步骤2-1：选取一部分原始图像，分割出气相或液相区域，得到分割图像；

步骤2-2：对步骤2-1中的分割图像经过线性灰度变换处理得到灰度图像；

步骤2-3；将步骤2-2中的灰度图像运用最大方差阈值法进行阈值化处理，得到二值化的标记图像；

步骤2-4：将步骤2-3中的标记图像进行矩阵裁剪分割为4等分、9等分或16等分的矩形图像；

步骤2-5：将原始图像与标记图像进行相同的裁剪分割，得到样本训练集。

进一步的，所述步骤3的具体步骤为：

步骤3-1：人工神经网络包括多层感知器、卷积神经网络、递归神经网络和其他神经网络，选择适用于图像数据预测问题的卷积神经网络，在Matlab中设计并构架神经网络，主要包括但不限于输入层、卷积层、激活层、池化层、全连接层、输出层等；

步骤3-2：根据实际需求初步设置神经网络的学习率、训练轮数、批尺寸，采用梯度下降法和反向传导法进行层与层的更新，完成神经网络构建，可通过设置较大的批尺寸或增加迭代次数提高学习准确率；

步骤3-3：将样本训练集输入神经网络进行学习训练，计算方差代价函数，根据准确率和代价损失进行神经网络的优化、更改或重新训练，其中采用的不同等分样本训练集根据图像背景的复杂程度来确定，复杂背景的图像样本训练集优选4等分裁剪。

步骤3-4：取另一部分原始图像作为测试集输入网络进行测试，将该部分原始图像对应的标记图像结果为基准，计算每张图像从神经网络模型得到的输出结果的偏差，平均得到系统偏差

步骤3-4：若系统偏差满足设计要求，即可得到用于识别图像中流动参数的人工神经网络，进而建立图像识别模型。

进一步的，所述步骤3中的样本训练集必须包括实验中不同流型状态下典型的气液分布图像，才能满足图像的识别处理。所述的样本训练集中的图像均为位深度和像素相同的灰度图像，图像样本个数不应小于200，其中的系统偏差可通过增加训练的样本数目来降低。

进一步的，基于所述图像测量方法的气液流型识别方法，其特征在于利用所述图像测量方法处理处理同一实验条件下不同时刻的图像数据，获得所述流动参数随时间变化的数据，如气含率或液含率随时间的变化曲线。随后对所述的流动参数随时间的变化信号进行分析，求取平均值、方差、极差、标准差、功率谱、概率密度分布及其峰面积和半峰宽。

进一步的，根据所述流动参数的平均值、方差、极差、标准差、功率谱、概率密度分布及其峰面积和半峰宽的统计参数随操作条件的变化曲线识别气液流型。识别气液流型具体为：在气相连续涓流区，所述统计参数随液速的增大无明显波动；在气相半连续涓流区，所述统计参数随液速的增大而增大；在脉冲区中，所述统计参数随液速的增大呈相对稳定的波动。

进一步的，对所述流动参数随时间的变化信号进行分析还包括对流动参数随时间的变化信号进行滤波处理的步骤；所述信号滤波方法包括经验模态分解、小波分解、小波包分解。其中的经验模态分解方法是基于信号的包络差进行信号的分解，对分解后的信号进行统计分析，一般分解一次后就能够得到较为明显的区分效果，且符合原始的信号波动趋势。

本发明提出了一种基于高速摄像和人工神经网络识别图像的气液固三相体系中流动参数测量方法，通过在人工神经网络中对分割处理的图像训练集进行训练建模，可以解决现有图像分割技术的不足，突破以图像提取定量气液流动参数的限制，进而提高气液流型的识别准确性。

本发明提出的一种气液固三相体系中流动参数的图像测量方法，包括图像采集、图像预处理、人工神经网络建模、相含率参数提取等步骤。通过在人工神经网络中对分割处理的图像集进行训练建模，可以解决现有图像分割技术的不足，突破以图像提取定量气液流动参数的限制，获得气含率、液含率、气相面积、液相面积及其随时间变化的信号等；通过对气含率或液含率的时间序列信号的统计分析，可以识别涓流、脉冲流、鼓泡流等典型流型。

附图说明

图1是本发明提出的气液流动参数测量方法的总流程图。

图2是示例涓流床中气液固三相体系下气液流动的原始图像、灰度图像、分割图像、二值化图像、识别图像。

图3是示例涓流床中不同液体流量下的液含率原始信号。

图4是示例涓流床中不同液体流量下的液含率和气液比均值。

图5是示例涓流床中不同液体流量下的液含率波动标准差和极差。

图6是示例涓流床中不同液体流量下的液含率功率谱图。

图7是示例涓流床中不同液体流量下的液含率概率密度分布。

图8是示例涓流床中不同液体流量下的液含率概率密度分布的峰面积和半峰宽。

图9是示例涓流床中得到的液含率信号的经验模态分解结果。

图10是示例涓流床中不同液体流量下的液含率经过经验模态分解一次后，分解信号的概率密度分布。

图11是示例涓流床中不同液体流量下的液含率经过经验模态分解一次后，分解信号概率密度分布的峰面积和半峰宽。

图12是示例涓流床中不同气速下的液含率原始信号。

图13是示例涓流床中不同气速下的液含率和气液比均值。

图14是示例涓流床中不同气速下的液含率波动标准差和极差。

图15是示例涓流床中气相连续或半连续涓流、脉冲流和鼓泡流的4种局部气液分布图。

注：附图2图例中A为原始图像，B为灰度图像，C为分割图像，D为二值化图像，E为识别图像(其中灰色是液相区域)。附图15中A为气相连续涓流图像，B为气相半连续涓流图像，C为脉冲流图像，D为鼓泡流图像。

具体实施方式

下面结合附图，以在涓流床中涓流和脉冲流的区分为例，对本发明提出的图像测量方法进行说明。

如图1所示，本发明的总体步骤如下：

本发明涉及的一种用于气液固三相体系中流动参数的图像测量方法，基于包括实验装置、高速摄像机、光源、反射镜、控制计算机、图像采集和重建系统、的实验装置，采用以图像识别模型为核心的图像处理方法，提取图像中的流动参数，进而识别气液流型的差异。

技术方法如图1所示，首先是图像采集，将实验装置、高速相机、光源和反射镜固定，然后在相同的光线等实验条件下，获取不同气液条件下的流动图像，通过图像采集系统，传输到控制计算机；其次是图像预处理，即选择一部分原始图像作为样本图像，经过分割气液相区域、灰度变换、最大方差阈值处理、矩阵裁剪分割后，得到标记图像，并与样本图像合并为样本训练集；然后是人工神经网络的选择和建模，设计并构建一个十层的卷积神经网络，采用梯度下降法和反向传导法完成网络构建，输入样本训练集进行训练和优化，通过比较输出值和实际值的系统偏差，选择偏差最小的卷积神经网络作为最终识别模型，进而以此为核心建立图像识别模型。最后是相含率等流动参数的提取，利用图像识别模型直接获取同一实验条件下不同时刻的图像数据中的气含率或液含率随时间的变化曲线，并求取平均气含率或平均液含率，气含率或液含率变化曲线的方差、极差、标准差、功率谱、概率密度分布及其峰面积和半峰宽，来识别不同的气液流型。随后利用经验模态分解对原始信号进一步分解处理，分解后信号进行统计分析，进而更清晰准确的识别气液流型。

以目前运用广泛的涓流床中气液流型的识别为例，所述图像测量方法对涓流床中涓流、脉冲流和鼓泡流识别的具体实施方式如下：

作为模型建立的实施例，图2中的原始图像是基于涓流床的局部气液分布原始图像，实验装置为矩形床，实验体系为较为普遍的空气-水-颗粒体系，球形颗粒在床层中以自然堆积的方式存在高速摄像区域选择床层中下部的流型发展稳定段，拍摄区域大小为20×20mm的矩形区域，图像大小为2048×2048。

作为模型建立的实施例，训练样本集中样本图像数量为350张，是基于涓流床中涓流、脉冲流、喷雾流、鼓泡流4种经典流型的气液原始图像。经过图像处理，主要包括基于图2中的原始图像A，分割气液边界，识别处理将气相区域以白色表示，得到分割图像B，随后灰度变换后得到灰度图像C，经过最大方差阈值法处理得到二值化图像D，然后将处理后的二值化图像进行4等分裁剪分割处理，形成1400张的样本训练集。输入构建的神经网络进行训练并调整优化网络，取另一部分原始图像作为测试集输入网络进行测试，得到的系统偏差为4.9％，满足实验装置中流动参数检测的需求，最终图2中原始图像A经过图像处理系统处理后得到识别结果图像E。

作为气液流型识别实施例1，涓流床中涓流和脉冲流的识别。选取气速为0.069m·s^-1时，不同液体流量下30s内的液含率信号进行分析比较，液体流量范围为0～22.22kg·m^-2·s^-1，是能够目测观察到涓流向脉冲流转变的液体范围。实验得到的气液原始图像的像素大小为2048×2048，结合实验要求和计算效率，将原始图像压缩至512×512大小后利用图像识别模型进行识别，输出图像中的液含率数值信号。

得到的不同液体流量下的液含率信号如图3所示，可以看出，随着液速的逐渐增大，30s内的液含率波动逐渐加剧，这与拍摄过程中观察到的现象一致。对30s的液含率求均值和标准差，分别如图4和图5所示，发现液含率均值、标准差等统计参数均在液体流量为0～5.56kg·m^-2·s^-1时无明显波动、液体流量为5.56～16.48kg·m^-2·s^-1时急速增大、液体流量为16.48～22.22kg·m^-2·s^-1时达到稳定，因此可将液体流量范围分为三个区域，对应目测法得到的气相连续涓流区、气相半连续涓流区和脉冲区划分。

对液含率的原始信号求其功率谱和概率密度分布及其峰面积等，对应图6、图7和图8，发现存在一定的区域划分，但液体流量范围区分度不够明显，因此需要对液含率的原始信号进一步除杂。故在此采用基于包络差的经验模态分解法，图9是举例对1组液含率的原始信号进行多次滤波分解过程，发现经过一次滤波后效果最为显著，即信号出现规律性的波动且与原始信号的波动差异较小。图10和图11是涓流床中不同液体流量下液含率原始信号分解一次后的概率密度分布和峰面积及半峰宽，发现此时涓流区和脉冲区的信号区分明显，即在涓流区中随着液速的增大，分布曲线逐渐变宽至稳定，同时在气相连续涓流区呈单峰，在气相半连续涓流区呈双峰，达到脉冲区后的分布曲线呈稳定双峰，峰面积和半峰宽反映出原始液含率标准差相同的分区。

作为气液流型识别实施例2，涓流床中涓流和脉冲流的识别。选取气速为0.139m·s^-1时，不同液体流量下30s内的液含率信号进行分析比较，液体流量范围为0～22.22kg·m^-2·s^-1，是能够目测观察到涓流向脉冲流转变的液体范围。通过图像识别模型得到液含率随时间的变化曲线，然后进行分析处理得到统计参数。涓流向脉冲转变对应液含率均值、标准差等统计参数的变化相同，但流型区域的界限发生转移，即在液体流量为0～5.56kg·m^-2·s^-1时处于气相连续涓流区；液体流量为5.56～11.11kg·m^-2·s^-1时处于气相半连续涓流区、液体流量为11.11～22.22kg·m^-2·s^-1时处于脉冲区。

作为气液流型识别实施例3，涓流床中鼓泡流和脉冲流的识别。选取液体质量流量为34.73kg·m^-2·s^-1时，不同液体流量下30s内的气含率信号进行分析比较，气速范围为0～0.069m·s^-1，是能够目测观察到鼓泡流向脉冲流转变的液体范围。同样利用图像识别模型得到气含率信号。得到的不同液体流量下的气含率信号如图12所示，可以看出，随着气速的逐渐增大，30s内的气含率波动逐渐降低，同时鼓泡区中气含率出现明显的波动峰，这与拍摄过程中观察到的现象一致，这是鼓泡流向脉冲流转变的结果。对30s的气含率求均值和标准差，分别如图13和图14所示，发现气含率均值、标准差等统计参数均在气速为0～0.049m·s^-1时增长(或降低)较快、气速为0.049～0.069m·s^-1时增长(或降低)较慢，因此可将液体流量范围分为两个区域，对应目测法得到的鼓泡区和脉冲区划分。

作为气液流型识别实施例4，涓流床中鼓泡流和脉冲流的识别。选取液体质量流量为30.58kg·m^-2·s^-1时，不同液体流量下30s内的气含率信号进行分析比较，气速范围为0～0.069m·s^-1，是能够目测观察到鼓泡流向脉冲流转变的液体范围。通过图像识别模型得到液含率随时间的变化曲线，然后进行分析处理得到统计参数。鼓泡流向脉冲流转变对应气含率均值、标准差等统计参数的变化相同，但流型区域的界限发生转移，即在气速为0～0.035m·s^-1时处于鼓泡区；气速为0.035～0.069m·s^-1时处于脉冲区。

作为流行识别实施例，图15是气相连续涓流、气相半连续涓流、脉冲流和鼓泡流的典型原始图像，发现气相连续涓流的图像气液相通道相对独立，气液分布稳定；气相半连续涓流的图像中气相通道逐渐被液相占据，气液波动产生；脉冲流的图像中气相则分布在液相中，气液运动剧烈，相界面不明显；鼓泡流中颗粒间通道完全被液相占据，气相主要以气泡的形式分散在液相中。

通过几种处理方法均能区分涓流向脉冲流的转变和鼓泡流向脉冲流的转变，同时与原始图像相对应，即通过此发明中所描述的气液固三相体系流动参数的图像测量方法可以准确有效的划分涓流床中的涓流和脉冲流的气液流型，且能够识别出目前定量检测手段所识别不清晰准确的气相连续和气相半连续的涓流区。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.一种气液固三相体系流动参数的图像测量方法，其特征在于，步骤如下：

步骤1，图像采集，获取不同气液固操作条件下气液固三相体系不同位置的原始图像数据；

步骤2，图像预处理，对原始图像进行处理获取标记图像，得到包括原始图像和标记图像的样本训练集；

步骤3，图像建模，将样本训练集输入人工神经网络进行训练，建立气液相面积的识别模型；

步骤4，参数提取，利用所建立的识别模型处理待测量的原始图像，得到识别图像，获取其中气相面积、液相面积、液相分率、气相分率、气液比的流动参数，对同一实验条件下不同时刻的图像处理后得到所述流动参数随时间变化的数据；

步骤5，数据分析，对所述的流动参数随时间变化的数据进行分析，求取平均值、方差、极差、标准差、功率谱、概率密度分布及其峰面积，或者对信号数据进行滤波处理；所述的滤波处理方法为经验模态分解、小波分解、小波包分解；

步骤6，根据所述流动参数的均值、方差、极差、标准差、功率谱、概率密度分布及其峰面积和半峰宽随操作条件的变化曲线定量识别气液流型。

2.根据权利要求1所述的气液固三相体系流动参数的图像测量方法，其特征在于，所述的步骤2的具体步骤为：

步骤2-1：选取一部分原始图像作为样本图像，分割出气相或液相区域，得到分割图像；

步骤2-2：对步骤2-1中的分割图像经过灰度变换处理得到灰度图像；

步骤2-3；将步骤2-2中灰度图像运用阈值法进行处理，得到二值化的标记图像；

步骤2-4：将步骤2-3中的标记图像进行矩阵裁剪分割为4等分、9等分或16等分的矩形图像；

步骤2-5：将原始图像与标记图像进行相同的裁剪分割，得到样本训练集。

3.根据权利要求2所述的气液固三相体系流动参数的图像测量方法，其特征在于，所述的步骤3的具体步骤为：

步骤3-1：选择适用于图像数据预测问题的全卷积神经网络，在Matlab中设计并构架神经网络；

步骤3-2：根据实际需求初步设置神经网络的学习率、训练轮数、批尺寸，采用梯度下降法和反向传导法进行神经网络的层与层的更新，完成神经网络构建；

步骤3-3：输入样本训练集进行学习训练，计算方差代价函数，根据准确率和代价损失进行神经网络的优化、更改或重新训练；

步骤3-4：取另一部分原始图像作为测试集输入网络进行测试，将得到的神经网络模型输出结果与该部分原始图像对应的标记图像进行比较，得到系统偏差；

步骤3-5：若系统偏差满足设计要求，即可得到用于识别图像中流动参数的人工神经网络，进而建立图像识别模型。

4.根据权利要求1-3任一项所述的气液固三相体系流动参数的图像测量方法，其特征在于，所述的样本训练集中的图像样本个数不应小于200，所述的样本训练集中的图像为具有相同位深度和像素的灰度图像。

5.根据权利要求1所述的气液固三相体系流动参数的图像测量方法，其特征在于，所述的步骤6中的识别气液流型具体为：

在气相连续涓流区，统计参数随液速的增大无明显波动；在气相半连续涓流区，统计参数随液速的增大而增大；在脉冲区中，统计参数随液速的增大呈相对稳定的波动；所述的统计参数为流动参数的均值、方差、极差、标准差、功率谱、概率密度分布及其峰面积和半峰宽。

Images