CN113945559B - 一种气液固循环流化床局部相含率检测方法 - Google Patents

一种气液固循环流化床局部相含率检测方法 Download PDF

Info

Publication number
CN113945559B
CN113945559B CN202111163975.2A CN202111163975A CN113945559B CN 113945559 B CN113945559 B CN 113945559B CN 202111163975 A CN202111163975 A CN 202111163975A CN 113945559 B CN113945559 B CN 113945559B
Authority
CN
China
Prior art keywords
image
bubble
area
particle
local
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
Application number
CN202111163975.2A
Other languages
English (en)
Other versions
CN113945559A (zh
Inventor
马永丽
张露滨
刘明言
张加明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202111163975.2A priority Critical patent/CN113945559B/zh
Publication of CN113945559A publication Critical patent/CN113945559A/zh
Application granted granted Critical
Publication of CN113945559B publication Critical patent/CN113945559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8405—Application to two-phase or mixed materials, e.g. gas dissolved in liquids
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Dispersion Chemistry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种气液固循环流化床局部相含率检测方法，本发明通过分区操作采用不同的方法对强重叠颗粒、弱重叠颗粒、气泡进行了处理，减少了景深外颗粒的干扰，提高了检测精度。适用于多种不同气液、液速下的循环流化床局部相含率检测，对实际现场的光线变化有很好的适应能力；本发明算法敏感参数较少，适用于重叠颗粒的计数检测，便于二次开发；本发明算法稳定性高，抗干扰能力强，效率高。

Description

一种气液固循环流化床局部相含率检测方法
技术领域
本发明涉及一种流化床局部相含率检测方法，具体涉及一种气液固循环流化床局部相含率检测方法。
背景技术
气液固循环流化床是指操作区域位于膨胀床和输送床之间的流化床。气液固循环流化床与传统的三相流化床相比，表现出更加优异的流动和传质特性，广泛应用于化工、冶金、炼油、生物、能源、环境等行业。气液固循环流化床反应器中局部相含率的同时准确测定对于了解系统流动特性、验证模型及模拟计算结果、指导反应器的设计放大具有重要意义，因此有必要对气液固三相循环流化床反应器的局部相含率进行同时准确测定。
目前，气液固循环流化床局部流场测试技术有：压力传感器、层析成像技术、光纤/电阻/电导探针、可视化方法等，与可视化方法相比，其他测试方法的问题在于:(1)往往需要引入模型和复杂重构算法，在一定程度上依赖经验。(2)并不客观反映流动现象，交互性较差。(3)难以同时高精度测量局部相含率。因此可视化方法在流场局部参数测定中越来越受到重视，用可视化方法对气液固循环流化床局部流场测试的难点在于:(1)现有的可视化检测技术分辨率有限，仍难以描述多相系统中的流动结构。(2)气液固三相流动体系复杂多变，图像对比度低，背景干扰严重，同时存在颗粒重叠、气泡反光、颗粒与气泡共存干扰的问题；算法设计上鲁棒性较差。
发明内容
本发明的目的在于克服已有技术的缺点，提供一种高效的气液固循环流化床局部相含率检测方法。
本发明解决上述技术问题采用的技术方案为：
本发明的一种气液固循环流化床局部相含率检测方法，包括以下步骤：
(1)使用带远心镜头的工业相机采集气液固循环流化床流场上升管中的设定位置处的测试段局部图像，所述的局部图像包括景深外较为模糊的颗粒、景深外较为模糊的气泡、景深内较为清晰的颗粒，景深内较为清晰的气泡以及液体空间；
(2)将所述的局部图像导入halcon软件处理并对局部图像用标定板标定，然后对局部图像进行如下处理：
第一步，对局部图像进行对比度拉伸以对图像增强，得到对比度拉伸图像；
第二步，将对比度拉伸图像进行频域滤波得到傅里叶滤波图像并同时得到滤波器的截止频率D0的数值；
第三步，对傅里叶滤波图像进行双边滤波，得到双边滤波图像；
(3)对双边滤波图像进行形态学图像处理，分割出景深内颗粒图像；然后，按照设定的连通域面积大小在景深内颗粒图像中分别提取出强重叠颗粒图像和弱重叠颗粒图像；最后，对弱重叠颗粒图像进行如下处理：
第一步，对弱重叠颗粒图像进行最大类间方差分割，得到弱重叠颗粒区域图像，将弱重叠颗粒区域图像中的各单独颗粒图像以及由重叠的颗粒连接形成的重叠颗粒区域图像分别提取出来；
第二步，将各单独颗粒图像以及各重叠颗粒区域图像对应的像素面积按照步骤(1)标定板标定的数值折算成实际面积，将所有的实际面积视为圆的面积，然后分别计算得到圆半径，以圆半径作为球半径构造圆球，将圆球体积作为各单独颗粒以及各重叠颗粒区域颗粒的实际颗粒体积；
第三步，通过计算得到整个弱重叠颗粒区域的第一固含率；
(4)对强重叠颗粒图像进行颗粒骨架提取，得到强重叠颗粒图像的颗粒骨架图，具体过程包括：
第一步，通过各向异性滤波器将强重叠颗粒图像进行各向异性滤波，得到各向异性滤波图像；
第二步，在各项异性滤波图像中提取颗粒骨架，得到颗粒骨架图像，然后选取颗粒骨架图像中骨架的最长分支作为骨架主分支，得到骨架主分支图；
(5)消除颗粒骨架图中的假圆，得到消除假圆后颗粒图像，步骤如下：
第一步，通过halcon软件对骨架主分支图进行处理得到留有骨架主分支的端点和转折点的图；
第二步，以每个端点和转折点为原点各生成10-50个高斯分布点，以每个高斯分布点为圆心，按照设定直径生成圆，得到强重叠颗粒图像的第一颗粒重构图像；
第三步，将强重叠颗粒图像经最大类间方差分割后得到的区域图像与每一个圆分别进行求与操作得到公共区域面积；若得到的公共区域面积大于w倍的圆面积，则保留该圆，反之则不保留该圆；最终将第一颗粒重构图像中保留下来的圆组合得到第二颗粒重构图像；其中0.4<w<1.0；
(6)根据消除假圆后的第二颗粒重构图像，得到图像中圆的个数，将每个圆的像素面积按照步骤(1)标定板标定的数值折算成实际面积，然后计算得到每个圆半径，以每个圆半径作为球半径构造圆球，将圆球体积作为各颗粒的实际颗粒体积，计算得到强重叠颗粒图像中的第二固含率；最后将第一固含率和第二固含率相加，计算得到局部总固含率εs；
(7)对步骤(2)中对比度拉伸图像进行阈值分割，得到全体颗粒区域图像，然后在对比度拉伸图像中将全体颗粒区域图像中灰度值较高部分对应位置的灰度值赋值为0，得到去除颗粒部分的图像即气泡图像；再对气泡图像分别进行高斯滤波和均值滤波，得到高斯滤波气泡图像和均值滤波气泡图像；将高斯滤波气泡图像和均值滤波气泡图像相减，得到滤波后气泡图像；
(8)对滤波后气泡图像进行阈值分割得到含有白色气泡区域的气泡区域图像，然后筛除气泡区域图像中面积过小的噪声区域得到最终气泡区域图像；再执行以下步骤：
第一步，判断最终气泡区域图像中的各个气泡之间是否有连接，若有连接，则将有连接的气泡作为一个气泡；
第二步，生成每个气泡的最小外接矩形，得到气泡外接矩形区域图像和最小外接矩形的数目N；
第三步，在气泡外接矩形区域图像中逐个选取每一个气泡的最小外接矩形，在气泡区域图像中只分割出每一个气泡的最小外接矩形区域对应的气泡区域图像，然后计算出最小外接矩形区域中的每一个气泡区域图像中的气泡的面积S；
(9)求取每一个提取出的气泡在气泡区域图像中的坐标，具体步骤为：
第一步，计算步骤(8)中每一个气泡的最小外接矩形的长宽比k和外接矩形中心；
第二步，根据外接矩形中心进行对称变换进一步得到每一个气泡新的气泡中心，步骤如下：
步骤101，求取像素坐标系下每一个气泡区域图像分别沿X轴和Y轴的像素坐标点的平均值，将该像素坐标点的平均值与气泡外接矩形区域中心坐标点的坐标值的平均值作为该气泡的初始气泡中心点的坐标；记气泡区域内的任意一点的坐标为(x,y)，坐标的集合为Ω；
步骤102，筛选出每个气泡区域图像中连通域面积最大的区域，然后将连通域面积最大的区域内各点的坐标(xs,ys)构成聚集严重区域坐标的集合Ωs，将聚集严重区域坐标的集合Ωs内的坐标点(xs,ys)以每个气泡的初始气泡中心坐标(xi,yi)为中心做中心对称，对称后的坐标点(xr,yr)集合为Ωr，求取集合Ωr和集合Ω内所有点的坐标平均值得到每一个新的气泡中心；
(10)任意选取一个新的气泡中心设定为当前椭圆气泡中心，并设定所述的当前椭圆气泡中心初始的椭圆短半轴长为L，椭圆轴径比为q＝1，同时设定标志位n＝0；
(11)以当前椭圆短半轴长L和当前椭圆轴径比q，生成与当前椭圆气泡中心对应的椭圆区域图像；
(12)将与当前椭圆气泡中心对应的椭圆区域图像和步骤(8)中的最终气泡区域图像进行逻辑与操作，得到当前子重叠区域图像，面积为S0；
(13)判断S0>mS是否为真，其中m表示对比系数，0<m<1；若为真，将按照步骤(1)标定板标定的数值将椭圆区域图像的像素面积折算成实际面积，将当前子重叠区域图像的实际面积视为圆的面积，然后计算得到圆半径，以圆半径作为球半径构造圆球，将圆球体积作为当前椭圆气泡区域的实际气泡体积，同时令n＝n+1，执行步骤(16)；否则，执行下一步：
(14)增加当前椭圆短轴长L，L＝L+L’,其中L’表示增长步长；然后执行下一步；
(15)判断L>Lt是否为真，Lt表示当前椭圆区域短轴长阈值；若为真，将步骤(9)中当前椭圆区域对应的最小外接矩形的长宽比k赋值给椭圆轴径比q，即q＝k，执行步骤(11)；若为假，执行步骤(11)；
(16)判断此时n<N是否为真，N为步骤(8)中最小外接矩形的数目；若为真，执行步骤(10)；若为假，则将通过步骤(13)得到的实际气泡体积相加得到局部图像中的局部总气含率εg，执行下一步；
(17)根据得到的局部总固含率和局部总气含率计算得到局部总液含率，结束当前图片的局部相含率测量；
(18)反复重复步骤(1)-步骤(18)，分别通过带远心镜头的工业相机采集的同一位置的多张图片，得到与每张图片对应的局部总固含率、局部总气含率以及局部总液含率；
(19)分别计算与全部图片对应的局部总体固含率的平均值、局部总气含率的平均值以及局部总液含率的平均值，作为带远心镜头的工业相机采集的同一位置的相含率测定稳定值。
本发明的有益效果是：
1.本发明适用于多种不同气液、液速下的循环流化床局部相含率检测，对实际现场的光线变化有很好的适应能力。
2.本发明用于不同气速、液速下的循环流化床局部相含率检测，只需要根据实际情况调整相应参数即可实现自动检测。
3.本发明算法稳定性高，抗干扰能力强，效率高。
4.本发明通过气泡、颗粒散射特性及成像特点，将图像分为强重叠颗粒、弱重叠颗粒、气泡部分，分别设计了算法，可以大大提高检测的精度和效率，适用于重叠颗粒的计数检测。
5.本发明算法敏感参数较少，同时算法采取模块化思路设计，迁移能力强，便于二次开发。
附图说明
图1为本发明气液固循环流化床局部相含率检测方法的算法流程图；
图2为步骤1得到的气液固循环流化床流场上升管测试段局部图像；
图3为步骤2得到的对比度拉伸图像；
图4为步骤2得到的傅里叶滤波图像；
图5为步骤2得到的参考图像；
图6为步骤2得到的第一次双边滤波图像；
图7为步骤2得到的第二次双边滤波图像；
图8为步骤2得到的第三次双边滤波图像；
图9为步骤2得到的第四次双边滤波图像；
图10为步骤3得到的景深内颗粒图像；
图11为步骤3得到的强重叠颗粒图像；
图12为步骤3得到的弱重叠颗粒图像；
图13为步骤3得到的弱重叠颗粒区域图像；
图14为步骤4得到的各向异性滤波图像；
图15为步骤4得到的颗粒骨架图像；
图16为步骤4得到的颗粒主分支图；
图17为步骤5得到的颗粒主分支的端点和转折点图；
图18为步骤5得到的第一颗粒重构图像；
图19为步骤5得到的消除假圆后第二颗粒重构图像；
图20为步骤7得到的全体颗粒区域图像；
图21为步骤7得到的气泡图像；
图22为步骤7得到的高斯滤波气泡图像；
图23为步骤7得到的均值滤波气泡图像；
图24为步骤7得到的滤波后气泡图像；
图25为步骤8得到的潜在气泡区域图像；
图26为步骤8得到的气泡外接矩形区域图像；
图27为步骤8得到的气泡区域图像；
图28为步骤11得到的椭圆区域图像；
图29为步骤12得到的子重叠区域图像。
具体实施方式
下面将结合本发明实施例中的附图，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，都属于本发明保护的范围。
本发明提供一种气液固循环流化床局部相含率检测方法，包括以下步骤：
(1)使用带远心镜头的工业相机采集气液固循环流化床流场上升管中的设定位置处的测试段局部图像，所述的局部图像包括景深外较为模糊的颗粒、景深外较为模糊的气泡、景深内较为清晰的颗粒，景深内较为清晰的气泡以及液体空间；
(2)将所述的局部图像导入halcon软件处理并对局部图像用标定板标定，然后对局部图像进行如下处理：
第一步，对局部图像进行对比度拉伸以对图像增强，得到对比度拉伸图像；
第二步，将对比度拉伸图像进行频域滤波得到傅里叶滤波图像并同时得到滤波器的截止频率D0的数值；
频域滤波为现有方法，具体可以参见1822年Fourier的著作《The AnalyticTheory of Heat》。
下面频域滤波简要说明如下：
若将对比度拉伸图像看成数据阵列，则大小为M×N的图像f(x,y)进行离散傅里叶变换得到傅里叶展开系数F(u,v)，公式如下：
在频域构造截止频率为D0的高通滤波器对对比度拉伸图像进行滤波得到傅里叶滤波图像，公式如下：
根据傅里叶反变换可以将F(u,v)变换得到f(x,y)。
其中x,y是大小为M×N的图像空间域坐标；u,v是图像频率域坐标；H(u,v)是构造的高通滤波器；D(u,v)是点(u,v)到频谱中心的距离；x＝0,1,...,M-1；y＝0,1,...,N-1；u＝0,1,...,M-1；v＝0,1,...,M-1。此处D0通常在1.0-2.5之间。M×N为图像大小，M为图像横长，N为图像纵长，j为虚数，j2＝-1
第三步，对傅里叶滤波图像进行双边滤波，得到双边滤波图像；
所述的双边滤波可以包括以下步骤：
将得到的傅里叶滤波图像通过双边滤波器进行双边滤波，得到多次迭代的双边滤波图像(图6-9展示了根据双边滤波进行四次迭代得到的结果，但不仅限于此)。
所述的双边滤波器的模型如下：
其中和/>分别为t时刻模板窗口像素位置i处和t时刻模板窗口中心像素位置邻域k处的图像灰度值，/>为归一化系数，/>为距离模板系数，/>为值域模板系数，it和kt为t时刻模板窗口像素位置坐标和模板窗口中心像素位置坐标，/>和/>分别为t时刻参考图像在模板窗口像素位置i处和模板窗口中心像素位置k处的图像灰度值，ωi为模板窗口像素位置i的邻域，σd、σr分别为高斯函数的距离模板标准差和值域模板标准差，/>为t时刻参考图像在图像像素位置m处的图像灰度，/>为初始0时刻参考图像在图像像素位置m处的图像灰度，/>分别为t-1时刻双边滤波图像的最小灰度值，最大灰度值及在图像像素位置m处的图像灰度值，MIN，MAX为要拉伸到的空间的最小和最大灰度值。Dmin，Dmax
表示频域滤波过程截止频率的最小值和最大值，c为曲率因子，k1，σr0，Gconst为常正数。
通常20<σr0<50,k1>0.75,0.4<c<2.7,100<Gconst<160；
模板窗口、参考图像、距离模板标准差和值域模板标准差均为现有学术名词，具体可以参见论文Tomasi C,Manduchi R.Bilateral filtering for gray and color images[C]Computer Vision,
1998.Sixth International Conference on.IEEE,1998:839-846(用于灰度和彩色图像的双边滤波)。
本步骤中所述的双边滤波器的核由二维高斯函数和一维高斯函数构成，二维高斯函数生成距离模板系数cik，一维高斯函数生成值域模板系数sik。将t-1时刻的图像进行灰度值拉伸后作为t时刻图像的参考图像，并进一步给出截止频率D0对于高斯函数标准差σr的影响关系。
(3)对双边滤波图像进行形态学图像处理，分割出景深内颗粒图像；然后，按照设定的连通域面积大小在景深内颗粒图像中分别提取出强重叠颗粒图像和弱重叠颗粒图像，往往强重叠颗粒意味着颗粒对应像素面积更大，如：此处连通域面积大于像素12000的被认为是强重叠颗粒图像；最后，对弱重叠颗粒图像进行如下处理：
第一步，对弱重叠颗粒图像进行最大类间方差分割，得到弱重叠颗粒区域图像(二值图像)，将弱重叠颗粒区域图像中的各单独颗粒图像以及由重叠的颗粒连接形成的重叠颗粒区域图像(作为一个整体)分别提取出来；
第二步，将各单独颗粒图像以及各重叠颗粒区域图像对应的像素面积按照步骤(1)标定板标定的数值折算成实际面积，将所有的实际面积视为圆的面积，然后分别计算得到圆半径，以圆半径作为球半径构造圆球，将圆球体积作为各单独颗粒以及各重叠颗粒区域颗粒的实际颗粒体积；
第三步，通过计算得到整个弱重叠颗粒区域的第一固含率，公式(现有公式，参见2001年金涌的著作《流态化工程原理)如下：
式中，εs为相机景深对应实际体积Vdf内的固含率(此处为第一固含率)，Vsn表示弱重叠颗粒图像中第sn部分(共有Ns部分)实际颗粒体积。
(4)对强重叠颗粒图像进行颗粒骨架提取，得到强重叠颗粒图像的颗粒骨架图；
本步骤中得到强重叠颗粒图像的颗粒骨架图的具体过程包括：
第一步，通过各向异性滤波器将强重叠颗粒图像进行各向异性滤波，消除强重叠颗粒图像中的图像噪声，同时保留图像中的边缘，得到各向异性滤波图像；
各向异性滤波器为现有模型，参见Mark S.Nixon和Alberto S.Aguado在2019年出版的著作《Feature Extraction&Image Processing for ComputerVision》(基于计算机视觉的特征提取和图像处理)。
下面对模型进行简要说明如下：
式中，u表示灰度值作用函数，ut表示滤波后的灰度值作用函数，C表示对比度常数，c为对比度，x为函数作用位置，为灰度值作用函数u的梯度；
第二步，在各项异性滤波图像中提取颗粒骨架(可以采用现有的Zhang-Suen算法或者其它算法实现)，得到颗粒骨架图像，然后选取颗粒骨架图像中骨架的最长分支作为骨架主分支，得到骨架主分支图。
(5)消除颗粒骨架图中的假圆，得到消除假圆后颗粒图像；
作为本发明的一种实施方式，步骤如下：
第一步，通过halcon软件对骨架主分支图进行处理得到留有骨架主分支的端点和转折点的图；
第二步，以每个端点和转折点为原点各生成10-50个高斯分布点，以每个高斯分布点为圆心，按照设定直径(直径通常为100个像素长度即可)生成圆，得到强重叠颗粒图像的第一颗粒重构图像；
高斯分布点表现出越靠近圆心越密，越靠近边缘越稀疏，高斯分布点坐标计算公式(现有公式)如下：
式中，Gσ(x,y)为位置点(x,y)处标准差σ下的高斯函数核。实际中标准差σ取5；
第三步，将强重叠颗粒图像经最大类间方差分割后得到的区域图像(二值图像)与每一个圆分别进行求与操作得到公共区域面积；若得到的公共区域面积大于w倍的圆面积，则保留该圆，反之则不保留该圆。最终将第一颗粒重构图像中保留下来的圆组合得到第二颗粒重构图像。其中0.4<w<1.0。
(6)根据消除假圆后的第二颗粒重构图像，得到图像中圆的个数，将每个圆的像素面积按照步骤(1)标定板标定的数值折算成实际面积，然后计算得到每个圆半径，以每个圆半径作为球半径构造圆球，将圆球体积作为各颗粒的实际颗粒体积，计算得到强重叠颗粒图像中的第二固含率，第二固含率公式(现有公式，参见2001年金涌的著作《流态化工程原理》)如下：
式中，εss为相机景深对应实际体积Vdf内的固含率(此处为第二固含率)，Vssn表示强重叠颗粒图像中第ssn个(共有Nss个保留圆)实际颗粒体积。
最后将第一固含率和第二固含率相加，计算得到局部总固含率εs；
(7)对步骤(2)中对比度拉伸图像进行阈值分割，得到全体颗粒区域图像，然后在对比度拉伸图像中将全体颗粒区域图像中灰度值较高部分(较亮部分)对应位置的灰度值赋值为0，得到去除颗粒部分的图像即气泡图像；再对气泡图像分别进行高斯滤波和均值滤波，得到高斯滤波气泡图像和均值滤波气泡图像；将高斯滤波气泡图像和均值滤波气泡图像相减，得到滤波后气泡图像；
(8)对滤波后气泡图像进行阈值(通常阈值设置为10)分割得到含有白色气泡区域的气泡区域图像(如图25中的全部白色部分所示)，然后筛除气泡区域图像中面积过小的噪声区域(如：像素面积小于30000的区域)得到最终气泡区域图像(二值图像)；再执行以下步骤：
第一步，判断最终气泡区域图像中的各个气泡之间是否有连接，若有连接，则将有连接的气泡作为一个气泡；
第二步，生成每个气泡的最小外接矩形，得到气泡外接矩形区域图像和最小外接矩形的数目N，即气泡外接矩形区域图像包含每一个气泡的最小外接矩形；
第三步，在气泡外接矩形区域图像中逐个选取每一个气泡的最小外接矩形，将气泡外接矩形区域图像的定义域减小为以每一个气泡的最小外接矩形区域为定义域，即在气泡区域图像中只分割出每一个气泡的最小外接矩形区域对应的气泡区域图像，然后计算出最小外接矩形区域中的每一个气泡区域图像中的气泡的面积S；
(9)求取每一个提取出的气泡在气泡区域图像中的坐标，具体步骤为：
第一步，计算步骤(8)中每一个气泡的最小外接矩形的长宽比k和外接矩形中心；
第二步，根据外接矩形中心进行对称变换进一步得到每一个气泡新的气泡中心，步骤如下：
步骤101，求取像素坐标系下每一个气泡区域图像分别沿X轴和Y轴的像素坐标点的平均值，将该像素坐标点的平均值与气泡外接矩形区域中心坐标点的坐标值的平均值作为该气泡的初始气泡中心点的坐标。
记气泡区域内的任意一点的坐标为(x,y)，坐标的集合为Ω，气泡外接矩形区域中心点的坐标为(xm,ym)。则Ω内各点沿X轴和Y轴的平均坐标为(x1,y1)，初始气泡中心坐标为(xi,yi)。
(xi,yi)＝((x1,y1)+(xm,ym))/2
式中，NUM表示气泡区域Ω内采样的坐标点(x,y)个数。
步骤102，筛选出每个气泡区域图像中连通域面积最大的区域，然后将连通域面积最大的区域内各点的坐标(xs,ys)构成聚集严重区域坐标的集合Ωs，将聚集严重区域坐标的集合Ωs内的坐标点(xs,ys)以每个气泡的初始气泡中心坐标(xi,yi)为中心做中心对称，对称后的坐标点(xr,yr)集合为Ωr，求取集合Ωr和集合Ω内所有点的坐标平均值得到每一个新的气泡中心；
(xr,yr)＝2(xi,yi)-(xs,ys),(xs,ys)∈Ωs
(10)任意选取一个新的气泡中心设定为当前椭圆气泡中心，并设定所述的当前椭圆气泡中心初始的椭圆短半轴长为L，椭圆轴径比为q＝1，同时设定标志位n＝0；
(11)以当前椭圆短半轴长L和当前椭圆轴径比q，生成与当前椭圆气泡中心对应的椭圆区域图像；
(12)将与当前椭圆气泡中心对应的椭圆区域图像和步骤(8)中的最终气泡区域图像进行逻辑与操作，得到当前子重叠区域图像，面积为S0；
(13)判断S0>mS是否为真，其中m表示对比系数，0<m<1。若为真，将按照步骤(1)标定板标定的数值将椭圆区域图像的像素面积折算成实际面积，将当前子重叠区域图像的实际面积视为圆的面积，然后计算得到圆半径，以圆半径作为球半径构造圆球，将圆球体积作为当前椭圆气泡区域的实际气泡体积，同时令n＝n+1，执行步骤(16)；否则，执行下一步：
(14)增加当前椭圆短轴长L，L＝L+L’,其中L’表示增长步长，L’通常可以设定为L/10；然后执行下一步；
(15)判断L>Lt是否为真，Lt表示当前椭圆区域短轴长阈值(通常可以设定为L+70个像素直径)。若为真，将步骤(9)中当前椭圆区域对应的最小外接矩形的长宽比k赋值给椭圆轴径比q，即q＝k，执行步骤(11)；若为假，执行步骤(11)；
(16)判断此时n<N是否为真，N为步骤(8)中最小外接矩形的数目。若为真，执行步骤(10)；若为假，则将通过步骤(13)得到的实际气泡体积(应有N个)相加得到局部图像中的局部总气含率εg，执行下一步；
气含率εg计算公式如下(现有公式，参见2001年金涌的著作《流态化工程原理》)：
式中，εg为相机景深对应实际体积Vdf内的局部总气含率，Vgn表示气泡外接矩形区域图像中第gn个(共有N个气泡子区域)气泡区域的气泡实际体积。
(17)根据得到的局部总固含率和局部总气含率计算得到局部总液含率，结束当前图片的局部相含率测量(现有公式，参见2001年金涌的著作《流态化工程原理》)；
εs+εg+εl＝1
其中εs为步骤(6)得到的局部总固含率，εg为步骤(12)得到的局部总气含率，εl为液含率。
(18)反复重复步骤(1)-步骤(18)，分别通过带远心镜头的工业相机采集的同一位置的多张(如：200张)图片，得到与每张图片对应的局部总固含率、局部总气含率以及局部总液含率；
(19)分别计算与全部图片对应的局部总体固含率的平均值、局部总气含率的平均值以及局部总液含率的平均值，作为带远心镜头的工业相机采集的同一位置的相含率测定稳定值。
实施例
使用带远心镜头的工业相机采集气液固循环流化床流场上升管中的设定位置处的局部图像，如图2。
(1)将所述的局部图像导入halcon软件处理并对局部图像用标定板标定，然后对局部图像进行对比度拉伸，得到对比度拉伸图像，如图3；将对比度拉伸图像进行频域滤波，得到傅里叶滤波图像，如图4，并同时得到滤波器的截止频率D0的数值；对傅里叶滤波图像进行双边滤波，得到双边滤波图像，图6-9为四次迭代的双边滤波图像。
(2)对双边滤波图像进行形态学图像处理，分割出景深内颗粒图像，如图10；然后根据连通域面积大小分别提取出强重叠颗粒图像和弱重叠颗粒图像，如图11和图12；将弱重叠颗粒图像进行最大类间方差分割，得到弱重叠颗粒区域图像，如图13，将弱重叠颗粒区域图像内的颗粒区域面积折算成实际面积，计算得到第一固含率。
(3)将强重叠颗粒图像进行各向异性滤波，得到各向异性滤波图像，如图14，然后进行骨架提取，得到强重叠颗粒图像的颗粒骨架图，如图15。
(4)消除颗粒骨架图中的假圆，得到消除假圆后的第二颗粒重构图像，如图19。
(5)根据消除假圆后的第二颗粒重构图像，得到图像中的圆个数，并计算得到强重叠颗粒图像中的第二固含率；最后将第一固含率和第二固含率相加，计算得到局部总固含率。
(6)对步骤2中的对比度拉伸图像进行阈值分割，得到全体颗粒区域图像，如图20；然后在对比度拉伸图像中将全体颗粒区域图像中灰度值较高部分(较亮部分)对应位置的灰度值赋值为0，得到去除颗粒部分的图像即气泡图像，如图21；再对气泡图像分别进行高斯滤波和均值滤波，得到高斯滤波气泡图像和均值滤波气泡图像，如图22和图23；将高斯滤波气泡图像和均值滤波气泡图像相减，得到滤波后气泡图像，如图24。
(7)对滤波后气泡图像进行阈值分割得到含有白色气泡区域的气泡区域图像(如图25中的全部白色部分所示)，然后筛除气泡区域图像中面积过小的噪声区域(本实施例筛除像素面积小于27000的区域)得到最终气泡区域图像(二值图像)。生成最终气泡区域图像中每个气泡的最小外接矩形，得到图26的气泡外接矩形区域图像和最小外接矩形的数目N(本实施例中N＝4)，并进一步得到最小外接矩形区域中的每一个气泡区域图像中的气泡面积S。
(8)求取每一个提取出的气泡在气泡区域图像中的坐标，得到每一个新的气泡中心。
(10)任意选取一个新的气泡中心设定为当前椭圆气泡中心，并设定所述的当前椭圆气泡中心初始的椭圆短半轴长为L，椭圆轴径比为q＝1，同时设定标志位n＝0；
(11)以当前椭圆短半轴长L和当前椭圆轴径比q，生成与当前椭圆气泡中心对应的椭圆区域图像，如图28；
(12)将与当前椭圆气泡中心对应的椭圆区域图像和步骤(8)中的最终气泡区域图像进行逻辑与操作，得到当前子重叠区域图像，如图29，面积为S0；
(13)判断S0>mS是否为真，其中m表示对比系数，0<m<1。若为真，将按照步骤(1)标定板标定的数值将椭圆区域图像的像素面积折算成实际气泡体积，同时令n＝n+1，执行步骤(16)；否则，执行下一步：
(14)增加当前椭圆短轴长L，L＝L+L’,其中L’表示增长步长，L’通常可以设定为L/10；然后执行下一步；
(15)判断L>Lt是否为真，Lt表示当前椭圆区域短轴长阈值。若为真，将步骤(9)中当前椭圆区域对应的最小外接矩形的长宽比k赋值给椭圆轴径比q，即q＝k，执行步骤(11)；若为假，执行步骤(11)；
(16)判断此时n<4是否为真，4为步骤(8)中最小外接矩形的数目。若为真，执行步骤(10)；若为假，则将通过步骤(13)得到的实际气泡体积(应有4个)相加得到局部图像中的气含率，执行下一步；
(17)根据得到的局部总体固含率和局部总气含率计算得到局部总液含率，结束当前图片的局部相含率测量。
(18)反复重复步骤(1)-步骤(18)，分别通过带远心镜头的工业相机采集的同一位置的200张图片，得到与每张图片对应的局部总体固含率、局部总气含率以及局部总液含率；
(19)分别计算与全部图片对应的局部总体固含率的平均值、局部总气含率的平均值以及局部总液含率的平均值，作为带远心镜头的工业相机采集的同一位置的相含率测定稳定值。
通过测试可以看出：算法适用于气液固三相流动体系，对于颗粒重叠、气泡反光、颗粒与气泡的共存干扰的问题也有很好的解决效果；算法可用于提取景深内的颗粒，对景深外的颗粒有很好的抑制效果；算法设计上鲁棒性较强，对较强的抗噪声效果；算法经验参数较少，可移植性较高。
以上对本发明的描述仅仅是示意性的，而不是限制性的，所以，本发明的实施方式并不局限于上述的具体实施方式。如果本领域的普通技术人员受其启示，在不脱离本发明宗旨和权利要求所保护范围的情况下，做出其他变化或变型，均属于本发明的保护范围。

Claims (2)

1.一种气液固循环流化床局部相含率检测方法，其特征在于包括以下步骤：
(1)使用带远心镜头的工业相机采集气液固循环流化床流场上升管中的设定位置处的测试段局部图像，所述的局部图像包括景深外较为模糊的颗粒、景深外较为模糊的气泡、景深内较为清晰的颗粒，景深内较为清晰的气泡以及液体空间；
(2)将所述的局部图像导入halcon软件处理并对局部图像用标定板标定，然后对局部图像进行如下处理：
第一步，对局部图像进行对比度拉伸以对图像增强，得到对比度拉伸图像；
第二步，将对比度拉伸图像进行频域滤波得到傅里叶滤波图像并同时得到滤波器的截止频率D0的数值；
第三步，对傅里叶滤波图像进行双边滤波，得到双边滤波图像；
(3)对双边滤波图像进行形态学图像处理，分割出景深内颗粒图像；然后，按照设定的连通域面积大小在景深内颗粒图像中分别提取出强重叠颗粒图像和弱重叠颗粒图像；最后，对弱重叠颗粒图像进行如下处理：
第一步，对弱重叠颗粒图像进行最大类间方差分割，得到弱重叠颗粒区域图像，将弱重叠颗粒区域图像中的各单独颗粒图像以及由重叠的颗粒连接形成的重叠颗粒区域图像分别提取出来；
第二步，将各单独颗粒图像以及各重叠颗粒区域图像对应的像素面积按照步骤(1)标定板标定的数值折算成实际面积，将所有的实际面积视为圆的面积，然后分别计算得到圆半径，以圆半径作为球半径构造圆球，将圆球体积作为各单独颗粒以及各重叠颗粒区域颗粒的实际颗粒体积；
第三步，通过计算得到整个弱重叠颗粒区域的第一固含率；
(4)对强重叠颗粒图像进行颗粒骨架提取，得到强重叠颗粒图像的颗粒骨架图，具体过程包括：
第一步，通过各向异性滤波器将强重叠颗粒图像进行各向异性滤波，得到各向异性滤波图像；
第二步，在各项异性滤波图像中提取颗粒骨架，得到颗粒骨架图像，然后选取颗粒骨架图像中骨架的最长分支作为骨架主分支，得到骨架主分支图；
(5)消除颗粒骨架图中的假圆，得到消除假圆后颗粒图像，步骤如下：
第一步，通过halcon软件对骨架主分支图进行处理得到留有骨架主分支的端点和转折点的图；
第二步，以每个端点和转折点为原点各生成10-50个高斯分布点，以每个高斯分布点为圆心，按照设定直径生成圆，得到强重叠颗粒图像的第一颗粒重构图像；
第三步，将强重叠颗粒图像经最大类间方差分割后得到的区域图像与每一个圆分别进行求与操作得到公共区域面积；若得到的公共区域面积大于w倍的圆面积，则保留该圆，反之则不保留该圆；最终将第一颗粒重构图像中保留下来的圆组合得到第二颗粒重构图像；其中0.4<w<1.0；
(6)根据消除假圆后的第二颗粒重构图像，得到图像中圆的个数，将每个圆的像素面积按照步骤(1)标定板标定的数值折算成实际面积，然后计算得到每个圆半径，以每个圆半径作为球半径构造圆球，将圆球体积作为各颗粒的实际颗粒体积，计算得到强重叠颗粒图像中的第二固含率；最后将第一固含率和第二固含率相加，计算得到局部总固含率εs；
(7)对步骤(2)中对比度拉伸图像进行阈值分割，得到全体颗粒区域图像，然后在对比度拉伸图像中将全体颗粒区域图像中灰度值较高部分对应位置的灰度值赋值为0，得到去除颗粒部分的图像即气泡图像；再对气泡图像分别进行高斯滤波和均值滤波，得到高斯滤波气泡图像和均值滤波气泡图像；将高斯滤波气泡图像和均值滤波气泡图像相减，得到滤波后气泡图像；
(8)对滤波后气泡图像进行阈值分割得到含有白色气泡区域的气泡区域图像，然后筛除气泡区域图像中面积过小的噪声区域得到最终气泡区域图像；再执行以下步骤：
第一步，判断最终气泡区域图像中的各个气泡之间是否有连接，若有连接，则将有连接的气泡作为一个气泡；
第二步，生成每个气泡的最小外接矩形，得到气泡外接矩形区域图像和最小外接矩形的数目N；
第三步，在气泡外接矩形区域图像中逐个选取每一个气泡的最小外接矩形，在气泡区域图像中只分割出每一个气泡的最小外接矩形区域对应的气泡区域图像，然后计算出最小外接矩形区域中的每一个气泡区域图像中的气泡的面积S；
(9)求取每一个提取出的气泡在气泡区域图像中的坐标，具体步骤为：
第一步，计算步骤(8)中每一个气泡的最小外接矩形的长宽比k和外接矩形中心；
第二步，根据外接矩形中心进行对称变换进一步得到每一个气泡新的气泡中心，步骤如下：
步骤101，求取像素坐标系下每一个气泡区域图像分别沿X轴和Y轴的像素坐标点的平均值，将该像素坐标点的平均值与气泡外接矩形区域中心坐标点的坐标值的平均值作为该气泡的初始气泡中心点的坐标；记气泡区域内的任意一点的坐标为(x,y)，坐标的集合为Ω；
步骤102，筛选出每个气泡区域图像中连通域面积最大的区域，然后将连通域面积最大的区域内各点的坐标(xs,ys)构成聚集严重区域坐标的集合Ωs，将聚集严重区域坐标的集合Ωs内的坐标点(xs,ys)以每个气泡的初始气泡中心坐标(xi,yi)为中心做中心对称，对称后的坐标点(xr,yr)集合为Ωr，求取集合Ωr和集合Ω内所有点的坐标平均值得到每一个新的气泡中心；
(10)任意选取一个新的气泡中心设定为当前椭圆气泡中心，并设定所述的当前椭圆气泡中心初始的椭圆短半轴长为L，椭圆轴径比为q＝1，同时设定标志位n＝0；
(11)以当前椭圆短半轴长L和当前椭圆轴径比q，生成与当前椭圆气泡中心对应的椭圆区域图像；
(12)将与当前椭圆气泡中心对应的椭圆区域图像和步骤(8)中的最终气泡区域图像进行逻辑与操作，得到当前子重叠区域图像，面积为S0；
(13)判断S0>mS是否为真，其中m表示对比系数，0<m<1；若为真，将按照步骤(1)标定板标定的数值将椭圆区域图像的像素面积折算成实际面积，将当前子重叠区域图像的实际面积视为圆的面积，然后计算得到圆半径，以圆半径作为球半径构造圆球，将圆球体积作为当前椭圆气泡区域的实际气泡体积，同时令n＝n+1，执行步骤(16)；否则，执行下一步：
(14)增加当前椭圆短轴长L，L＝L+L’,其中L’表示增长步长；然后执行下一步；
(15)判断L>Lt是否为真，Lt表示当前椭圆区域短轴长阈值；若为真，将步骤(9)中当前椭圆区域对应的最小外接矩形的长宽比k赋值给椭圆轴径比q，即q＝k，执行步骤(11)；若为假，执行步骤(11)；
(16)判断此时n<N是否为真，N为步骤(8)中最小外接矩形的数目；若为真，执行步骤(10)；若为假，则将通过步骤(13)得到的实际气泡体积相加得到局部图像中的局部总气含率εg，执行下一步；
(17)根据得到的局部总固含率和局部总气含率计算得到局部总液含率，结束当前图片的局部相含率测量；
(18)反复重复步骤(1)-步骤(18)，分别通过带远心镜头的工业相机采集的同一位置的多张图片，得到与每张图片对应的局部总固含率、局部总气含率以及局部总液含率；
(19)分别计算与全部图片对应的局部总体固含率的平均值、局部总气含率的平均值以及局部总液含率的平均值，作为带远心镜头的工业相机采集的同一位置的相含率测定稳定值。
2.根据权利要求1所述的气液固循环流化床局部相含率检测方法，其特征在于：所述的双边滤波包括以下步骤：
将得到的傅里叶滤波图像通过双边滤波器进行双边滤波，得到多次迭代的双边滤波图像；所述的双边滤波器的模型如下：
其中和/>分别为t时刻模板窗口像素位置i处和t时刻模板窗口中心像素位置邻域k处的图像灰度值，/>为归一化系数，/>为距离模板系数，/>为值域模板系数，it和kt为t时刻模板窗口像素位置坐标和模板窗口中心像素位置坐标，/>和/>分别为t时刻参考图像在模板窗口像素位置i处和模板窗口中心像素位置k处的图像灰度值，ωi为模板窗口像素位置i的邻域，σd、σr分别为高斯函数的距离模板标准差和值域模板标准差，/>为t时刻参考图像在图像像素位置m处的图像灰度，/>为初始0时刻参考图像在图像像素位置m处的图像灰度，分别为t-1时刻双边滤波图像的最小灰度值，最大灰度值及在图像像素位置m处的图像灰度值，MIN，MAX为要拉伸到的空间的最小和最大灰度值；Dmin，Dmax表示频域滤波过程截止频率的最小值和最大值，c为曲率因子，k1，σr0，Gconst为常正数；20<σr0<50,k1>0.75,0.4<c<2.7,100<Gconst<160。
CN202111163975.2A 2021-09-30 2021-09-30 一种气液固循环流化床局部相含率检测方法 Active CN113945559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111163975.2A CN113945559B (zh) 2021-09-30 2021-09-30 一种气液固循环流化床局部相含率检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111163975.2A CN113945559B (zh) 2021-09-30 2021-09-30 一种气液固循环流化床局部相含率检测方法

Publications (2)

Publication Number Publication Date
CN113945559A CN113945559A (zh) 2022-01-18
CN113945559B true CN113945559B (zh) 2023-09-26

Family

ID=79329660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111163975.2A Active CN113945559B (zh) 2021-09-30 2021-09-30 一种气液固循环流化床局部相含率检测方法

Country Status (1)

Country Link
CN (1) CN113945559B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012138104A (ja) * 2012-03-01 2012-07-19 Qualcomm Inc 異方性フィルタリングを用いたシングルパス画像ワーピングシステム及び方法
CN107705283A (zh) * 2017-06-14 2018-02-16 华北理工大学 基于Otsu图像分割的颗粒与气泡碰撞检测方法
CN109324048A (zh) * 2018-10-08 2019-02-12 浙江大学 一种喷液气固流化床中液相分配特性的测量方法
CN113310983A (zh) * 2021-05-28 2021-08-27 中国矿业大学 一种气固流化床气泡运动行为识别统计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012138104A (ja) * 2012-03-01 2012-07-19 Qualcomm Inc 異方性フィルタリングを用いたシングルパス画像ワーピングシステム及び方法
CN107705283A (zh) * 2017-06-14 2018-02-16 华北理工大学 基于Otsu图像分割的颗粒与气泡碰撞检测方法
CN109324048A (zh) * 2018-10-08 2019-02-12 浙江大学 一种喷液气固流化床中液相分配特性的测量方法
CN113310983A (zh) * 2021-05-28 2021-08-27 中国矿业大学 一种气固流化床气泡运动行为识别统计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Pulsed microreactor: An alternative to estimating kinetic parameters of non-catalytic gas-solid reactions;DESHPANDE A et al.;Chemical Engineering Research & Design;全文 *
低固含率气-液-固循环流化床流动特性;刘建华;刘明言;胡宗定;;化工学报(02);全文 *
小型气-液-固流化床液相的停留时间分布;姚东 等;化工学报;全文 *
气液固三相外环流反应器相含率分布与气液流动结构;韩玉环;杨索和;靳海波;朱建华;;过程工程学报(05);全文 *

Also Published As

Publication number Publication date
CN113945559A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
Tuller et al. Segmentation of X‐ray CT data of porous materials: A review of global and locally adaptive algorithms
CN115239719A (zh) 缺陷检测方法、系统、电子设备及存储介质
Ketcham et al. Accurate measurement of small features in X‐ray CT data volumes, demonstrated using gold grains
CN108335310B (zh) 一种便携式粒形粒度检测方法及系统
Hou et al. A review of the edge detection technology
CN113781415A (zh) 一种x射线图像的缺陷检测方法、装置、设备及介质
Yang et al. A scratch detection method based on deep learning and image segmentation
Al-Lashi et al. Automated processing of oceanic bubble images for measuring bubble size distributions underneath breaking waves
CN113436218B (zh) 基于高斯滤波与均值滤波的sar图像边缘检测方法
Casleton et al. Measuring the voidage of a CFB through image analysis
CN113945559B (zh) 一种气液固循环流化床局部相含率检测方法
CN104598906B (zh) 车辆外轮廓检测方法及其装置
CN111325724B (zh) 隧道裂纹区域检测方法和装置
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
Zhang et al. Method to concurrently measure local gas and solid holdups visually with higher precision in circulating fluidized bed
CN110751687A (zh) 一种基于计算机视觉最小最大圆的苹果大小分级方法
Smith et al. Extraction of oblique structures in noisy schlieren sequences using computer vision techniques
Grandin et al. Implementation of automated 3D defect detection for low signal-to noise features in NDE data
Wang et al. Improved Morphological Band‐Pass Filtering Algorithm and Its Application in Circle Detection
Tuyen et al. A single-camera technique for simultaneous measurement of large solid particles transported in rapid shallow channel flows
Silvetti et al. Quadratic self-correlation: An improved method for computing local fractal dimension in remote sensing imagery
Chen et al. Design and Implementation of Crack Width Detection System Based on Android
CN114166728B (zh) 多相流中非球形颗粒的曳力系数预测方法

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