CN111553085A - 一种基于hog+svm的流场气泡图像压力识别算法 - Google Patents

Abstract

本发明提供一种基于HOG+SVM的流场气泡图像压力识别算法，包括：读取高精度数值模拟出结果的气泡压力图像，而后进行灰度处理与数据增强，构建气泡压力图像数据集；对输入的图像进行颜色空间的标准化，而后对图像进行校正；计算图像的每个像素的梯度，获得图像的轮廓信息；将图像划分成多个小的细胞单元；统计每个细胞单元的梯度直方图，形成每个细胞单元的描述符；将每几个细胞单元组成一个区块，一个区块内所有细胞单元的特征描述符串联起来，得到该区块的HOG特征描述符，而后将图像内的所有区块的HOG特征描述符串联起来，得到该图像的HOG特征向量；将HOG特征向量送入到SVM进行训练，得到SVM模型；将实验拍摄的气泡图像送入到SVM模型中预测，得到脉动压力。

Description

一种基于HOG+SVM的流场气泡图像压力识别算法

技术领域

本发明涉及一种压力识别算法，具体涉及一种基于HOG+SVM的流场气泡图像压力识别算法。

背景技术

气体和液体混合在一起的共同流动被称为气液两相流，气液两相流广泛存在于自然界中，如空气中的雨雾、水中产生的鼓泡流动等。同时，气液接触设备大量应用于化工、石油、动力、冶金、食品等过程工业中，如流化床、水轮机、核反应堆、油气输送管路等等，社会经济发展及人民生活水平的改善所需要的聚醋纤维、橡胶、味精等许多产品仍主要来自于大型的气液反应器装置。气液两相流的流体力学行为研究己经成为多相流体力学研究的重要部分，也是实现气液两相反应器的科学设计和放大的关键之一。

与一般流体力学研究相似，气液两相流的研究方法主要包括理论分析、实验测量和数值计算兰种。理论分析方法往往结合实验测量和数值模拟方法中的一种或两种同时运用，目前存在微观和宏观两种研究思路。微观分析方法指的是从分子运动学理论出发，通过Boltzman方程和统计平均等理论研究多相流的流动问题，该方法能获得更多更基础的认识，然而当前在计算方法和机理认识等方面仍存在诸多困难，阻碍了该方法在实际流动情况中的应用。宏观分析法的基础建立在连续介质假设上，认为流体可近似地看作连续地无空隙地充满着＂质点＂，质点所具有的宏观物理量(如质量、速度、压力、温度等)满足该遵循的物理定律，从而对流体的研究过程进行了极大的简化。实验测量方面，研究者多年来开发出多种多样的设备对流体的流变特性、压力(压强)、速度、温度、传质特性等相关量进行实际测定，由于当前许多多相流动的现象、规律和内在原理仍未明确，许多工业设计和优化过程依然依靠大量观测得到的经验结果，因此实验测量的方法在多相流领域仍然属于无可替代的位置。数值计算是随着近几十年来计算机的发展而兴起的一种研究方法，流体力学研究中的计算流体为学(CFD)方法是以计算机为工具，优点是成本低，周期短，不需要较多的空间和时间进行实验设备搭建，能计算常规理论研究方法无法解决的复杂流动问题，同时可以模拟很多在实验室难进行的实验。

目前，人们已经开发出多种气液两相流的实验测量方法，根据测试设备是否侵入流场可分为接触式和非接触式两大类，根据测量得到的流场信息个数可分为单点测试技术和多点测试技术两大类。接触式测量方法有探针法、热膜风速仪、超声波技术、毕托管；非接触测量方法有摄像法、粒子成像测速技术(PIV)、激光多普勒、荧光可视化技术等。其中摄像法是应用最广泛的研究气液两相流体力学的方法之一，特别是高速摄像法结合了相机的高速成像和计算机的高速存储技术，能够捕捉气泡在不同瞬间的位置、形状等信息，对三维和二维系统均适用，结合图像处理方法可得到气泡的发生频率、上升速度和尺寸分布等相关重要信息。实验测量和数值计算两种研究方法各有优点，适合互相对比参照，计算流体力学方法能够对实验方法进行合理的补充，甚至在一定程度上对实验方法进行取代，而实验方法得到的结果有利于进一步优化计算流体力学的相关方法。

气泡对环境压力变化的响应一直是科学研究的热点。气泡在液体中的运动过程是一个非线性、复杂、不稳定的动力过程，其形态必然与周围压力场的变化息息相关。微气泡流动跟随性好、存在时间长、花费代价小且不影响流场流动特性。然而在大部分微气泡流场显示技术中，往往只关注该种微米量级气泡的运动轨迹，而忽略其形态变化。如果能将微气泡的准稳态响应特性与其周围脉动压力相结合，则必然能通过微气泡形态变化揭示其周围脉动压力。在实际应用场景中，工业摄像机采集到的图像往往包含大量的无关背景内容，目标检测包括目标识别与定位两个任务，传统的方法通常是人工提取特征来对目标进行检测，对于每一类的目标都需要人工设计特征，显然不能满足种类繁多的检测任务的要求。目前没有相关的图像算法可以用于确定气泡形态和脉动压力之间的定量关系，发展一种高效的且适用于微气泡形态变化测量的图像处理装置是十分必要的。

此外，球栅阵列封装(BallGridArray,BGA)技术已经广泛应用于印刷电路板(PrintedCircuitBoard,PCB)的生产当中。在BGA封装过程中，不可避免地出现各种各样的缺陷，气泡缺陷便是其中一种，现有技术如下：

1.申请号为201810189754.4的一种基于深度学习的BGA气泡缺陷图像检测方法，能够有效提高检测效率，包括如下步骤：步骤1：筛选出有气泡缺陷的BGA图像，并对图像进行标定，获得标签图像集；步骤2：建立全卷积网络，利用步骤1获得的标签图像集训练全卷积网络，训练获得全卷积网络模型；步骤3：将待检测的BGA图像输入至步骤2获得的全卷积网络模型进行检测，输出图像分类结果。

2.申请号为201310529870.3的一种微气泡尺寸在线测量装置及方法，可应用于多相流中微气泡尺寸在线测量。测量装置由摄像头，显微镜，微气泡采样装置，光源系统，微型计算机和分析软件组成。该装置采用倾斜观测的成像质量，结合域值分割和形状因子识别气泡，保证微气泡图像快速处理。

3.申请号为201910948420.5的发明专利对流水线上的液瓶采用水平放置检测，工业相机拍照获得图像模块，对采集到的图像进行中值滤波去噪，筛选出可疑图像帧，进行统一编码并发送至两级分类模块。两级分类模块对发送图像进行异常检测以及第二级的异常目标检测。异常检测对特定目标进行初筛选，第二级异常目标检测通过卷积神经网络对预先采集的实际样本训练对液瓶中的异物或气泡进行检测得到报警信息，对当前异物目标进行辨别。其中两级分类模块包括第一级神经网络和第二级神经网络，第一级神经网络由一个神经网络模型组成选用RCNN,FastR-CNN,FasterR-CNN,FPN,YOLOv1,YOLO V2,ssd或RetinaNet；第二级神经网络使用卷积神经网络模型。

综上，传统测量都是利用实验测试的图像结果建立样本库，但对于微气泡来说，如果直接采用高速摄像拍摄结果建立深度学习样本库，其耗时耗力，且所测工况有限。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于HOG+SVM的流场气泡图像压力识别算法。

本发明提供了一种基于HOG+SVM的流场气泡图像压力识别算法，具有这样的特征，包括如下步骤：步骤1，读取高精度数值模拟出结果的气泡压力图像，而后进行灰度处理与数据增强，构建气泡压力图像数据集；步骤2，对输入的气泡压力图像数据集的图像进行颜色空间的标准化即归一化，而后使用γ校正法对图像进行校正，公式如下：f(x，y)＝f₁(x，y)^γ(1)，式(1)中，f为数字图像，f₁(x,y)为点(x,y)在目标图像即目标气泡压力图像γ校正前的灰度值，f(x,y)为点(x,y)在目标图像即目标气泡压力图像γ校正后的灰度值，且γ值越大代表图像的灰度级越高；步骤3，计算图像的每个像素的梯度，该梯度包括大小和方向，主从而获得图像的轮廓信息；步骤4，根据图像的轮廓信息将图像划分成多个小的连通区域，该连通区域叫做细胞单元即cell，且细胞单元为84*84像素的细胞单元；步骤5，统计每个细胞单元的梯度直方图即不同梯度的个数，即形成每个细胞单元的描述符即descriptor；步骤6，将每几个细胞单元组成一个21*21像素的区块即block，一个区块内所有细胞单元的特征描述符串联起来，得到该区块的HOG特征的描述符，而后将图像内的所有区块的HOG特征的描述符串联起来，得到该图像的HOG特征向量；步骤7，将HOG特征向量送入到SVM进行训练，得到SVM模型；步骤8，将实验拍摄的气泡图像送入到训练好的SVM模型中，进行预测，得到预测结果即脉动压力。

在本发明提供的基于HOG+SVM的流场气泡图像压力识别算法中，还可以具有这样的特征：其中，步骤1中的高精度数值模拟采用大涡模拟LES或分离涡模拟DES。

在本发明提供的基于HOG+SVM的流场气泡图像压力识别算法中，还可以具有这样的特征：其中，步骤1中的数据增强具体操作如下：将图片进行镜面翻转，分别在90度、180度、270度的角度下进行翻转，增加样本量。

在本发明提供的基于HOG+SVM的流场气泡图像压力识别算法中，还可以具有这样的特征：其中，步骤1中的气泡压力图像的拍摄与输入采用高速摄像机结合显微镜。

在本发明提供的基于HOG+SVM的流场气泡图像压力识别算法中，还可以具有这样的特征：其中，步骤2中的归一化采用Gamma校正法。

发明的作用与效果

根据本发明所涉及的基于HOG+SVM的流场气泡图像压力识别算法，结合大涡模拟和HOG图像特征提取的高精度、高灵敏度、造价低且操作简单的空间脉动压力测量新装置：首先利用高精度数值模拟仿真微气泡在空间脉动压力下的动态特性，其仿真结果为特征提取提供样本；其次，采用高速摄像机拍摄脉动压力作用下的微气泡图像，以获取微气泡形变信息；接着，利用HOG方法对大涡模拟图像进行特征提取然后送入SVM进行特征向量分类；最后对高速摄像机所拍图像进行智能判别，获得重构模型，进而得到空间脉动压力。

综上，本实施例区别于传统深度学习方法，采用高精度数值模拟建立学习样本库，利用高精度数值模拟得到精确的气泡形变和周围脉动压力的耦合信息，并且能方便地提供多工况下的仿真结果。另外，利用高精度数值模拟不同工况下三维湍流场中单个气泡的力学特性及其与周围压力变化的关系，所得的仿真图像可为深度学习提供足够的样本。

附图说明

图1是本发明的实施例中基于HOG+SVM的流场气泡图像压力识别算法的流程框图；

图2是本发明的实施例中气泡压力图像的灰度处理示意图；

图3是本发明的实施例中HOG工作流程示意图；

图4是本发明的实施例中基于HOG+SVM的流场气泡图像压力识别算法的运行系统图。

具体实施方式

为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。

实施例：

图1是本发明的实施例中基于HOG+SVM的流场气泡图像压力识别算法的流程框图，图2是本发明的实施例中气泡压力图像的灰度处理示意图。

基于氢气泡能作为压力传感器的特性、高精度数值模拟的精确性和HOG图像处理的高效性等考量，如图1所示，本实施例提供了一种基于HOG+SVM的流场气泡图像压力识别算法，包括如下步骤：

步骤1，读取高精度数值模拟出结果的气泡压力图像，而后进行灰度处理与数据增强，如图2所示，构建气泡压力图像数据集。

高精度数值模拟可以采用大涡模拟LES或分离涡模拟DES，本实施例中采用大涡模拟LES。

高精度数值结果主要用来为后续深度学习提供图像样本库。对于微气泡高精度数值模拟，为简化模型常忽略微气泡的变形，即微气泡在运动过程中假设其大小不变，微气泡表面张力是均匀的，并且忽略微气泡的湍动作用，同时认为湍流是连续性相的，湍流为各向同性的，湍流扩散和输运也是各向同性的。为了提高微气泡的模拟精度，本项目将微气泡的形变及其湍动作用作为修正量引入到高精度数值模型中，以系数或者修正项的形式体现，以期找到一个能捕捉两相界面的基于高精度数值模拟的改进亚格子模型，从而提高微气泡模拟的精度。

本实施例中，数据增强具体操作如下：将图片进行镜面翻转，分别在90度、180度、270度的角度下进行翻转，增加样本量。

本实施例中，气泡压力图像的拍摄与输入采用高速摄像机结合显微镜以及计算机。

步骤2，对输入的气泡压力图像数据集的图像进行颜色空间的标准化即归一化，而后使用γ校正法对图像进行校正，公式如下：

f(x，y)＝f1(x，y)^γ (1)。

式(1)中，f为数字图像，f₁(x,y)为点(x,y)在目标图像即目标气泡压力图像γ校正前的灰度值，f(x,y)为点(x,y)在目标图像即目标气泡压力图像γ校正后的灰度值，且γ值越大代表图像的灰度级越高。

本实施例中，归一化采用Gamma校正法。

本实施例中，归一化能够调节图像的对比度，降低图像局部的阴影，同时可以抑制噪音的干扰，且使用γ校正法能够增加目标图像灰度处理后边界区的区分度。

图3是本发明的实施例中HOG工作流程示意图。

如图3所示，步骤3，计算图像的每个像素的梯度，该梯度包括大小和方向，主从而获得图像的轮廓信息。

步骤4，根据图像的轮廓信息将图像划分成多个小的连通区域，该连通区域叫做细胞单元即cell，且细胞单元为84*84像素的细胞单元。

步骤5，统计每个细胞单元的梯度直方图即不同梯度的个数，即形成每个细胞单元的描述符即descriptor。

步骤6，将每几个细胞单元组成一个21*21像素的区块即block，一个区块内所有细胞单元的特征描述符串联起来，得到该区块的HOG特征的描述符，而后将图像内的所有区块的HOG特征的描述符串联起来，得到该图像的HOG特征向量。

本实施例中，HOG特征是一种通过计算和统计图像局部区域的梯度方向直方图得到特征描述，由于图像局部目标的表象与形状可以很好地由梯度方向描述,故而本实施例中选用HOG特征描述流场中气泡关键部位的局部细节特征。在此基础上，使用SVM进行图像分类。SVM线性分类器，通过调整线性分类函数阈值的大小来确定样本所属类别，将样本中的数据分成两类。线性分类器的作用是通过在n维空间中寻找一个超平面来划分两类需要分割的部分，从而实现对特定目标的分类。

步骤7，将HOG特征向量送入到SVM进行训练，得到SVM模型。

步骤8，将实验拍摄的气泡图像送入到训练好的SVM模型中，进行预测，得到预测结果即脉动压力。

图4是本发明的实施例中基于HOG+SVM的流场气泡图像压力识别算法的运行系统图。

如图4所示，本实施例中的基于HOG+SVM的流场气泡图像压力识别算法采用压力识别系统运行，该压力识别系统包括：图像获取模块、图像识别模块以及图像计算模块。

图像获取模块，用于获取气泡压力图像并对其进行处理。

图像识别模块，用于对气泡压力图像进行HOG特征提取和SVM分类。

图像计算模块，用于对气泡压力图像进行压力计算和数据验证。

实施例的作用与效果

根据本实施例所涉及的基于HOG+SVM的流场气泡图像压力识别算法，结合大涡模拟和HOG图像特征提取的高精度、高灵敏度、造价低且操作简单的空间脉动压力测量新装置：首先利用高精度数值模拟仿真微气泡在空间脉动压力下的动态特性，其仿真结果为特征提取提供样本；其次，采用高速摄像机拍摄脉动压力作用下的微气泡图像，以获取微气泡形变信息；接着，利用HOG方法对大涡模拟图像进行特征提取然后送入SVM进行特征向量分类；最后对高速摄像机所拍图像进行智能判别，获得重构模型，进而得到空间脉动压力。

综上，本实施例区别于传统深度学习方法，采用高精度数值模拟建立学习样本库，利用高精度数值模拟得到精确的气泡形变和周围脉动压力的耦合信息，并且能方便地提供多工况下的仿真结果。另外，利用高精度数值模拟不同工况下三维湍流场中单个气泡的力学特性及其与周围压力变化的关系，所得的仿真图像可为深度学习提供足够的样本。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (5)

1.一种基于HOG+SVM的流场气泡图像压力识别算法，其特征在于，包括如下步骤：

步骤1，读取高精度数值模拟出结果的气泡压力图像，而后进行灰度处理与数据增强，构建气泡压力图像数据集；

步骤2，对输入的所述气泡压力图像数据集的图像进行颜色空间的标准化即归一化，而后使用γ校正法对所述图像进行校正，公式如下：

f(x，y)＝f₁(x，y)^γ (1)，

式(1)中，f为数字图像，f₁(x,y)为点(x,y)在目标图像即目标气泡压力图像γ校正前的灰度值，f(x,y)为点(x,y)在目标图像即目标气泡压力图像γ校正后的灰度值，且γ值越大代表图像的灰度级越高；

步骤3，计算所述图像的每个像素的梯度，该梯度包括大小和方向，主从而获得所述图像的轮廓信息；

步骤4，根据所述图像的所述轮廓信息将图像划分成多个小的连通区域，该连通区域叫做细胞单元即cell，且所述细胞单元为84*84像素的细胞单元；

步骤5，统计每个所述细胞单元的梯度直方图即不同梯度的个数，即形成每个所述细胞单元的描述符即descriptor；

步骤6，将每几个所述细胞单元组成一个21*21像素的区块即block，一个所述区块内所有所述细胞单元的特征描述符串联起来，得到该区块的HOG特征的描述符，而后将所述图像内的所有所述区块的HOG特征的所述描述符串联起来，得到该图像的HOG特征向量；

步骤7，将所述HOG特征向量送入到SVM进行训练，得到SVM模型；

步骤8，将实验拍摄的气泡图像送入到训练好的所述SVM模型中，进行预测，得到预测结果即脉动压力。

2.根据权利要求1所述的基于HOG+SVM的流场气泡图像压力识别算法，其特征在于：

其中，所述步骤1中的所述高精度数值模拟采用大涡模拟LES或分离涡模拟DES。

3.根据权利要求1所述的基于HOG+SVM的流场气泡图像压力识别算法，其特征在于：

其中，所述步骤1中的数据增强具体操作如下：

将图片进行镜面翻转，分别在90度、180度、270度的角度下进行翻转，增加样本量。

4.根据权利要求1所述的基于HOG+SVM的流场气泡图像压力识别算法，其特征在于：

其中，所述步骤1中的所述气泡压力图像的拍摄与输入采用高速摄像机结合显微镜。

5.根据权利要求1所述的基于HOG+SVM的流场气泡图像压力识别算法，其特征在于：

其中，所述步骤2中的归一化采用Gamma校正法。

Images