一种气液两相流独立气泡分割方法、电子设备及存储介质

1.本公开涉及多相流流动特性分析领域以及流型识别和流量计量领域，具体的说，涉及的是一种对气液两相流独立气泡图像进行分割的方法。


背景技术：

2.在气液两相流中，常常含有气泡的流动。其中气泡的尺寸以及尺寸分布往往决定两相流体的流动结构和运动规律，甚至影响两相流系统的总体性能。例如，在核反应堆中，气液两相流的空泡份额会对核反应堆功率的稳定性、堆内流动和传热特性以及运行的安全产生很大的影响，而气泡尺寸对于空泡份额的分布具有极为重要的作用。
3.对于气液两相流而言，气泡与水自身都是透明的，气泡与水的交界面对光线的反射明暗层次多；另外由于运动的关系，气泡具有幅度和频率都较大的不规则变化。所以，拍摄的气泡照片往往难以区分水和气泡的边界。影响照片质量的因素：1.相机参数(曝光时间、景深等)；2.摄影用光(光源的品种、强度、照明方向、光比等)；3.光学噪声。要合理有效地分割气泡非常困难，因此要实现气泡分布的自动检测，找到可行有效的分割算法是一个较为关键的任务。
4.目前，气液两相流图像的分割一般采用传统分割方法，如基于阈值的分割算法，基于边缘检测的分割算法等。dinh和choi
1.对垂直管道中两相泡状流和弹状流图像进行滤波、边缘检测和图像二值化等处理技术提取计算了气泡尺寸。张问银等人
2.改进了canny算法(基于边缘检测算法)对气液两相流泡状流图像进行分割研究。李洪伟等人
3.将改进的等高线算法应用到了气液两相流图像中。周红娟等人
4.利用粒子群优化增强大津法对气泡进行了分割研究。施丽莲等人
5.运用形态学分割方法对气液两相流中的气泡图像进行了分割研究。
5.传统分割算法在简单的场景下能达到不错的效果，但是不同场景下都需要独立设计各个模块的参数，工作繁琐，遇到复杂的场景，难以设计出泛化性能好的算法；并且都是对一定区域内的像素做整体的处理，难以做到语义级别的分割。
6.在提出本公开的过程中，发明人发现，现有气液两相流气泡分割技术中几乎都有特定的适用范围，虽然精度较高，但实时性差，难以处理大量的数据。在许多工业应用场合中，满足不了自动检测的需求。
7.引用文献
8.[1]dinh t b,choi t s.application of image processing techniques in air/water two phase flow[j].me-chanics research communications,1999,26(4):463-468.
[0009]
[2]张问银，金宁德.基于改进canny算子的气液两相泡状流图像分割算法[j].计算机工程与科学，2009,31(8)：137-139.
[0010]
[3]李洪伟，周云龙，吴坚.改进等高线法在气液两相流图像中的应用[j].沈阳工业大学学报，2011.
[0011]
[4]周红娟，周云龙.粒子群优化增强大津法的气泡分割方法研究[j].东北电力大学学报.2011,31(01).
[0012]
施丽莲，叶军，沈红卫.气液两相流气泡图像的形态学分割方法[j].自动化仪表.2012,33(10)


技术实现要素：

[0013]
本公开提出了一种气液两相流独立气泡分割方法、电子设备及存储介质，能够解决背景技术中指出的现有技术问题。
[0014]
基础方案1：
[0015]
一种气液两相流独立气泡图像分割方法，其独特之处在于，包括：
[0016]
步骤s1，搭建能够改变气液比的气液两相流实验装置；
[0017]
步骤s2，利用高速摄像机获取垂直管道内不同流动状态下的气液两相流图像；
[0018]
步骤s3，获取训练数据，所述训练数据包括多尺寸和不同分布状态(即不同流动状态下)的气液两相流气泡图像与每个所述气液两相流气泡图像对应的标记图像；
[0019]
步骤s4，获取预训练的特征提取神经网络模型，并基于所述特征提取神经网络模型构建初始气液两相流独立气泡分割模型；
[0020]
步骤s5，基于所述的训练数据，训练所述初始气液两相流独立气泡分割模型；
[0021]
步骤s6，基于训练后得到的气液两相流独立气泡分割模型，获取待分割气液两相流中气泡标记图像，得到气液两相流气泡图像分割结果。
[0022]
在所述基础方案1上进一步优化，得到方案2：步骤s2中所述获取气液两相流图像，是对不同工况下气液两相流气泡分布的图像信号进行采集，在一个由垂直管路、高速摄像机与计算机组成的实验装置中，通过采集垂直管路上不同气泡分布的图像信号，分别固定和改变气相和液相流量，得到不同的气液流量下的气泡分布状态，对其图像进行采集。
[0023]
对方案2进行改进，可得到方案3：
[0024]
在步骤s4中，所述神经网络模型为visual geometry group模型中的vgg19模型；所述初始气液两相流独立气泡分割模型为pretrain-vgg19-unnet模型。
[0025]
在方案3基础上进一步优化，得到方案4：所述特征提取神经网络vgg19模型包括输入层、m个特征提取卷积结构、p个全连接结构以及输出层，其中，m和p均为正整数，每个特征提取卷积结构包括至少两个卷积层和一个池化层，所述全连接结构包括多个全连接层。
[0026]
在方案4基础上进一步优化，得到方案5：
[0027]
在步骤s4中，所述pretrain-vgg19-unnet模型包括：
[0028]
特征提取部分，所述特征提取部分包括特征提取神经网络vgg19模型的输入层和前n个特征提取卷积结构，其中，n为小于等于m的正整数；
[0029]
图像还原部分，所述图像还原部分包括n个图像还原卷积结构和输出结构，每个图像还原卷积结构包括至少两个卷积层和一个上采样层，所述输出结构包括至少两个卷积层和一个输出层。
[0030]
在方案5基础上进一步优化，得到方案6：所述上采样层对前一个卷积层输出的图像进行上采样计算；所述上采样计算包括以下步骤：
[0031]
步骤s21，上采样，基于双线性插值法，由上采样层前一个卷积层输出的图像中的4
个坐标点，确认新图像一个坐标点，进行图像放大；
[0032]
步骤s22，进行特征拼接利用2个3
×
3卷积层和relu激活函数进行运算；
[0033]
步骤s23，重复步骤s21，s22共4次；
[0034]
步骤s24，最后接一层1
×
1卷积层，进行降维处理，即将通道数降低至特定数量，输出分割图。
[0035]
在方案6基础上进一步优化，得到方案7：所述池化层采用最大池化法，且采样窗口为2
×
2；所述上采样层采用双线性插值法。
[0036]
本公开还有另外两个应用方面：
[0037]
一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行方案1至7中任意一项所述的方法。
[0038]
一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现方案1至7中任意一项所述的方法。
[0039]
本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0040]
本公开给出的方法是一种基于预训练特征提取神经网络模型的气液两相流独立气泡分割方法，一方面利用神经网络模型增加模型的深度，提高了预测精度，另一方面利用预训练特征提取神经网络模型简化了训练过程，提高了训练效率。同时弥补了传统算法在气液两相流气泡分割领域中泛化性差的缺点，在不同工况下能够快速且准确的将气泡分割出来，在计算气泡尺寸参数中提高了精度，满足处理大量数据的需求，为实现自动检测两相流中气泡的尺寸及数量分布提供了可靠的技术基础，同时也为确定两相流流型识别或气泡的空隙分布和速度以及两相流流量计量提供了辅助支持。
[0041]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
[0042]
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0043]
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
[0044]
图1是本公开一个具体实施例下的气液两相流独立气泡分割方法的流程图；
[0045]
图2是本公开一个具体实施例下的数据采集实验装置；
[0046]
图3是本公开一个具体实施例下的采集的气液两相流原始图像；
[0047]
图4是本公开一个具体实施例下的气液两相流人工处理标记图像；
[0048]
图5是本公开一个具体实施例下的vgg19模型的结构示意图；
[0049]
图6是本公开一个具体实施例下的pretrain-vgg19-unnet模型的框架示意图；
[0050]
图7是本公开一个具体实施例下的特征提取(下采样)和图像还原(上采样)计算的流程图；
[0051]
图8是本公开一个具体实施例下的kappa值等级分布信息表；
[0052]
图9是本公开一个具体实施例下的pretrain-vgg19-unnet模型训练流程图；
[0053]
图10是本公开一个具体实施例下的输出分割结果图。
[0054]
图中1-水箱，2-离心泵，3-阀门，4-涡轮流量计，5-空气压缩机，6-空气缓冲罐，7-针阀，8-质量流量控制器，9-止回阀，10-气液混合器，11-发展管段，12-测量管段，13-延长管段，14-气液分离器，15-高速摄像机,16-计算机。
具体实施方式
[0055]
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0056]
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。下面给出一个具体实施例，意图结合附图和实施例对本公开所给出的技术方案做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本公开的理解，而对其不起任何限定作用。
[0057]
所述气液两相流独立气泡图像分割方法包括：
[0058]
步骤s1,搭建可以改变气液比的气液两相流实验装置；
[0059]
步骤s2，利用高速摄像机获取垂直管道内不同流动状态下的气液两相流图像；
[0060]
步骤s3，获取训练数据，所述训练数据包括多尺寸和不同分布状态(即不同流动状态下)的气液两相流气泡图像与每个所述气液两相流气泡图像对应的标记图像，
[0061]
步骤s4，获取预训练的特征提取神经网络模型，并基于所述特征提取神经网络模型构建初始气液两相流独立气泡分割模型；
[0062]
步骤s5，基于所述的训练数据，训练所述初始气液两相流独立气泡分割模型；
[0063]
步骤s6，基于训练后得到的气液两相流独立气泡分割模型，获取所述待分割气液两相流中气泡标记图像，得到气液两相流气泡图像分割结果。
[0064]
可选的，所述特征提取神经网络模型为vgg19模型，所述气液两相流独立气泡分割模型为pretrain-vgg19-unnet模型；
[0065]
可选的，所述特征提取神经网络vgg19模型包括输入层、m个特征提取卷积结构、p个全连接结构以及输出层，其中，m和p均为正整数，每个特征提取卷积结构包括至少两个卷积层和一个池化层，所述全连接结构包括多个全连接层；
[0066]
可选的，所述pretrain-vgg19-unnet模型；
[0067]
特征提取部分，所述特征提取部分包括所述特征提取神经网络vgg19模型的输入层和前n个特征提取卷积结构，其中，n为小于等于m的正整数；
[0068]
图像还原部分，所述图像还原部分包括n个图像还原卷积结构和输出结构，每个所述图像还原卷积结构包括至少两个卷积层和一个上采样层，所述输出结构包括至少两个卷积层和一个输出层；
[0069]
可选的，所述上采样层对前一个卷积层输出的图像进行上采样计算；
[0070]
可选的，所述上采样计算包括以下步骤；
[0071]
步骤s21，上采样，基于双线性插值法，由上采样层前一个卷积层输出的图像中的4
个坐标点，确认新图像一个坐标点，进行图像放大；
[0072]
步骤s22，进行特征拼接利用2个3
×
3卷积层和relu激活函数进行运算；
[0073]
步骤s23，重复步骤s21，s22共4次；
[0074]
步骤s24，最后接一层1
×
1卷积，进行降维处理，即将通道数降低至特定数量，输出分割图。
[0075]
可选的，所述池化层采用最大池化法，且采样窗口为2
×
2；所述上采样层采用双线性插值法；
[0076]
可选的，所述特征提取卷积结构还包括激活层；
[0077]
可选的，所述图像还原卷积结构还包括激活层。
[0078]
可选的，所述获取预训练的特征提取神经网络vgg19模型包括：
[0079]
基于所述训练数据，训练所述特征提取神经网络vgg19模型；或者
[0080]
提取在大型公共数据集(imagenet数据集)中已训练的特征提取神经网络vgg19模型的权重。
[0081]
可选的，所述基于所述训练数据，训练所述初始pretrain-vgg19-unnet模型包括：
[0082]
步骤s31，基于所述特征提取神经网络vgg19模型，对所述pretrain-vgg19-unnet模型的特征提取部分的参数进行随机初始化；
[0083]
步骤s32，通过所述pretrain-vgg19-unnet模型，确定所述训练数据中气液两相流气泡图像的输出特征图；
[0084]
步骤s33，引入评价指标均交并比miou和kappa系数衡量分割精度；
[0085]
步骤s34，依据所预测正确的像素数量和样本准确率计算miou和kappa值。
[0086]
步骤s35，根据分割精度指标，更新所述pretrain-vgg19-unnet模型中图像还原部分的参数，在基于更新参数后的pretrain-vgg19-unnet模型，重复执行所述步骤s32、步骤s33、和步骤s34，直至分割精度达到预设值，得到训练完成的pretrain-vgg19-unnet模型。
[0087]
下面结合附图，给出更为详细的实施过程：
[0088]
如图1所示，所述气液两相流独立气泡分割方法包括：
[0089]
步骤s1，搭建可以改变气液比的气液两相流实验装置
[0090]
所述气液两相流实验装置如图2所示：为获得垂直圆管中不同气泡状态的气液两相流图像，而构建的一套气液两相流实验系统，通过调节气液比来塑造不同的气泡分布状态。该系统可分为两个部分：一部分是流体控制系统，另一部分是高速摄像采集图像系统。
[0091]
其中，所述流体控制系统主要由水泵、空气压缩机、气液混合器、涡轮流量计、气体流量计和水箱等组成。实验原理如下：空气由空气压缩机提供，通过气体流量计可以测量气相流量。水箱中的水由水泵提供压力抽到实验系统中，可以通过涡轮流量计对系统内液相流量进行测量。实验系统中的气体，液体经过混合器从透明管道底部进行实验管段，进而返回到水箱。
[0092]
其中，所述高速摄像采集系统主要由透明垂直圆管、高速摄像机、硫酸纸和补光灯，计算机组成。该装置的垂直透明管段为图像采集区，使用补光灯进行补光通过背光拍摄法获取流型图像，显示并存储在笔记本电脑中。
[0093]
步骤s2，利用高速摄像机获取垂直管道内不同流动状态下的气液两相流图像，如图3所示；
[0094]
步骤s3，获取训练数据，所述训练数据包括多尺寸和不同分布状态(即不同流动状态下)的气液两相流气泡图像与每个所述气液两相流气泡图像对应的标记图像，如图4所示；
[0095]
其中，所述气液两相流气泡标记图像指的是对于所述训练数据中的气液两相流图像进行气泡分割后，对于气泡分割结果进行标记的图像，所述气液两相流气泡标记图像中标记其气泡大小、边界、分布位置等。
[0096]
步骤s4，获取预训练的特征提取神经网络模型，并基于所述特征提取神经网络模型构建初始气液两相流独立气泡分割模型；
[0097]
在本公开一实施例中，所述特征提取神经网络模型为vgg19模型，所述气液两相流独立气泡分割模型为pretrain-vgg19-unnet模型，接下来以所述特征提取神经网络模型为vgg19模型为例，所述气液两相流独立气泡分割模型为pretrain-vgg19-unnet模型为例，对于本公开进行进一步解释和说明。
[0098]
在本公开一实施例中，所述特征提取神经网络vgg19模型包括输入层、m个特征提取卷积结构、p个全连接结构和输出层，其中m和p均为正整数，每个特征提取卷积结构包括至少两个卷积层和一个池化层，每个全连接结构包括多个全连接层。
[0099]
图5是根据本公开一实施方式的特征提取神经网络vgg19模型的结构示意图，如图5所示，在本公开一实施方式中，所述特征提取神经网络vgg19模型包括输入层、5个特征提取卷积结构、1个全连接结构和输出层，其中每个特征提取卷积结构包括2或4个卷积层和1个池化层，所述全连接结构包括多个全连接层。例如，所述特征提取神经网络vgg19模型的前两个特征提取卷积结构包括2个卷积层和1个池化层，后三个特征提取结构包括4个卷积层和1个池化层，所述全连接结构包括3个全连接层，即所述特征提取网络vgg19模型包括16层卷积层和3层全连接层的19层卷积神经网络。
[0100]
在本公开一实施方式中，在同一特征提取卷积结构中，各个卷积层的卷积核数量相同。在一个卷积层中，一个卷积核对应生成特征图像的一个通道，因此，在同一个特征提取卷积结构中，各个卷积层确定的特征图像的通道数相同。
[0101]
在本公开一实施方式中，所述特征提取神经网络vgg19模型的卷积层中的卷积核为3
×
3矩阵，用于从所述气液两相流气泡图像中提取特征。所述特征提取神经网络vgg19模型的池化层采用池化窗口大小为2
×
2的最大池化法，即每次记录大小为2
×
2的窗口中的最大值，用于对卷积后的矩阵进行降维，从而避免维数爆炸。
[0102]
在该实施方式中，所述特征提取神经网络vgg19模型是一种基于卷积神经网络结构的人工神经网络，并且所述特征提取神经网络vgg19模型的参数配置是公开可用的，已作为基准特征提取器用于许多其他应用程序中。因此，在本公开一实施例中，所述获取预训练的特征提取神经网络vgg19模型可以是基于所述训练数据，训练所述特征提取神经网络vgg19模型获得，也可以提取在大型公共数据集(imagenet数据集)中已训练的特征提取神经网络vgg19模型的权重，从而提高模型训练的效率。
[0103]
获取预训练的特征提取神经网络vgg19模型后，并基于所述预训练的特征提取神经网络vgg19模型，构建初始pretrain-vgg19-unnet模型。
[0104]
根据本公开的实施例，所述初始pretrain-vgg19-unnet模型包括特征提取部分和图像还原部分。
[0105]
所述特征提取部分包括所述特征提取神经网络vgg19模型的输入层和前n个特征提取卷积结构，其中，n为小于等于m的正整数。所述特征提取部分用于在多次卷积和池化过程中捕获图像中的上下文信息，从而获取图像特征。
[0106]
所述图像还原部分包括n个图像还原卷积结构和输出结构，每个所述图像还原部分包括至少两个卷积层和一个上采样层，所述输出结构包括至少两个卷积层和一个输出层，用于根据特征提取部分捕获的上下文信息提取图像特征，实现精确定位。
[0107]
图6是根据本公开一实施方式的pretrain-vgg19-unnet模型的结构示意图，如图6所示，在本公开一实施方式中，所述初始pretrain-vgg19-unnet模型的特征提取部分可以包括所述预训练的特征提取神经网络vgg19模型的输入层和5个编码卷积结构，即所述pretrain-vgg19-unnet模型的特征提取部分为所述预训练的特征提取神经网络vgg19模型中包含输入层在内的前17层模型。所述初始pretrain-vgg19-unnet模型的图像还原部分包括4个图像还原卷积结构和输出结构，每个图像还原卷积结构包括2个卷积层和1个上采样层，所述输出结构包括1个卷积层和1个输出层。
[0108]
在本公开一实施例中，除了输出结构中的最后一个卷积层的卷积核为1
×
1矩阵，其余卷积层的卷积核均为3
×
3矩阵；在图像还原卷积结构中，各个卷积层的卷积核数量相同，使得各卷积层所确定的特征图像的通道数相同。
[0109]
在本公开一实施方式中，所述池化层采用最大池化法，且采样窗口为2
×
2，即每次记录大小为2
×
2的窗口中的最大值，用于对卷积后的矩阵进行降维，从而避免维数爆炸，有利于获取图像特征；所述上采样层采用双线性插值法，通过使用已有的像素点来计算其他的像素点从而实现像素的扩充，简而言之，就是放大图像，有利于减少通道数量，实现精准定位。
[0110]
在本公开一实施例中，所述上采样层对前一个卷积层输出的图像进行上采样计算。图7是根据本公开一实施方式的上采样计算的流程图，如图7所示，所述上采样计算包括以下步骤：
[0111]
步骤s21，上采样，基于双线性插值法，由上采样层前一个卷积层输出的图像中的4个坐标点，确认新图像一个坐标点，进行图像放大；
[0112]
步骤s22，进行特征拼接利用2个3
×
3卷积层和relu激活函数进行运算；
[0113]
步骤s23，重复步骤s21，s22共4次；
[0114]
步骤s24，最后接一层1
×
1卷积，进行降维处理，即将通道数降低至特定数量，输出分割图。
[0115]
其中，双线性插值是一种基于像素的插值方法，用于图像缩放或上采样。在双线性插值中，目标像素的值是根据周围四个邻居像素的值进行估算的。
[0116]
例如要将一个mxn的图像上采样为2mx2n，其中(x,y)是原始图像上的一个像素，(2x,2y),(2x+1,2y),(2x,2y+1)和(2x+1,2y+1)是目标图像上的四个邻居像素。则目标像素的值可以通过以下公式计算：
[0117]
f(2x,2y)＝f(x,y)f(2x+1,2y)＝(f(x,y)+f(x+1,y))/2f(2x,2y+1)＝(f(x,y)+f(x,y+1))/2f(2x+1,2y+1)＝(f(x,y)+f(x+1,y)+f(x,y+1)+f(x+1,y+1))/4
[0118]
其中f(x,y)表示原始图像上的像素值。
[0119]
在本公开一实施例中，解码部分通过图像合并将编码部分中的上下文信息与相对
应的解码部分进行特征结合，完成了深层抽象特征(解码部分中获取的特征)和浅层特征(编码部分中获取的特征)的融合，在解码部分中增加了原始图像的上下文信息，有利于补全丢失的边界信息，提升边缘信息预测的准确性。这样，通过卷积学习语义信息和位置信息的结合方式，获得更多的特征，提高对小目标分割的效果，使模型预测的结果更加精准。
[0120]
在本公开一实施例中，所述激活层采用线性整流函数(rectified linearunit,relu)，所述relu是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数。
[0121]
步骤s5，基于所述的训练数据，训练所述初始气液两相流独立气泡分割模型；
[0122]
在本公开一实施例中，引入评价指标均交并比miou和kappa系数衡量分割精度，用以调整训练参数，优化模型。
[0123]
均交并比(mean intersection over union,miou)为图像分割的标准度量。其计算真实值和预测值的交集和并集之比之后求平均值如下式所示：
[0124][0125]
其中,k表示共有k+1个类别(包含一个背景),p
ij
表示本属于类i但被预测为类j的像素数量,p
ii
为预测正确的像素数量。
[0126]
kappa系数用于一致性检验,也可以用于衡量分类精度。通常kappa系数落在[0,1]之间。计算公式为:
[0127][0128]
其中,po为准确率,即每一类分类正确的样本数量之和除以总样本数。其中ai为每一类的真实样本个数,bi为预测出来的每一类样本个数。kappa值可分为5组来表示不同级别的一致性,如图8所示。
[0129]
图9是根据本公开一实施方式的pretrain-vgg19-unnet模型的训练流程图，如图9所示，基于所述训练数据，训练所述初始pretrain-vgg19-unnet模型的步骤包括：
[0130]
步骤s31，基于所述特征提取神经网络vgg19模型，对所述pretrain-vgg19-unnet模型的特征提取部分的参数进行随机初始化；
[0131]
步骤s32，通过所述pretrain-vgg19-unnet模型，确定所述训练数据中气液两相流气泡图像的输出特征图；
[0132]
步骤s33，引入评价指标均交并比miou和kappa系数衡量分割精度；
[0133]
步骤s34，依据所预测正确的像素数量和样本准确率计算miou和kappa值。
[0134]
步骤s35，根据分割精度指标，更新所述pretrain-vgg19-unnet模型中图像还原部分的参数，在基于更新参数后的pretrain-vgg19-unnet模型，重复执行所述步骤s32、步骤s33、和步骤s34，直至分割精度达到预设值，得到训练完成的pretrain-vgg19-unnet模型。
[0135]
在本公开一实施例中，更新所述pretrain-vgg19-unnet模型中特征提取部分的参数，包括基于sgd(stochastic gradient descent)优化算法，更新所述pretrain-vgg19-unnet模型中的参数，其中，sgd优化算法是一种通过随机梯度下降来优化所述pretrain-vgg19-unnet模型的算法，即所述sgd优化算法在更新变量参数的时候，选取一个样本的梯
度值来更新参数，sgd只是用一个样本数据参与梯度计算，因此省略了求和以及求平均的过程，降低了计算复杂度，因此提升了计算速度。
[0136]
步骤s6，基于训练后得到的气液两相流独立气泡分割模型，获取所述待分割气液两相流中气泡标记图像，得到气液两相流气泡图像分割结果。
[0137]
其中，气液两相流气泡图像分割结果如图10所示。
[0138]
在本公开一实施例中，可通过迁移学习初始化所述pretrain-vgg19-unnet模型的特征提取部分的参数，使得在训练过程中，只需要对部分参数进行微调，而不需要重新训练所有参数。这样能够在一方面加深模型深度，有利于提高模型精度，另一方面在训练过程中基于迁移学习所述预训练的特征提取神经网络vgg19模型的参数对模型进行初始化，只需对特征提取部分的参数进行微调，以及初始化并重新训练图像还原部分的参数，提高了模型的收敛速度和泛化能力，节约了训练时间。
[0139]
以上已经描述的本公开实施例，是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术进行改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种气液两相流独立气泡图像分割方法，其特征在于，包括：步骤s1，搭建能够改变气液比的气液两相流实验装置；步骤s2，利用高速摄像机获取垂直管道内不同流动状态下的气液两相流图像；步骤s3，获取训练数据，所述训练数据包括多尺寸和不同分布状态(即不同流动状态下)的气液两相流气泡图像与每个所述气液两相流气泡图像对应的标记图像；步骤s4，获取预训练的特征提取神经网络模型，并基于所述特征提取神经网络模型构建初始气液两相流独立气泡分割模型；步骤s5，基于所述的训练数据，训练所述初始气液两相流独立气泡分割模型；步骤s6，基于训练后得到的气液两相流独立气泡分割模型，获取待分割气液两相流中气泡标记图像，得到气液两相流气泡图像分割结果。2.根据权利要求1所述的一种气液两相流独立气泡图像分割方法，其特征在于：步骤s2中所述获取气液两相流图像，是对不同工况下气液两相流气泡分布的图像信号进行采集，在一个由垂直管路、高速摄像机与计算机组成的实验装置中，通过采集垂直管路上不同气泡分布的图像信号，分别固定和改变气相和液相流量，得到不同的气液流量下的气泡分布状态，对其图像进行采集。3.根据权利要求2所述的一种气液两相流独立气泡图像分割方法，其特征在于：在步骤s4中，所述神经网络模型为visualgeometrygroup模型中的vgg19模型；所述初始气液两相流独立气泡分割模型为pretrain-vgg19-unnet模型。4.据权利要求3所述的一种气液两相流独立气泡图像分割方法，其特征在于：所述特征提取神经网络vgg19模型包括输入层、m个特征提取卷积结构、p个全连接结构以及输出层，其中，m和p均为正整数，每个特征提取卷积结构包括至少两个卷积层和一个池化层，所述全连接结构包括多个全连接层。5.根据权利要求4所述的一种气液两相流独立气泡图像分割方法，其特征在于：在步骤s4中，所述pretrain-vgg19-unnet模型包括：特征提取部分，所述特征提取部分包括特征提取神经网络vgg19模型的输入层和前n个特征提取卷积结构，其中，n为小于等于m的正整数；图像还原部分，所述图像还原部分包括n个图像还原卷积结构和输出结构，每个图像还原卷积结构包括至少两个卷积层和一个上采样层，所述输出结构包括至少两个卷积层和一个输出层。6.根据权利要求5所述的一种气液两相流独立气泡图像分割方法，其特征在于：所述上采样层对前一个卷积层输出的图像进行上采样计算。7.根据权利要求6所述的一种气液两相流独立气泡图像分割方法，其特征在于：所述上采样计算包括以下步骤：步骤s21，上采样，基于双线性插值法，由上采样层前一个卷积层输出的图像中的4个坐标点，确认新图像一个坐标点，进行图像放大；步骤s22，进行特征拼接利用2个3
×
3卷积层和relu激活函数进行运算；步骤s23，重复步骤s21，s22共4次；步骤s24，最后接一层1
×
1卷积层，进行降维处理，即将通道数降低至特定数量，输出分割图。
8.根据权利要求7所述的一种气液两相流独立气泡图像分割方法，其特征在于：所述池化层采用最大池化法，且采样窗口为2
×
2；所述上采样层采用双线性插值法。9.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。

技术总结
本公开涉及一种气液两相流独立气泡分割方法、电子设备及存储介质，所述方法包括：搭建可以改变气液比的气液两相流实验装置；利用高速摄像机获取垂直管道内不同流动状态下的气液两相流图像；获取训练数据，所述训练数据包括多尺寸和不同分布状态(即不同流动状态下)的气液两相流气泡图像与每个所述气液两相流气泡图像对应的标记图像；获取预训练的特征提取神经网络模型，并基于所述特征提取神经网络模型构建初始气液两相流独立气泡分割模型；基于所述的训练数据，训练所述初始气液两相流独立气泡分割模型；基于训练后得到的气液两相流独立气泡分割模型，获取所述待分割气液两相流中气泡标记图像，得到气液两相流气泡图像分割结果；本公开给出的实施例能够快速准确地将气泡分割出来，提高计算气泡尺寸参数的精度，为实现自动检测两相流中气泡的尺寸及数量分布提供了可靠的数据基础。提供了可靠的数据基础。提供了可靠的数据基础。


技术研发人员：张勇 董云鹏 刘书张 伊虹光 张艳 刘伟
受保护的技术使用者：台州学院
技术研发日：2023.04.17
技术公布日：2023/7/25