CN117074717A - 一种基于粒子识别的固液两相流图像测速方法和系统 - Google Patents
一种基于粒子识别的固液两相流图像测速方法和系统 Download PDFInfo
- Publication number
- CN117074717A CN117074717A CN202311022383.8A CN202311022383A CN117074717A CN 117074717 A CN117074717 A CN 117074717A CN 202311022383 A CN202311022383 A CN 202311022383A CN 117074717 A CN117074717 A CN 117074717A
- Authority
- CN
- China
- Prior art keywords
- solid
- flow
- phase
- optical flow
- liquid
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 103
- 239000007788 liquid Substances 0.000 title claims abstract description 38
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000827 velocimetry Methods 0.000 title claims abstract description 24
- 239000007790 solid phase Substances 0.000 claims abstract description 71
- 230000003287 optical effect Effects 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000006073 displacement reaction Methods 0.000 claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 239000012530 fluid Substances 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 239000012071 phase Substances 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 239000007791 liquid phase Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000004599 local-density approximation Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
- G01P5/20—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance using particles entrained by a fluid stream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明公开了一种基于粒子识别的固液两相流图像测速方法和系统，属于参数测量技术领域，包括：基于流场可视化原理，在流场中加入固相颗粒，建立固液两相流实验台，利用高速工业相机获取垂直管道原始图像，并根据固液两相流的流动特性建立流动特性分析模型；基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场；利用目标识别算法，提取固相颗粒的轮廓，根据固相颗粒的投影面积，计算固相颗粒的相含率；利用像素标定技术，获得光流的对应位移以及固相颗粒的对应大小；利用信息融合技术，统计固相颗粒的大小与速度。
Description
技术领域
本发明属于参数测量技术领域，具体涉及一种基于粒子识别的固液两相流图像测速方法和系统。
背景技术
管道运输是地下空间开发的常用方法，无论是掘进过程中的岩渣排屑还是能源的提取都离不开管道运输，如何提高管道运输效率是目前需要解决的关键问题。固液两相流的行为对于管道运输的设计和优化具有重要影响。固液两相流的流动特性参数多、难以测量、分析困难，一直是流体力学领域的一大难题。
目前，对于固液两相流的行为特性，主要采用基于多普勒效应的激光多普勒测速法(Laser Doppler Velocimetry，LDV)，激光多普勒测速法利用激光束散射的多普勒效应来精准测量流体中颗粒或气泡的速度。然而激光多普勒测速法需要激光发射器以及激光接收器，在管道中安装激光发射器以及激光接收器成本高，计算耗时长。并且，激光多普勒测速法仅能测量特定位置的速度场，难以获得全局速度场。
发明内容
为了解决现有技术存在的成本高、计算耗时长、难以获得全局速度场的技术问题，本发明提供一种基于粒子识别的固液两相流图像测速方法和系统。
第一方面
本发明提供了一种基于粒子识别的固液两相流图像测速方法，包括：
S101：基于流场可视化原理，在流场中加入固相颗粒，建立固液两相流实验台，利用高速工业相机获取垂直管道原始图像，并根据固液两相流的流动特性建立流动特性分析模型；
S102：基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场；
S103：利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率；
S104：利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小；
S105：利用信息融合技术，统计所述固相颗粒的大小与速度。
第二方面
本发明提供了一种基于粒子识别的固液两相流图像测速系统，用于执行第一方面中的基于粒子识别的固液两相流图像测速方法。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，获取垂直管道原始图像，基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场，利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率，利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小，之后利用信息融合技术，统计所述固相颗粒的大小与速度。相较于现有的激光多普勒测速法，可以获得全局速度场、成本低、计算耗时短。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于粒子识别的固液两相流图像测速方法的流程示意图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的一种基于粒子识别的固液两相流图像测速方法的流程示意图。
本发明提供的一种基于粒子识别的固液两相流图像测速方法，包括：
S101：基于流场可视化原理，在流场中加入固相颗粒，建立固液两相流实验台，利用高速工业相机获取垂直管道原始图像，并根据固液两相流的流动特性建立流动特性分析模型；
其中，流场可视化原理是指将流体的运动特性可视化展示的方法，通过图像、动画或其他可视化形式，使人们能够直观地观察流体在空间和时间上的运动情况。
其中，固相颗粒是指在流体中悬浮的固体微粒，如沙子、粉尘、颗粒物等。在固液两相流中，固相颗粒是与液体共同组成流体的一部分，其运动和行为对流体流动特性有重要影响。在流场实验中，我们可以向流体中加入适当尺寸的固相颗粒，通过观察它们在流场中的运动，来研究固相颗粒与液体之间的相互作用和流动特性。
其中，管道可以指输油管道、输气管道等。
S102：基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场；
需要说明的是，光流计算原理与速度计算原理之间的一致性在于都关注同一点在相邻两帧图像之间的位置变化，并且利用这些位置变化来推测像素的位移或物体的运动速度。
其中，基于深度学习的光流网络是利用深度学习技术来学习图像中像素的运动信息，并估算出光流场的一种方法。传统的光流算法通常依赖于手工设计的特征提取和匹配算法，但这些方法在复杂的图像场景下可能不够准确。深度学习的光流网络通过在大量图像对上进行训练，可以自动学习更复杂的图像特征和运动模式，从而提高光流估计的准确性。
在一种可能的实施方式中，所述S102具体包括：
S1021：基于光流计算原理与速度计算原理之间具有一致性，光流算法基于光照不变原理计算同一点在相邻两帧上的不同位置，计算出像素位移，所述像素位移又称光流，以所述光流作为所述固相颗粒的位移；
S1022：统计所述垂直管道原始图像中各个所述固相颗粒的位移，得到流体的全局光流场。
具体而言，光流计算原理与速度计算原理之间具有一致性，光流算法基于光照不变原理计算同一点在相邻两帧上的不同位置，计算出像素位移，所述像素位移又称光流，以所述光流作为所述固相颗粒的位移。统计所述垂直管道原始图像中各个所述固相颗粒的位移，得到流体的全局光流场。获取的位移场即为每个像素在间隔Δt时间的连续两帧图像的位移，通过除以时间间隔即计算出速度场，为模型分析流场速度提供位移，相比于采用互相关算法获取位移场，精度更高，互相关算法采用的是窗口匹配，获得的位移场为平均位移，不能达到高精度测速要求，同时本算法与嵌入式算法相比，本算法能获得全局速度场，不在局限于单点测量，可以获得管道内任一点的流场，为粒子识别提供位移场信息。
S103：利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率；
在一种可能的实施方式中，所述S103具体包括：
S1031：采用U-Net算法对所述垂直管道原始图像进行预处理，采用像素级的实例分割方法，对每一个像素进行分类，获取流场中所述固相颗粒的轮廓图。
其中，U-Net算法是一种深度学习的神经网络架构，专门用于语义分割任务。U-Net的特点是它结合了编码器(下采样路径)和解码器(上采样路径)的设计，使得网络能够同时具备较强的特征提取能力和较好的空间分辨率恢复。这种结构使得U-Net在像素级的图像分割任务中表现出色。
具体而言，采用U-Net算法对所述垂直管道原始图像进行预处理，采用像素级的实例分割方法，对每一个像素进行分类，获取流场中所述固相颗粒的轮廓图，本算法相比于在光流场中采用阈值分割识别固体颗粒存在以下优点，能更准确的识别出粒子的轮廓，尤其是固体颗粒速度与流场速度一致的固体颗粒，提高粒子轮廓的提取准确率，与水平集与高斯模型相比，能处理更复杂的背景，对于背景噪声严重的场景也能表现很好，该算法能为多相流流动特性分析提供准确的轮廓识别，为颗粒的轮廓与面积计算提供信息。
在一种可能的实施方式中，所述S103还包括：
S1032：采用openCV中的图像轮廓提取算法cv2.findContours获取实例分割图的单个所述固相颗粒的轮廓；
需要说明的是，图像轮廓提取算法cv2.findContours可以将轮廓识别为一个个固体颗粒实体，提供单颗粒的特征信息。
S1033：采用openCV中的轮廓面积计算算法cv2.contourArea从单个轮廓中获取每个所述固相颗粒在图像帧上的投影像素面积；
S1034：采用openCV中的填充多边形算法cv2.fillConvexPoly获取每个所述固相颗粒在图像帧上的形状掩膜。
S104：利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小；
在一种可能的实施方式中，所述S104具体为：
根据相机成像原理，采用尺寸已知的标定物，建立标定物上已知的点与图像点之间的对应关系，利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小。
其中，像素标定技术也称为像素尺寸标定或像素大小标定，是一种用于将图像上的像素位置映射到真实物理尺寸的技术。在相机成像过程中，由于像素是图像的最小单位，每个像素对应着图像上的一个点。通过像素标定技术，可以建立图像中像素坐标与实际物体尺寸之间的映射关系，从而将图像中的像素位置转换为实际的物理坐标。
S105：利用信息融合技术，统计所述固相颗粒的大小与速度。
在一种可能的实施方式中，所述S105具体为：
根据光流算法提供的光流信息计算出标定后的位移信息，根据目标分割模块计算的轮廓信息标定获得的面积信息以及两帧之间的时间间隔，利用信息融合技术，统计流场中固、液两相的速度与所述固相颗粒的大小与速度。
需要说明的是，光流算法能够估计像素的位移，而目标分割模块能够提取固相颗粒的轮廓信息和面积信息。通过将这些信息融合，可以提高测速的准确性。光流算法能够较为精确地估计流体的运动速度，而目标分割模块提供的轮廓信息和面积信息可以用于更精确地识别和跟踪固相颗粒，从而更准确地计算固相颗粒的速度和大小。
在一种可能的实施方式中，所述流动特性分析模型由光流估计算法模块、目标识别模块、像素标定模块以及信息融合模块组成；
其中，所述光流估计算法模块用于基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场；
所述目标识别模块用于利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率；
所述像素标定模块用于利用像素标定技术，获得光流的对应位移以及所述固相颗粒的大小；
所述信息融合模块用于利用信息融合技术，统计所述固相颗粒的大小与速度。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，获取垂直管道原始图像，基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场，利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率，利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小，之后利用信息融合技术，统计所述固相颗粒的大小与速度。相较于现有的激光多普勒测速法，可以获得全局速度场、成本低、计算耗时短。
实施例2
在一个实施例中，本发明提供的一种基于粒子识别的固液两相流图像测速系统，用于执行实施例1中的基于粒子识别的固液两相流图像测速方法。
本发明提供的一种基于粒子识别的固液两相流图像测速系统可以实现上述实施例1中的基于粒子识别的固液两相流图像测速方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，获取垂直管道原始图像，基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场，利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率，利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小，之后利用信息融合技术，统计所述固相颗粒的大小与速度。相较于现有的激光多普勒测速法，可以获得全局速度场、成本低、计算耗时短。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于粒子识别的固液两相流图像测速方法，其特征在于，包括：
S101：基于流场可视化原理，在流场中加入固相颗粒，建立固液两相流实验台，利用高速工业相机获取垂直管道原始图像，并根据固液两相流的流动特性建立流动特性分析模型；
S102：基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场；
S103：利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率；
S104：利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小；
S105：利用信息融合技术，统计所述固相颗粒的大小与速度。
2.根据权利要求1所述的基于粒子识别的固液两相流图像测速方法，其特征在于，所述流动特性分析模型由光流估计算法模块、目标识别模块、像素标定模块以及信息融合模块组成；
其中，所述光流估计算法模块用于基于光流计算原理与速度计算原理之间具有一致性，采用基于深度学习的光流网络估算流体的全局光流场；
所述目标识别模块用于利用目标识别算法，提取所述固相颗粒的轮廓，根据固相颗粒的投影面积，计算所述固相颗粒的相含率；
所述像素标定模块用于利用像素标定技术，获得光流的对应位移以及所述固相颗粒的大小；
所述信息融合模块用于利用信息融合技术，统计所述固相颗粒的大小与速度。
3.根据权利要求1所述的基于粒子识别的固液两相流图像测速方法，其特征在于，所述S102具体包括：
S1021：基于光流计算原理与速度计算原理之间具有一致性，光流算法基于光照不变原理计算同一点在相邻两帧上的不同位置，计算出像素位移，所述像素位移又称光流，以所述光流作为所述固相颗粒的位移；
S1022：统计所述垂直管道原始图像中各个所述固相颗粒的位移，得到流体的全局光流场。
4.根据权利要求1所述的基于粒子识别的固液两相流图像测速方法，其特征在于，所述S103具体包括：
S1031：采用U-Net算法对所述垂直管道原始图像进行预处理，采用像素级的实例分割方法，对每一个像素进行分类，获取流场中所述固相颗粒的轮廓图。
5.根据权利要求4所述的基于粒子识别的固液两相流图像测速方法，其特征在于，所述S103还包括：
S1032：采用openCV中的图像轮廓提取算法cv2.findContours获取实例分割图的单个所述固相颗粒的轮廓；
S1033：采用openCV中的轮廓面积计算算法cv2.contourArea从单个轮廓中获取每个所述固相颗粒在图像帧上的投影像素面积；
S1034：采用openCV中的填充多边形算法cv2.fillConvexPoly获取每个所述固相颗粒在图像帧上的形状掩膜。
6.根据权利要求1所述的基于粒子识别的固液两相流图像测速方法，其特征在于，所述S104具体为：
根据相机成像原理，采用尺寸已知的标定物，建立标定物上已知的点与图像点之间的对应关系，利用像素标定技术，获得光流的对应位移以及所述固相颗粒的对应大小。
7.根据权利要求1所述的基于粒子识别的固液两相流图像测速方法，其特征在于，所述S105具体为：
根据光流算法提供的光流信息计算出标定后的位移信息，根据目标分割模块计算的轮廓信息标定获得的面积信息以及两帧之间的时间间隔，利用信息融合技术，统计流场中固、液两相的速度与所述固相颗粒的大小与速度。
8.一种基于粒子识别的固液两相流图像测速系统，其特征在于，用于执行权利要求1至7任一项所述的基于粒子识别的固液两相流图像测速方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311022383.8A CN117074717B (zh) | 2023-08-14 | 2023-08-14 | 一种基于粒子识别的固液两相流图像测速方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311022383.8A CN117074717B (zh) | 2023-08-14 | 2023-08-14 | 一种基于粒子识别的固液两相流图像测速方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117074717A true CN117074717A (zh) | 2023-11-17 |
| CN117074717B CN117074717B (zh) | 2024-09-24 |
Family
ID=88709082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311022383.8A Active CN117074717B (zh) | 2023-08-14 | 2023-08-14 | 一种基于粒子识别的固液两相流图像测速方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117074717B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637072A (zh) * | 2015-03-09 | 2015-05-20 | 宁波大学 | 一种循环流化床锅炉气固流场颗粒运动检测方法 |
| CN209928484U (zh) * | 2019-06-26 | 2020-01-10 | 邝勇兴 | 用于物料输送的图像光流固相流速检测装置 |
| CN112241970A (zh) * | 2020-09-15 | 2021-01-19 | 西安建筑科技大学 | 基于纹影成像的气液两相中气流场速度测量方法和系统 |
| CN113076883A (zh) * | 2021-04-08 | 2021-07-06 | 西南石油大学 | 一种基于图像特征识别的井喷气体流速测量方法 |
| US20210327075A1 (en) * | 2018-11-13 | 2021-10-21 | Hydrosem | Apparatus and method for measuring flow velocity of stream using optical flow image processing |
| CN114078223A (zh) * | 2020-08-17 | 2022-02-22 | 华为技术有限公司 | 视频语义识别方法及设备 |
-
2023
- 2023-08-14 CN CN202311022383.8A patent/CN117074717B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637072A (zh) * | 2015-03-09 | 2015-05-20 | 宁波大学 | 一种循环流化床锅炉气固流场颗粒运动检测方法 |
| US20210327075A1 (en) * | 2018-11-13 | 2021-10-21 | Hydrosem | Apparatus and method for measuring flow velocity of stream using optical flow image processing |
| CN209928484U (zh) * | 2019-06-26 | 2020-01-10 | 邝勇兴 | 用于物料输送的图像光流固相流速检测装置 |
| CN114078223A (zh) * | 2020-08-17 | 2022-02-22 | 华为技术有限公司 | 视频语义识别方法及设备 |
| CN112241970A (zh) * | 2020-09-15 | 2021-01-19 | 西安建筑科技大学 | 基于纹影成像的气液两相中气流场速度测量方法和系统 |
| CN113076883A (zh) * | 2021-04-08 | 2021-07-06 | 西南石油大学 | 一种基于图像特征识别的井喷气体流速测量方法 |
Non-Patent Citations (4)
| Title |
|---|
| "《水利量测技术论文选集（第十二集）》", 31 August 2022, 黄河水利出版社, pages: 37 * |
| 范振儒: "基于气固两相流流型图像的多参数检测方法", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 12, 15 December 2010 (2010-12-15), pages 4 - 5 * |
| 褚君浩院士: "《人工智能 构建适应复杂环境的智能体》", 28 February 2022, 上海科学技术文献出版社, pages: 47 - 48 * |
| 高敬鹏 等: "《机器学习基于OpenCV和Python的智能图像处理》", 31 May 2020, 《机械工业出版社》, pages: 193 - 195 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117074717B (zh) | 2024-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Geiger et al. | Are we ready for autonomous driving? the kitti vision benchmark suite | |
| Mancini et al. | Fast robust monocular depth estimation for obstacle detection with fully convolutional networks | |
| EP2858008B1 (en) | Target detecting method and system | |
| JP4429298B2 (ja) | 対象個数検出装置および対象個数検出方法 | |
| Chen et al. | Moving-object detection from consecutive stereo pairs using slanted plane smoothing | |
| EP2330557B1 (en) | Moving body detection method and moving body detection device | |
| CN103325112B (zh) | 动态场景中运动目标快速检测方法 | |
| CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
| TW201324383A (zh) | 基於視訊分析的物件計數方法與裝置 | |
| KR20210005621A (ko) | 포인트 클라우드의 채색에 사용하기 위한 방법 및 시스템 | |
| CN107067755A (zh) | 一种基于计算机视觉自动校准交通监控相机的方法 | |
| CN109002800A (zh) | 基于多传感器融合的三维目标实时识别机构及识别方法 | |
| CN112198170A (zh) | 一种无缝钢管外表面三维检测中识别水滴的检测方法 | |
| CN113449692A (zh) | 一种基于无人机的地图车道信息更新方法及其系统 | |
| CN104217442A (zh) | 基于多模型估计的航拍视频运动目标检测方法 | |
| CN103345792B (zh) | 基于传感器景深图像的客流统计装置及其方法 | |
| CN103679740A (zh) | 一种无人机对地目标roi提取方法 | |
| CN105046285B (zh) | 一种基于运动约束的异常行为辨识方法 | |
| CN117074717B (zh) | 一种基于粒子识别的固液两相流图像测速方法和系统 | |
| CN117152463A (zh) | 基于视频分析的泥石流龙头监测方法 | |
| JP4674920B2 (ja) | 対象個数検出装置および対象個数検出方法 | |
| JP2019174910A (ja) | 情報取得装置及び情報集計システム並びに情報集計装置 | |
| US20220414983A1 (en) | Information processing device, information processing method, and program | |
| Xiong et al. | Crowd density estimation based on image potential energy model | |
| CN101685538B (zh) | 对象跟踪方法和装置 |
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 |