CN109858501A - 一种两相流流型特征提取方法 - Google Patents
一种两相流流型特征提取方法 Download PDFInfo
- Publication number
- CN109858501A CN109858501A CN201910124974.3A CN201910124974A CN109858501A CN 109858501 A CN109858501 A CN 109858501A CN 201910124974 A CN201910124974 A CN 201910124974A CN 109858501 A CN109858501 A CN 109858501A
- Authority
- CN
- China
- Prior art keywords
- phase flow
- image
- target
- background
- flow pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000000284 extract Substances 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 11
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000009835 boiling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000005272 metallurgy Methods 0.000 abstract description 3
- 238000003889 chemical engineering Methods 0.000 abstract description 2
- 238000007794 visualization technique Methods 0.000 abstract description 2
- 239000012071 phase Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000007791 liquid phase Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种两相流流型特征提取方法，属于冶金化工领域的流型识别领域，所述的方法首先采用现有的可视化技术，如高速摄像机获取两相流混合彩色图像，利用现有软件matlab中的高帽变换和图像滤波对彩色图像进行预处理，预处理后采用现有的Colorpix软件分别提取具有代表性的目标和背景的RGB的值，采用支持向量机算法（SVM）分割两相流图像中的目标和背景，把目标或背景提取出来，最后通过Matlab软件中的rgb2gray函数以及二值化阈值处理实现目标图像识别，更直接反映两相流分布。该方法更直接的获取两相流的时空分布图。该流型特征提取方法简单，运行时间短，提高了图像识别的精度，也避免了现有阈值方法选择的主观性。
Description
技术领域
本发明属于冶金化工领域的流型识别领域，更具体的说涉及一种两相流流型特征提取方法。
背景技术
随着多媒体技术和计算机网络的飞速发展，数字图像也大规模发展起来。面对无序分布的图像，传统的技术已经不能满足用户需求。基于静态图片的目标检测的难点主要在于图片中的目标会因光照、视角以及目标内部等变化而产生变化。针对目标检测的任务及其难点, 国内外学者进行了很多尝试。基于这些图像特征提取算法在解决静态图片时存在一些缺陷：检测准确率低；目标检测时间太长等。
两相流广泛存在于石油、化工、冶金、能源等部门，其应用的普遍性及重要性促使该领域工作的迅速发展，研究流型特征提取的方法日显重要。所谓流型特征提取方法，即通过采用一个数学矢量来表示图像内容，从而把高维的图像信息映射到一个低维的特征空间。在两相流领域中，研究学者发现气泡生成是一个非常复杂的过程，在高热流中探测可识别的气泡几乎是不可能的，而在Junwei Huang文章中采用高帽变换二值化方法对捕捉到的气泡的草图进行初步提取。
支持向量机（Support Vector Machine,SVM）是20世纪90年代形成的一种新的模式识别方法，它通过结构风险最小化准则和核函数方法，在解决小样本、非线性及高维模式识别中表现出很多特有的优势。本发明应用支持向量机方法提取两相流流型，具有较高的识别准确度，通过机器学习的方法避免了阈值选择的主观性。
发明内容
本发明应用支持向量机方法提取两相流流型的特征，并准确定位所需目标的特征。该流型特征提取的方法简单，运行时间短，提高了图像识别的精度，也避免了阈值方法选择的主观性。
为了实现上述目的，本发明是采用以下技术方案实现的：所述的两相流流型特征提取方法包括以下步骤：
步骤1.获取两相流彩色图像，特别是高热流情况下的沸腾气泡图像；
步骤2.将彩色图像转换为灰度图像，进行高帽变换和滤波去噪，增强图像对比度；
步骤3.提取两相流图像特征，然后训练SVM模型；
步骤4.初步提取两相流中目标图像；
步骤5.对所述初步提取两相流图像进行阈值化处理，实现最终提取两相流中目标图像。
优选的，所述的步骤3，采用ColorPix软件选取图像中目标和背景具有代表性的RGB值，提取两相流的特征，并建立目标和背景的像素数据库。
优选的，所述的步骤3，训练SVM模型包括以下步骤：
a.灰度化以及初始化参数：像素点的灰度值作为像素点的属性值，初始化参数，设定聚类个数，取n=2(即分为气泡和背景)；
b.对目标和背景像素点分类：通过隶属度函数uk(xi,yi) (k=1,2,…,c; i=1,2,…,n)对像素点进行分类，uJ(xi,yi)=max (u1(xi,yi), u2(xi,yi), …uc(xi,yi))，即第i个像素点(xi,yi)属于第J类，所述隶属度函数uk(xi,yi)为SVM参数。
本发明有益效果：
本发明应用支持向量机方法提取两相流流型的特征，并准确定位所需目标的特征。该流型特征提取的方法简单，运行时间短，提高了图像识别的精度，也避免了阈值方法选择的主观性。
附图说明
图1为直接接触换热器气液两相流原始图像；
图2为经过高帽变换后的图像；
图3为经过支持向量机SVM模式识别后的分割图像；
图4为二值化阈值后的最终图像。
具体实施方式
下面将结合本发明实施例和附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属本发明保护范围。
如图所示，本发明实施案例采用直接接触换热器图像。采用有机工质和导热油进行换热实验，在高热流下产生气泡RGB彩色图像（图1）并进行提取气泡特征值。具体包括两大部分：首先采用SVM初步分割气液图像，然后采用灰度取反，高帽变换及阈值化处理（图2更清晰看到大气泡轮廓及一些体积较小气泡的边缘）。其中SVM分割气液两相图像就是通过训练集训练好的SVM分类器将两相流分为前景和背景（即气泡和液相）两部分（图3可直观看到气泡分布以及气泡在两相流中的混合状态）。其中，训练集包括有ColorPix软件选取RGB值。最后采用二值化图像处理（图4）更加明确气泡特征，减小计算误差。
第一步，采用现有的可视化技术，如高速摄影机获取两相流混合RGB彩色图像，特别是高热流情况下的沸腾气泡图像；
第二步，运用现有Matlab软件和数字图像处理程序将RGB彩色图像转化为灰度图像并进行高帽变换和滤波去噪，以体现原始图像的灰度峰值，增强图像对比度；
第三步，通过选取图像中目标和背景具有代表性的RGB值，即分别提取两相流的特征，然后训练SVM模型；所述的提取具有代表性的RGB值采用ColorPix软件获得，并建立目标和背景的像素数据库
第四步，采用优化好的SVM分类器对待处理两相流图像进行分割，即初步提取两相流中目标图像；
第五步，利用Matlab软件中rgb2gray函数以及二值化函数对所述初步提取两相流图像进行阈值化处理，实现最终提取两相流中目标图像。
采用SVM初步分割气泡的具体操作过程为：首先，提取直接接触换热器两相流图像，接着采用Matlab软件进行图像特征提取，即气象和液相的特征，然后训练SVM模型。最后用SVM分类器对气液两相流图像进行分割。
采用SVM初步分割气液两相的具体操作过程为：
第一步，采用高速摄影机获取两相流混合RGB彩色图像；
第二步，将RGB彩色图像转化为灰度图像并进行高帽变换，以体现原始图像的灰度峰值；
第三步，通过选取具有代表性的RGB值，即分别提取气相和液相的特征，然后训练SVM模型；
第四步，采用优化好的SNM分类器对待处理两相流图像进行分割，即初步提取两相流中气泡；
第五步，对所述初步提取两相流图像进行阈值化处理，实现最终提取两相流中气泡。
更详细地，训练SVM模型包括以下步骤：
（1）灰度化以及初始化参数：像素点的灰度值作为像素点的属性值，初始化参数，设定聚类个数，取n=2(即分为气泡和背景)；
（2）对像素点分类：通过隶属度函数uk(xi,yi) (k=1,2,…,c; i=1,2,…,n)对像素点进行分类，uJ(xi,yi)=max (u1(xi,yi), u2(xi,yi), …uc(xi,yi))，即第i个像素点(xi,yi)属于第J类，所述隶属度函数uk(xi,yi)为SVM参数。
该方法特别适用于高热流情况下的气泡群图像，普遍适用于一般两相流图像。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种两相流流型特征提取方法，其特征在于：所述的两相流流型特征提取方法包括以下步骤：
步骤1.获取两相流彩色图像，特别是高热流情况下的沸腾气泡图像；
步骤2.将彩色图像转换为灰度图像，进行高帽变换和滤波去噪，增强图像对比度；
步骤3.提取两相流图像特征，然后训练SVM模型；
步骤4.初步提取两相流中目标图像；
步骤5.对所述初步提取两相流图像进行阈值化处理，实现最终提取两相流中目标图像。
2.根据权利要求1所述的一种两相流流型特征提取方法，其特征在于：所述的步骤3，采用ColorPix软件选取图像中目标和背景具有代表性的RGB值，提取两相流的特征，并建立目标和背景的像素数据库。
3.根据权利要求1所述的一种两相流流型特征提取方法，其特征在于：所述的步骤3，训练SVM模型包括以下步骤：
灰度化以及初始化参数：像素点的灰度值作为像素点的属性值，初始化参数，设定聚类个数，取n=2(即分为气泡和背景)；
对目标和背景像素点分类：通过隶属度函数uk(xi,yi) (k=1,2,…,c; i=1,2,…,n)对像素点进行分类，uJ(xi,yi)=max (u1(xi,yi), u2(xi,yi), …uc(xi,yi))，即第i个像素点(xi,yi)属于第J类，所述隶属度函数uk(xi,yi)为SVM参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910124974.3A CN109858501A (zh) | 2019-02-20 | 2019-02-20 | 一种两相流流型特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910124974.3A CN109858501A (zh) | 2019-02-20 | 2019-02-20 | 一种两相流流型特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858501A true CN109858501A (zh) | 2019-06-07 |
Family
ID=66898364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910124974.3A Pending CN109858501A (zh) | 2019-02-20 | 2019-02-20 | 一种两相流流型特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858501A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135526A (zh) * | 2019-06-12 | 2019-08-16 | 昆明理工大学 | 一种基于ect测量的底吹搅拌反应器及反应物浓度与分布测量方法 |
| CN110826570A (zh) * | 2019-10-25 | 2020-02-21 | 西安科技大学 | 一种ect两相流基于宽度学习的流型识别方法 |
| CN111415348A (zh) * | 2020-03-25 | 2020-07-14 | 中国计量大学 | 一种汽车制动管道内气泡特征的提取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
| CN106530283A (zh) * | 2016-10-20 | 2017-03-22 | 北京工业大学 | 一种基于svm的医疗图像血管识别方法 |
| CN107169953A (zh) * | 2017-04-07 | 2017-09-15 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
| CN109034269A (zh) * | 2018-08-22 | 2018-12-18 | 华北水利水电大学 | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 |
| CN109033954A (zh) * | 2018-06-15 | 2018-12-18 | 西安科技大学 | 一种基于机器视觉的空中手写识别系统及方法 |
| CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
-
2019
- 2019-02-20 CN CN201910124974.3A patent/CN109858501A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
| CN106530283A (zh) * | 2016-10-20 | 2017-03-22 | 北京工业大学 | 一种基于svm的医疗图像血管识别方法 |
| CN107169953A (zh) * | 2017-04-07 | 2017-09-15 | 西安电子科技大学 | 基于hog特征的桥梁混凝土表面裂缝检测方法 |
| CN109033954A (zh) * | 2018-06-15 | 2018-12-18 | 西安科技大学 | 一种基于机器视觉的空中手写识别系统及方法 |
| CN109034269A (zh) * | 2018-08-22 | 2018-12-18 | 华北水利水电大学 | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 |
| CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 安梦生: "基于SVM的字符验证码识别研究", 《淮阴师范学院学报（自然科学版）》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135526A (zh) * | 2019-06-12 | 2019-08-16 | 昆明理工大学 | 一种基于ect测量的底吹搅拌反应器及反应物浓度与分布测量方法 |
| CN110826570A (zh) * | 2019-10-25 | 2020-02-21 | 西安科技大学 | 一种ect两相流基于宽度学习的流型识别方法 |
| CN110826570B (zh) * | 2019-10-25 | 2022-09-27 | 西安科技大学 | 一种ect两相流基于宽度学习的流型识别方法 |
| CN111415348A (zh) * | 2020-03-25 | 2020-07-14 | 中国计量大学 | 一种汽车制动管道内气泡特征的提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thilagamani et al. | Gaussian and gabor filter approach for object segmentation | |
| CN111095296A (zh) | 使用机器学习对字符串进行分类 | |
| CN104331712B (zh) | 一种藻类细胞图像自动分类方法 | |
| CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
| CN106991386A (zh) | 一种基于深度残差网络的手势识别方法 | |
| Qi et al. | A review on industrial surface defect detection based on deep learning technology | |
| CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
| CN109858501A (zh) | 一种两相流流型特征提取方法 | |
| CN108846359A (zh) | 一种基于皮肤颜色区域分割和机器学习算法相融合的手势识别方法及其应用 | |
| CN109343920A (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
| Mahmood et al. | A Comparative study of a new hand recognition model based on line of features and other techniques | |
| CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
| CN103488415A (zh) | 基于纸介质的手书文字和图形识别系统及识别方法 | |
| Dey et al. | A two-stage CNN-based hand-drawn electrical and electronic circuit component recognition system | |
| Maring et al. | Recognition of cheising iyek/eeyek-manipuri digits using support vector machines | |
| Santosh | Complex and composite graphical symbol recognition and retrieval: a quick review | |
| Shao et al. | InMAS: Deep learning for designing intelligent making system | |
| CN102968618A (zh) | 一种融合BoF模型和谱聚类算法的静态手势识别方法 | |
| Zhang et al. | Component segmentation of engineering drawings using Graph Convolutional Networks | |
| Delaye et al. | Learning of fuzzy spatial relations between handwritten patterns | |
| Elyan et al. | Symbols in engineering drawings (SIED): an imbalanced dataset benchmarked by convolutional neural networks | |
| Amraee et al. | Handwritten logic circuits analysis using the Yolo network and a new boundary tracking algorithm | |
| Kara et al. | A sketch-based tool for analyzing vibratory mechanical systems | |
| Zhang et al. | A machine vision-based character recognition system for suspension insulator iron caps | |
| Wang et al. | Multi-scale convolutional features network for semantic segmentation in indoor scenes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |