CN112326192B - 一种支撑剂平板输送实验中支撑剂速度定量表征方法 - Google Patents
一种支撑剂平板输送实验中支撑剂速度定量表征方法 Download PDFInfo
- Publication number
- CN112326192B CN112326192B CN202011170088.3A CN202011170088A CN112326192B CN 112326192 B CN112326192 B CN 112326192B CN 202011170088 A CN202011170088 A CN 202011170088A CN 112326192 B CN112326192 B CN 112326192B
- Authority
- CN
- China
- Prior art keywords
- proppant
- particle
- frame
- particles
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Fluid Mechanics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种支撑剂平板输送实验中支撑剂速度定量表征方法,包括以下步骤:S1:基于PIV流场测试实验,获得激光照射条件下的多组双帧16bit位深的支撑剂图像;S2:根据灰度值差异对每一组每一帧图像中的支撑剂颗粒进行检测与定位,获得支撑剂颗粒中心所在的像素点位置;S3:根据支撑剂颗粒中心,对一组图像中的两帧图像中的支撑剂颗粒进行一一匹配;S4:根据匹配的支撑剂颗粒位移以及两帧图像的时间间隔,计算支撑剂颗粒在该瞬时的速度;S5:对每一组图像进行上述处理,最终获得连续时刻的支撑剂运动速度。本发明计算量小,能够更加高效、准确的获得支撑剂颗粒在流场中的连续速度场,为研究支撑剂在压裂裂缝中的运移机理与规律提供技术支持。
Description
技术领域
本发明涉及流场颗粒速度表征技术领域,特别涉及一种支撑剂平板输送实验中支撑剂速度定量表征方法。
背景技术
以页岩气为典型代表的非常规油气资源具有低孔低渗等特点,必须对储层进行有效的水力压裂改造才能够获得经济有效开发。在水力压裂过程中,支撑剂被压裂液携带并泵送到人工裂缝中。在停泵后,裂缝缝内压力降低导致裂缝逐渐闭合,而早期注入到裂缝中的支撑剂能够有效阻止该闭合过程,从而形成高渗的流动通道。因此,支撑剂在裂缝中的分布形态是影响压裂效果的重要因素,而支撑剂在裂缝内运动沉降机理则是准确控制支撑剂缝内铺置形态的关键。
支撑剂平板输送实验是研究支撑剂铺置规律的最直观与最准确的手段,然而,现有技术对流场中的支撑剂流动研究均停留在定性研究层面上,难以对缝内支撑剂在运移过程中的速度进行定量化表征与刻画。要弄清支撑剂在缝内的沉降运移规律,必须对支撑剂运动过程进行定量化认识,即获取支撑剂运动过程中每一个支撑剂颗粒的速度。目前,还没有专门针对支撑剂缝内运动的速度表征方法。因此,石油工业界需要一种手段,能够对狭缝内支撑剂的输送过程中颗粒的复杂运动进行速度定量化表征,从而将支撑剂缝内研究从定性认识上升到定量分析的高度。
发明内容
针对上述问题,本发明旨在提供一种支撑剂平板输送实验中支撑剂速度定量表征方法,以激光照射的支撑剂输送实验为基础,通过对采集得到的图像进行处理,对两帧图像中的支撑剂颗粒进行定位-寻找中心-颗粒匹配等处理,最终获取得到流场中每一颗支撑剂颗粒在连续时刻的速度分布。通过对所表征的速度进行分析,就可以弄清支撑剂缝内运移原理,继而对支撑剂的铺置形态做出控制。
本发明的技术方案如下:
一种支撑剂平板输送实验中支撑剂速度定量表征方法,包括以下步骤:
S1:基于PIV流场测试实验,在激光照射下通过CCD相机获取多组双帧的原始支撑剂图像,对所述原始支撑剂图像进行二值化处理,获得多组双帧16bit位深的支撑剂图像;
S2:根据灰度值差异对同一组每一帧图像中的支撑剂颗粒进行检测与定位,获得支撑剂颗粒中心所在的像素点位置;
S3:根据所述支撑剂颗粒中心,对同一组图像中两帧图像的支撑剂颗粒进行一一匹配;
S4:根据两帧图像中所对应匹配的支撑剂颗粒位移以及两帧图像的时间间隔,计算支撑剂颗粒在所述时间间隔的瞬时速度;
S5:重复步骤S2-S4,对每一组支撑剂图像进行处理,获得连续时刻的支撑剂颗粒运动速度。
作为优选,步骤S2中,进行检测与定位的具体方法包括以下步骤:
S21:设置一个灰度值搜索阈值,灰度值大于等于所述灰度值搜索阈值的像素点即为支撑剂颗粒可能所在的像素点,将其保存在数组一中;
S22:在数组一中寻找坐标相邻的局部灰度值最大的像素点,该像素点即为计算支撑剂颗粒中心的初始位置,将该像素点的坐标保存在数组二中;以所述初始位置为中心,设置一个最大值剔除范围,当搜索到一个灰度值最大的像素点时,在所述最大值剔除范围内与该灰度值相同的像素点其坐标不再被保存在数组二中;
S23:设置一个搜寻范围,对所述初始位置以该搜寻范围进行搜索,搜索到的区域即为整个支撑剂颗粒所占像素区域;
S24:对所述区域内的像素点的坐标进行灰度值加权平均,获得支撑剂颗粒中心的最终位置。
作为优选,步骤S21中,所述灰度值搜索阈值的取值为图片最大灰度值的0.7倍,即:
Ta(x,y)=0.7im(x,y)max (1)
式中:Ta(x,y)为灰度值搜索阈值;im(x,y)为包含图片所有像素点灰度值的二维数组。
作为优选,步骤S22中,所述最大值剔除范围为支撑剂颗粒平均直径的1.1倍,即:
式中:Ra(x,y)为最大值剔除范围;N为该帧图像中的支撑剂颗粒总数;di为第i个颗粒的直径。
作为优选,步骤S23中,所述搜寻范围为支撑剂颗粒平均半径的1.1倍,即:
式中:Rb为搜寻范围;N为该帧图像中的支撑剂颗粒总数;ri为第i个颗粒的半径。
作为优选,步骤S24的具体步骤为:
首先,计算所述区域内所有像素点的总灰度值,所述总灰度值根据下式进行计算:
式中:It(x,y)为总灰度值;n为所述区域内的像素点总个数;Ii为第i个像素点的灰度值;
然后,通过单个像素点灰度值与总灰度值的比值,获得每一个像素点所占的权重;
最后,根据所述权重分别对x坐标与y坐标做加权平均,获得支撑剂颗粒中心的最终位置,所述最终位置根据下式进行计算:
式中:xcenter、ycenter分别为支撑剂颗粒中心最终位置的x坐标、y坐标;xi、yi分别为第i个像素点的x坐标、y坐标。
作为优选,步骤S3的具体步骤为:
S31:根据流场的最大速度,计算支撑剂颗粒从第一帧图像出现在第二帧图像的位移阈值,支撑剂颗粒从第一帧图像到第二帧图像的位移向量小于等于所述位移阈值;
S32:选取第一帧图像中的一个支撑剂颗粒作为目标粒子,以所述目标粒子为中心,根据所述位移阈值,在第二帧图像中寻找可能与所述目标粒子匹配的支撑剂颗粒一;
S33:设置一个邻域粒子搜索范围,以所述目标粒子为中心,根据所述邻域粒子搜索范围,在第一帧图像中搜索所述目标粒子的邻域粒子;根据所述位移阈值,在第二帧图像中寻找可能与所述邻域粒子匹配的支撑剂颗粒二;
S34:迭代计算第一帧图像中所述目标粒子与第二帧图像中所述支撑剂颗粒一的匹配概率和不匹配概率;
迭代计算的依据为第一帧图像中所述邻域粒子与第二帧图像中所述支撑剂颗粒二的匹配概率;
迭代计算过程中,对每一步迭代的匹配概率和不匹配概率进行归一化处理;
S35:选取匹配概率值最大的支撑剂颗粒,该支撑剂颗粒即为第一帧图像中目标粒子在第二帧图像中的匹配粒子。
作为优选,步骤S31中,所述位移阈值根据下式进行计算:
Tb=vmΔt,dij=|xi-xj|<Tb (7)
式中:Tb为第一帧图像中出现的目标支撑剂颗粒出现在第二帧图像的位移阈值;vm为流场最大速度;Δt为第一帧图像与第二帧图像的时间间隔;dij为支撑剂颗粒从第一帧图像到第二帧图像的位移向量;xi为支撑剂颗粒在第一帧图像中的x坐标;xj为支撑剂颗粒在第二帧图像中的x坐标。
作为优选,步骤S34中,所述匹配概率与所述不匹配概率存在以下关系式:
式中:M为第二帧图像中支撑剂颗粒一的总数;Pij为第二帧图像中支撑剂颗粒一j与第一帧图像中目标粒子i的匹配概率;Pi *为第二帧图像中没有支撑剂颗粒能够匹配到第一帧图像中的目标粒子i的概率。
作为优选,步骤S34进行迭代计算时:
初始迭代时,将所有匹配概率和不匹配概率均设为一致,即:
所述匹配概率和不匹配概率的归一化方程如下所示:
迭代过程中,迭代关系式如下所示:
式中:k为第一帧图像中目标粒子i在第一帧图像中的所有邻域粒子;l为每一个邻域粒子k在第二帧图像中匹配的支撑剂颗粒二;Pkl为第二帧图像中支撑剂颗粒二l与第一帧图像中的邻域粒子k的匹配概率。
作为优选,所述准刚度原则为:检测向量与真实速度矢量偏差在准刚度阈值范围内,即:
式中:为连接第一帧图像中目标粒子i与其在第二帧图像可能匹配的支撑剂颗粒一j形成的速度检测向量;为连接第一帧图像中邻域粒子k与其在第二帧图像可能匹配的支撑剂颗粒二l形成的速度向量;Tc为准刚度阈值范围。
作为优选,步骤S4中,所述瞬时速度的计算方法为:
获得第一帧目标颗粒i(xi,yi)与第二帧所对应的匹配颗粒j(xj,yj),所述坐标(xi,yi)、(xj,yj)均为像素尺度,通过像素尺度与颗粒真实尺寸的比例即可获得颗粒的转化系数,通过所述转化系数以及像素尺度的坐标,即可获得颗粒的真实坐标,则颗粒i出现在第二帧时的瞬时速度大小为:
式中:Vi为颗粒i从第一帧出现在第二帧的瞬时合速度大小;Vxi为颗粒i从第一帧出现在第二帧的瞬时x方向速度大小;Vyi为颗粒i从第一帧出现在第二帧的瞬时y方向速度大小;Δt为第一帧图像与第二帧图像的时间间隔;
颗粒i出现在第二帧时的瞬时速度方向θi为:
通过弧度与角度的转换关系即可获得颗粒i的运动角度。
与现有技术相比,本发明具有如下优点:
本发明通过对支撑剂颗粒进行更加快速、准确地检测与定位,以及更加稳定、高效、准确的支撑剂颗粒匹配方法,能够更加高效、准确的获得支撑剂颗粒在流场中的速度,为研究支撑剂在压裂过程中的运移情况提供技术支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为支撑剂颗粒被激光照射后的灰度示意图;
图2为准刚度原则示意图;
图3为邻域粒子匹配概率示意图;
图4为实施例同一组中其中一帧二值化处理后的支撑剂图像;
图5为图4实施例中同一组的另一帧二值化处理后的支撑剂图像;
图6为实施例第一组的支撑剂速度表征结果示意图;
图7为实施例第二组的支撑剂速度表征结果示意图;
图8为实施例第三组的支撑剂速度表征结果示意图;
图9为实施例第四组的支撑剂速度表征结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的技术特征可以相互结合。除非另外定义,本发明公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公发明开中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明提供一种支撑剂平板输送实验中支撑剂速度定量表征方法,包括以下步骤:
S1:基于PIV流场测试实验,在激光照射下通过CCD相机获取多组双帧的原始支撑剂图像,对所述原始支撑剂图像进行二值化处理,获得多组双帧16bit位深的支撑剂图像。需要说明的是,进行二值化处理时,本发明也可获得其他位深的支撑剂图像,例如8bit位深、32bit位深等。
S2:根据灰度值差异对同一组每一帧图像中的支撑剂颗粒进行检测与定位,获得支撑剂颗粒中心所在的像素点位置。
由于进行PIV实验时,激光照射在支撑剂颗粒上会产生米氏散射,发出强光,支撑剂颗粒所占的像素点灰度值远大于流场背景的灰度值,因此可以根据灰度对支撑剂颗粒与流场背景进行区分。如图1所示,根据支撑剂颗粒反射激光强度分布来看,越靠近支撑剂颗粒中心的像素点,其亮度值越大,因此可以根据局部灰度值最大的像素点所在的位置,获得支撑剂颗粒中心的大致位置。
本步骤中进行检测与定位的具体方法包括以下步骤:
S21:设置一个灰度值搜索阈值,灰度值大于等于所述灰度值搜索阈值的像素点即为支撑剂颗粒可能所在的像素点,将其保存在数组一中。所述灰度值搜索阈值的取值为图片最大灰度值的0.7倍,即:
Ta(x,y)=0.7im(x,y)max (1)
式中:Ta(x,y)为灰度值搜索阈值;im(x,y)为包含图片所有像素点灰度值的二维数组。
S22:在数组一中寻找坐标相邻的局部灰度值最大的像素点,该像素点即为计算支撑剂颗粒中心的初始位置,将该像素点的坐标保存在数组二中;以所述初始位置为中心,设置一个最大值剔除范围,当搜索到一个灰度值最大的像素点时,在所述最大值剔除范围内与该灰度值相同的像素点其坐标不再被保存在数组二中。所述最大值剔除范围为支撑剂颗粒平均直径的1.1倍,即:
式中:Ra(x,y)为最大值剔除范围;N为该帧图像中的支撑剂颗粒总数;di为第i个颗粒的直径。
因图片的像素点呈矩阵排列,一个像素点被四周的8个其他像素点包围,寻找局部灰度值最大的像素点即通过单像素点与其四周的8个像素点的灰度值进行比较,从而获得局部灰度值最大的像素点。另外,从图1可知,一个支撑剂颗粒局部亮度最大值会对应多个像素点,因此可以通过不保存重复的灰度值最大的像素点来减小计算量。
由于支撑剂颗粒的中心并不一定在最亮的位置,因此通过以下步骤S23和S24进一步确定更准确的支撑剂颗粒中心的位置。
S23:设置一个搜寻范围,对所述初始位置以该搜寻范围进行搜索,搜索到的区域即为整个支撑剂颗粒所占像素区域。所述搜寻范围为支撑剂颗粒平均半径的1.1倍,即:
式中:Rb为搜寻范围;N为该帧图像中的支撑剂颗粒总数;ri为第i个颗粒的半径。
S24:对所述区域内的像素点进行灰度值加权平均,获得支撑剂颗粒中心的最终位置。具体步骤为:
首先,计算所述区域内所有像素点的总灰度值,所述总灰度值根据下式进行计算:
式中:It(x,y)为总灰度值;n为所述区域内的像素点总个数;Ii为第i个像素点的灰度值;
然后,通过单个像素点灰度值与总灰度值的比值,获得每一个像素点所占的权重;
最后,根据所述权重分别对x坐标与y坐标做加权平均,获得支撑剂颗粒中心的最终位置,所述最终位置根据下式进行计算:
式中:xcenter、ycenter分别为支撑剂颗粒中心最终位置的x坐标、y坐标;xi、yi分别为第i个像素点的x坐标、y坐标。
S3:根据所述支撑剂颗粒中心,对同一组图像中两帧图像的支撑剂颗粒进行一一匹配,具体包括以下步骤:
S31:根据流场的最大速度,计算支撑剂颗粒从第一帧图像出现在第二帧图像的位移阈值,支撑剂颗粒从第一帧图像到第二帧图像的位移向量小于等于所述位移阈值。所述位移阈值根据下式进行计算:
Tb=vmΔt,dij=|xi-xj|<Tb (7)
式中:Tb为第一帧图像中出现的目标支撑剂颗粒出现在第二帧图像的位移阈值;vm为流场最大速度;Δt为第一帧图像与第二帧图像的时间间隔;dij为支撑剂颗粒从第一帧图像到第二帧图像的位移向量;xi为支撑剂颗粒在第一帧图像中的x坐标;xj为支撑剂颗粒在第二帧图像中的x坐标。
所述位移阈值Tb为支撑剂颗粒最大位移的1.5~3倍时,能够同时满足准确性和匹配性。设支撑剂颗粒的速度为ux、uy,则支撑剂颗粒的最大运移速度两帧图像的间隔时间为Δt,则所述支撑剂颗粒在两帧图像中的最大位移d=umaxΔt。
S32:选取第一帧图像中的一个支撑剂颗粒作为目标粒子,以所述目标粒子为中心,根据所述位移阈值,在第二帧图像中寻找可能与所述目标粒子匹配的支撑剂颗粒一。在所述位移阈值内进行搜索与运算,极大的降低了支撑剂颗粒匹配的运算量。
S33:设置一个邻域粒子搜索范围,以所述目标粒子为中心,根据所述邻域粒子搜索范围,在第一帧图像中搜索所述目标粒子的邻域粒子;根据所述位移阈值,在第二帧图像中寻找可能与所述邻域粒子匹配的支撑剂颗粒二。
所述邻域粒子搜索范围为支撑剂颗粒最大位移的3.5~5倍时,能够同时满足匹配准确性和时效性。
S34:迭代计算第一帧图像中所述目标粒子与第二帧图像中所述支撑剂颗粒一的匹配概率和不匹配概率。所述匹配概率与所述不匹配概率存在以下关系式:
式中:M为第二帧图像中支撑剂颗粒一的总数;Pij为第二帧图像中支撑剂颗粒一j与第一帧图像中目标粒子i的匹配概率;Pi *为第二帧图像中没有支撑剂颗粒能够匹配到第一帧图像中的目标粒子i的概率。
初始迭代时,将所有匹配概率和不匹配概率均设为一致,即:
式中:为初始迭代时的匹配概率;Pi *0为初始迭代时的不匹配概率;以图6为例,n1有6个可能匹配的支撑剂颗粒m1~m6,因此其初始迭代时的匹配概率和不匹配概率为:不匹配概率和匹配概率在不断的迭代过程中会发生变化。根据最终的匹配概率就可以获得目标粒子n1在第二帧图像中的匹配支撑剂颗粒。
迭代计算过程中,对每一步迭代的匹配概率和不匹配概率进行归一化处理,所述匹配概率和不匹配概率的归一化方程如下所示:
迭代过程中,迭代关系式如下所示:
式中:k为第一帧图像中目标粒子i在第一帧图像中的所有邻域粒子;l为每一个邻域粒子k在第二帧图像中匹配的支撑剂颗粒二;Pkl为第二帧图像中支撑剂颗粒二l与第一帧图像中的邻域粒子k的匹配概率。
由于支撑剂颗粒为有限质量且其速度较小(相对光速),因此在支撑剂运动过程中遵从一般性的物理定理。所以,支撑剂在运动过程中不会出现速度突变的情况,前后两帧图像中的支撑剂所计算得到的速度矢量不会出现突变现象。根据连续性原理,在第n帧图片的某个粒子周边一定范围内相邻的粒子具有相同的运动特征(速度大小和方向),且不会出现较大的位移偏差,这就是准刚度理论。所述准刚度原则为:检测向量与真实速度矢量偏差在准刚度阈值范围内,即:
式中:为连接第一帧图像中目标粒子i与其在第二帧图像可能匹配的支撑剂颗粒一j形成的速度检测向量;为连接第一帧图像中邻域粒子k与其在第二帧图像可能匹配的支撑剂颗粒二l形成的速度向量;Tc为准刚度阈值范围,所述准刚度阈值范围为支撑剂颗粒最大位移的0.1~0.4倍,此时能够计算的匹配性较高。
为了便于理解,以图2为例,进一步阐述粒子运移准刚度原则。目标粒子n1在下帧中可能存在匹配的颗粒为m1-m6,以n1-m4为速度检测向量(图中实线矢量)为例,检测周边粒子的准刚度程度。由图2结果可以看出,关注其邻域粒子n2,可以看出n2号粒子与其在下帧中可能的匹配的粒子m1所形成的速度矢量d21与检测矢量d14之间存在的速度矢量之差是小于Tc的,因此认定该速度矢量d21是满足准基于检测矢量d14的准刚度原则,这样就会使检测矢量所对应的第一帧中的1号粒子与第二帧中的4号粒子的匹配概率增加。而对于粒子n5,其与下帧中可能匹配的m3粒子所形成的速度矢量为d53,其与检测矢量d14之间的差值是大于Tc的,因此其不满足准刚度原则,其会使检测矢量d14所对应的两个粒子的匹配概率降低。
迭代计算的依据为第一帧图像中所述邻域粒子与第二帧图像中所述支撑剂颗粒二的匹配概率。具体为:如图3所示,ni与其可能匹配的粒子mj形成了检测向量dij。ni粒子的邻域只有nk粒子,基于dij,只有nl1粒子符合准刚度原则,因此,就变为而这组符合准刚度原则粒子匹配概率就被用于i,j粒子匹配的概率的迭代。
S35:选取匹配概率值最大的支撑剂颗粒,该支撑剂颗粒即为第一帧图像中目标粒子在第二帧图像中的匹配粒子。在实际运用过程中,随着迭代过程的不断进行,正确匹配的粒子将在4~5个迭代步骤后达到接近于1,而非匹配粒子的匹配概率将迅速的降为0。
S4:根据两帧图像中所对应匹配的支撑剂颗粒位移以及两帧图像的时间间隔,计算支撑剂颗粒在所述时间间隔的瞬时速度。所述瞬时速度的计算方法为:
获得第一帧目标颗粒i(xi,yi)与第二帧所对应的匹配颗粒j(xj,yj),需要说明的是,程序所得的坐标均在像素尺度,需要通过像素与正式尺寸的对比获取相应的系数,从而将像素尺度的坐标转换到真实尺寸。颗粒i出现在第二帧时的瞬时速度大小为:
式中:Vi为颗粒i从第一帧出现在第二帧的瞬时合速度大小;Vxi为颗粒i从第一帧出现在第二帧的瞬时x方向速度大小;Vyi为颗粒i从第一帧出现在第二帧的瞬时y方向速度大小;Δt为第一帧图像与第二帧图像的时间间隔;
颗粒i出现在第二帧时的瞬时速度方向θi为:
通过弧度与角度的转换关系即可获得颗粒i的运动角度。
S5:重复步骤S2-S4,对每一组支撑剂图像进行处理,获得连续时刻的支撑剂颗粒运动速度。
在一个具体的实施例中,利用本发明对支撑剂平板输送实验中支撑剂的速度进行定量表征。该实验过程中,某一组的两帧二值化后的支撑剂图像如图4和图5所示。本实施例中坐标的转换系数为0.139(一个像素0.139mm),两帧间隔时间为5ms,每两组相隔时间为1/15s。本实施例中第一组中20颗支撑剂的瞬时速度计算结果如表1所示,第一组至第四组的支撑剂颗粒速度表征结果如图6-9所示,表1中的P代表像素点的值。
表1瞬时速度计算结果
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种支撑剂平板输送实验中支撑剂速度定量表征方法,其特征在于,包括以下步骤:
S1:基于PIV流场测试实验,在激光照射下通过CCD相机获取多组双帧的原始支撑剂图像,对所述原始支撑剂图像进行二值化处理,获得多组双帧16bit位深的支撑剂图像;
S2:根据灰度值差异对同一组每一帧图像中的支撑剂颗粒进行检测与定位,获得支撑剂颗粒中心所在的像素点位置;进行检测与定位的具体方法包括以下步骤:
S21:设置一个灰度值搜索阈值,灰度值大于等于所述灰度值搜索阈值的像素点即为支撑剂颗粒可能所在的像素点,将其保存在数组一中;所述灰度值搜索阈值的取值为图片最大灰度值的0.7倍,即:
Ta(x,y)=0.7im(x,y)max (1)
式中:Ta(x,y)为灰度值搜索阈值;im(x,y)为包含图片所有像素点灰度值的二维数组;
S22:在数组一中寻找坐标相邻的局部灰度值最大的像素点,该像素点即为计算支撑剂颗粒中心的初始位置,将该像素点的坐标保存在数组二中;以所述初始位置为中心,设置一个最大值剔除范围,当搜索到一个灰度值最大的像素点时,在所述最大值剔除范围内与该灰度值相同的像素点其坐标不再被保存在数组二中;所述最大值剔除范围为支撑剂颗粒被激光照射后的平均发光体直径的1.1倍,即:
式中:Ra(x,y)为最大值剔除范围;N为该帧图像中的支撑剂颗粒总数;di为第i个颗粒的直径;
S23:设置一个搜寻范围,对所述初始位置以该搜寻范围进行搜索,搜索到的区域即为整个支撑剂颗粒所占像素区域;所述搜寻范围为支撑剂颗粒平均半径的1.1倍,即:
式中:Rb为搜寻范围;N为该帧图像中的支撑剂颗粒总数;ri为第i个颗粒的半径;
S24:对所述区域内的像素点的坐标进行灰度值加权平均,获得支撑剂颗粒中心的最终位置;
S3:根据所述支撑剂颗粒中心,对同一组图像中两帧图像的支撑剂颗粒进行一一匹配;
S4:根据两帧图像中所对应匹配的支撑剂颗粒位移以及两帧图像的时间间隔,计算支撑剂颗粒在所述时间间隔的瞬时速度;
S5:重复步骤S2-S4,对每一组支撑剂图像进行处理,获得连续时刻的支撑剂颗粒运动速度。
3.根据权利要求1或2所述的支撑剂平板输送实验中支撑剂速度定量表征方法,其特征在于,步骤S3的具体步骤为:
S31:根据流场的最大速度,计算支撑剂颗粒从第一帧图像出现在第二帧图像的位移阈值,支撑剂颗粒从第一帧图像到第二帧图像的位移向量小于等于所述位移阈值;
S32:选取第一帧图像中的一个支撑剂颗粒作为目标粒子,以所述目标粒子为中心,根据所述位移阈值,在第二帧图像中寻找可能与所述目标粒子匹配的支撑剂颗粒一;
S33:设置一个邻域粒子搜索范围,以所述目标粒子为中心,根据所述邻域粒子搜索范围,在第一帧图像中搜索所述目标粒子的邻域粒子;根据所述位移阈值,在第二帧图像中寻找可能与所述邻域粒子匹配的支撑剂颗粒二;
S34:迭代计算第一帧图像中所述目标粒子与第二帧图像中所述支撑剂颗粒一的匹配概率和不匹配概率;
迭代计算的依据为第一帧图像中所述邻域粒子与第二帧图像中所述支撑剂颗粒二的匹配概率;
迭代计算过程中,对每一步迭代的匹配概率和不匹配概率进行归一化处理;
S35:选取匹配概率值最大的支撑剂颗粒,该支撑剂颗粒即为第一帧图像中目标粒子在第二帧图像中的匹配粒子。
4.根据权利要求3所述的支撑剂平板输送实验中支撑剂速度定量表征方法,其特征在于,步骤S31中,所述位移阈值根据下式进行计算:
Tb=vmΔt,dij=|xi-xj|<Tb (7)
式中:Tb为第一帧图像中出现的目标支撑剂颗粒出现在第二帧图像的位移阈值;vm为流场最大速度;Δt为第一帧图像与第二帧图像的时间间隔;dij为支撑剂颗粒从第一帧图像到第二帧图像的位移向量;xi为支撑剂颗粒在第一帧图像中的x坐标;xj为支撑剂颗粒在第二帧图像中的x坐标。
6.根据权利要求5所述的支撑剂平板输送实验中支撑剂速度定量表征方法,其特征在于,步骤S34进行迭代计算时:
初始迭代时,将所有匹配概率和不匹配概率均设为一致,即:
所述匹配概率和不匹配概率的归一化方程如下所示:
迭代过程中,迭代关系式如下所示:
式中:k为第一帧图像中目标粒子i在第一帧图像中的所有邻域粒子;l为每一个邻域粒子k在第二帧图像中匹配的支撑剂颗粒二;Pkl为第二帧图像中支撑剂颗粒二l与第一帧图像中的邻域粒子k的匹配概率。
8.根据权利要求1所述的支撑剂平板输送实验中支撑剂速度定量表征方法,其特征在于,步骤S4中,所述瞬时速度的计算方法为:
获得第一帧目标颗粒i(xi,yi)与第二帧所对应的匹配颗粒j(xj,yj),所述坐标(xi,yi)、(xj,yj)均为像素尺度,通过像素尺度与颗粒真实尺寸的比例即可获得颗粒的转化系数,通过所述转化系数以及像素尺度的坐标,即可获得颗粒的真实坐标,则颗粒i出现在第二帧时的瞬时速度大小为:
式中:Vi为颗粒i从第一帧出现在第二帧的瞬时合速度大小;Vxi为颗粒i从第一帧出现在第二帧的瞬时x方向速度大小;Vyi为颗粒i从第一帧出现在第二帧的瞬时y方向速度大小;Δt为第一帧图像与第二帧图像的时间间隔;
颗粒i出现在第二帧时的瞬时速度方向θi为:
通过弧度与角度的转换关系即可获得颗粒i的运动角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170088.3A CN112326192B (zh) | 2020-10-28 | 2020-10-28 | 一种支撑剂平板输送实验中支撑剂速度定量表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170088.3A CN112326192B (zh) | 2020-10-28 | 2020-10-28 | 一种支撑剂平板输送实验中支撑剂速度定量表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112326192A CN112326192A (zh) | 2021-02-05 |
CN112326192B true CN112326192B (zh) | 2021-07-20 |
Family
ID=74297176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011170088.3A Active CN112326192B (zh) | 2020-10-28 | 2020-10-28 | 一种支撑剂平板输送实验中支撑剂速度定量表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112326192B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113041933B (zh) * | 2021-03-09 | 2022-03-08 | 西南石油大学 | 一种支撑剂测速实验中保持颗粒浓度稳定的装置及方法 |
CN113033049B (zh) * | 2021-03-22 | 2022-03-08 | 西南石油大学 | 一种地层尺度下的粗糙裂缝内支撑剂输送数值模拟方法 |
CN113432829B (zh) * | 2021-06-22 | 2023-01-31 | 刘雪岭 | 一种用于气、固、液多相云雾燃爆湍流场piv测量集成系统 |
CN113216922B (zh) * | 2021-06-24 | 2022-03-29 | 同济大学 | 一种研究水力裂缝在层状介质中扩展规律的平台及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162797A (zh) * | 2010-11-24 | 2011-08-24 | 哈尔滨工业大学(威海) | 玻璃瓶瓶口破损和瓶底污物检测算法 |
CN102217953A (zh) * | 2011-06-17 | 2011-10-19 | 四川省医学科学院(四川省人民医院) | 基于多邻域辅助二维超声形变组织图像跟踪方法及装置 |
CN102831398A (zh) * | 2012-07-24 | 2012-12-19 | 中国农业大学 | 基于深度图像的树上苹果识别方法 |
CN109633199A (zh) * | 2018-12-11 | 2019-04-16 | 天津大学 | 一种基于相关匹配的粒子聚焦两点像测速方法 |
CN110566190A (zh) * | 2019-09-29 | 2019-12-13 | 西南石油大学 | 高颗粒浓度实验条件下的缝内支撑剂运动轨迹追踪方法 |
-
2020
- 2020-10-28 CN CN202011170088.3A patent/CN112326192B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102162797A (zh) * | 2010-11-24 | 2011-08-24 | 哈尔滨工业大学(威海) | 玻璃瓶瓶口破损和瓶底污物检测算法 |
CN102217953A (zh) * | 2011-06-17 | 2011-10-19 | 四川省医学科学院(四川省人民医院) | 基于多邻域辅助二维超声形变组织图像跟踪方法及装置 |
CN102831398A (zh) * | 2012-07-24 | 2012-12-19 | 中国农业大学 | 基于深度图像的树上苹果识别方法 |
CN109633199A (zh) * | 2018-12-11 | 2019-04-16 | 天津大学 | 一种基于相关匹配的粒子聚焦两点像测速方法 |
CN110566190A (zh) * | 2019-09-29 | 2019-12-13 | 西南石油大学 | 高颗粒浓度实验条件下的缝内支撑剂运动轨迹追踪方法 |
Non-Patent Citations (3)
Title |
---|
a new two-frame particle tracking algorithm using match probability;S.J.Baek等;《Experiments in Fluids》;19961231;第22卷;第23-32页 * |
基于PIV技术的磨料水射流中固体磨料粒子速度分布实验研究;章文峰等;《振动与冲击》;20161231;第35卷(第8期);第159-165、186页 * |
粒子追踪测速(PTV)技术及其在多相流测试中的应用;杨福胜等;《流体机械》;20141231;第42卷(第2期);第37-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112326192A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112326192B (zh) | 一种支撑剂平板输送实验中支撑剂速度定量表征方法 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN109615016B (zh) | 一种基于金字塔输入增益的卷积神经网络的目标检测方法 | |
Song et al. | Weak micro-scratch detection based on deep convolutional neural network | |
Wan et al. | Ceramic tile surface defect detection based on deep learning | |
CN111126134B (zh) | 基于非指纹信号消除器的雷达辐射源深度学习识别方法 | |
CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
Yao et al. | AYOLOv3-Tiny: An improved convolutional neural network architecture for real-time defect detection of PAD light guide plates | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN109919246A (zh) | 基于自适应特征聚类和多重损失融合的行人重识别方法 | |
CN112652003A (zh) | 一种基于ransac测度优化的三维点云配准方法 | |
Yin et al. | G2Grad-CAMRL: an object detection and interpretation model based on gradient-weighted class activation mapping and reinforcement learning in remote sensing images | |
Riggi et al. | Astronomical source detection in radio continuum maps with deep neural networks | |
Koziarski et al. | Marine snow removal using a fully convolutional 3d neural network combined with an adaptive median filter | |
Yang et al. | Foreground enhancement network for object detection in sonar images | |
Lyu et al. | A buried hill fault detection method based on 3D U-SegNet and transfer learning | |
CN112132816B (zh) | 一种基于多任务与感兴趣区域分割引导的目标检测方法 | |
Wang et al. | Vision measurement of gear pitting based on DCGAN and U-Net | |
CN115508353A (zh) | 对原油乳状液中液滴微观动力学行为定量表征和预测方法 | |
Bonam et al. | Lightweight CNN models for product defect detection with edge computing in manufacturing industries | |
Shang et al. | LaserNet: a method of laser stripe center extraction under non-ideal conditions | |
Zhu et al. | Surface defect detection of sawn timbers based on efficient multilevel feature integration | |
CN113705731A (zh) | 一种基于孪生网络的端到端图像模板匹配方法 | |
Qin et al. | Target tracking method based on interference detection | |
Tavares et al. | Co-design System for Tracking Targets Using Template Matching |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |