基于多視覺信息融合技術(shù)的小通道氣液兩相流流型識別系統(tǒng)和方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于多相流流型識別領(lǐng)域，涉及一種基于多視覺信息融合技術(shù)氣液兩相流 流型識別系統(tǒng)，特別是利用這種系統(tǒng)進行氣液兩相流流型識別的方法。
【背景技術(shù)】
[0002] 由于小型/微型設(shè)備具有高效、快速、易控制及高度集成等優(yōu)點，近年來，其在能 源、化工、生物和制藥等領(lǐng)域得到廣泛應(yīng)用，小型/微型設(shè)備中微小通道氣液兩相流參數(shù)檢 測的研究受到越來越多的關(guān)注。
[0003] 現(xiàn)有的微小通道兩相流參數(shù)檢測方法主要有電學(xué)法、光學(xué)法、熱學(xué)法以及高速攝 像法等。其中高速攝像法具有直觀性、非接觸性以及可觀察兩相間的瞬態(tài)變化等優(yōu)點，在小 通道兩相流參數(shù)檢測實驗研究中得到廣泛應(yīng)用。然而，現(xiàn)有的基于高速攝像的兩相流參數(shù) 檢測方法多數(shù)是從一個角度獲取兩相流圖像，對氣液兩相空間信息及不同角度的形狀信息 獲取不足?；趩蝹€角度圖像的流型識別技術(shù)，其流型識別準確度仍有待提高。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有基于高速攝影的小管道氣液兩相流流型辨識技術(shù)信息獲取不足，準確程 度不夠高的問題，本發(fā)明通過反復(fù)研究，針對小通道氣液兩相流，提供了一種基于多視覺信 息融合技術(shù)的小通道氣液兩相流流型識別系統(tǒng)和方法，提出采用多視覺系統(tǒng)同時獲取兩相 流兩個相互垂直角度的圖像，利用圖像處理技術(shù)獲取圖像序列Hu矩統(tǒng)計參數(shù)作為流型識 別特征，建立基于支持向量機（SVM)的單視覺氣液兩相流流型識別模型，采用D-S證據(jù)理論 進行信息融合實現(xiàn)多視覺流型識別。
[0005] 基于多視覺信息融合技術(shù)的小通道氣液兩相流流型識別系統(tǒng)包括小通道管路系 統(tǒng)、多視覺高速圖像采集單元以及圖像處理和流型識別計算機。小通道管路系統(tǒng)由浸沒在 甘油槽中的小管道構(gòu)成。多視覺高速圖像采集單元由兩臺LED光源、直角棱鏡、高速攝像機 組成。直角棱鏡靠近甘油槽放置，且其一直角邊垂直于高速攝像機的成像平面。兩臺光源 提供兩個垂直方向的背光，放置于甘油槽前方的高速攝像機同時拍攝到兩個相互垂直角度 的兩相流流動圖像，采集到的圖像傳輸?shù)轿⑿陀嬎銠C中用于流型識別。
[0006] 基于多視覺信息融合技術(shù)小通道氣液兩相流流型識別方法步驟如下：
[0007] (1)小通道氣液兩相流流動圖像獲取。利用多視覺高速圖像采集單元從兩個相互 垂直的角度同時獲取小通道氣液兩相流圖像。
[0008] (2)圖像標定。對于圓形玻璃管道，其管壁折射率與甘油近似相等。將管道浸沒于 甘油槽中可以降低管壁對所拍攝圖像造成的影響。采用截面為25_X25mm的正方形的有 機玻璃長方體甘油槽，將管道浸沒于甘油槽內(nèi)，管道中心位置與截面正方形的中心相重合。 對于管道內(nèi)物點P(x，y)，由該點發(fā)出的光線在液相與管壁界面發(fā)生第一次折射，在甘油槽 槽壁與空氣界面發(fā)生第二次折射。由點P發(fā)出的兩條相鄰光線在第二次折射后的反向延長 線的交點P'（x'，y'）即為點P對應(yīng)觀察到的像點，從而可以確定點P處的校正系數(shù)a=y/y'。獲取校正系數(shù)之后，對氣液兩相流流動圖像進行標定。
[0009] (3)特征提取。采用數(shù)字圖像處理技術(shù)對所采集的不同流型的圖像序列進行預(yù)處 理，步驟包括：圖像分割、圖像去噪、差影法去除背景、邊緣檢測以及二值化填充，最終獲得 反映氣液兩相流流型的二值圖像。得到二值圖像之后，計算二值圖像的Hu矩。
[0010]對于圖像I(X，y)，其P+q階幾何矩定義為：
[0011]
[0012]
[0013]
[0014]其中λ，二⑴//?".,，j二/?⑴,/mwl
[0015] 經(jīng)歸一化后對圖像尺寸不變的p+q階中心矩定義為：
[0016] = /w,;,，/入?/ =()丄 2' …
[0017]其中γ= (p+q)/2+1。
[0018] 從尺寸不變中心矩可以導(dǎo)出一系列對于圖像的尺寸、旋轉(zhuǎn)和平移具有不變性的Hu 矩，定義如下：
[0019] Φ!= η 20+ η 02
[0020] Φ2=(η2〇-η〇2)2+4η!2!
[ο02?]φ 3=(η 30-3 η 12)2+(3 η21-η03)2 [ο022] Φ4= (η3〇+η 12)2+(η2?+η〇3)2
[ο023] Φ 5=(η 3〇-3 η 12)(η 3〇+ η 12)[ (η 30+ η 12) 2-3(η 21+ η03)2]-
[ο024] (3 η21-η 03)(η 21+ η 03) [3(η 30+ η 12)2- (η 21+ η 03)2]
[ο025] Φ6=(η2〇-η〇2) [(η30+η12)2-(η21+η03)2] +
[ο026] 4ηπ(η3〇+η12)(η21+η〇3)
[ο027] φ7= (3 η21-η 03)(η 30+ η 12)[ (η 30+ η 12) 2-3(η 21+ η03)2]+
[ο028] (3 η 12- η 30)(η 21+ η 03) [3(η 30+ η12)2-(η 21+ η03)2]
[0029] 在實際流型識別中，由于ΦρΦ2，巾3和Φ4具有較好的不變性，且足以分辨不同 的流型，因此選擇前四個Hu矩作為反映氣液兩相流流型的特征參數(shù)。對于每個角度，取500 張連續(xù)拍攝的流型圖像構(gòu)成圖像序列，求取前四階Hu矩的平均值和標準差作為流型識別 的特征向量。對于N張圖像構(gòu)成的圖像序列，第1階此矩Φ;的均值Μ和標準差σ定義 為：
[0030]
[0031]
[0032] 采用圖像序列前四階Hu矩的均值和標準差構(gòu)成的流型識別特征向量為：
[0033] ΧΤ= [Μ(Φ !)，σ (Φ??νΚΦ；；)，σ (φ2)，Μ(Φ3)，σ (φ3)，Μ(Φ4)，σ (φ4)]
[0034] (4)單視覺流型識別模型的建立。利用支持向量機（SVM)建立單視覺氣液兩相流 流型識別模型，實現(xiàn)單視覺流型識別。
[0035] 在給定的訓(xùn)練集的基礎(chǔ)上，SVM的二分類問題轉(zhuǎn)化為優(yōu)化問題：
[0036]
[0037]其中w為權(quán)重，e;為訓(xùn)練誤差，b為偏移量，γ為正則化參數(shù)，函數(shù)為核函數(shù)，1 為數(shù)據(jù)的點數(shù)。
[0038] 采用不同的核函數(shù)，可以構(gòu)造出不同的SVM模型。依據(jù)所選特征的維數(shù)及訓(xùn)練集 合的大小，選取徑向基核函數(shù)：
[0039] Κ (X，xi) = exp (_ || χ-Xi || 2/2〇2)
[0040] 隨機選取訓(xùn)練集和測試集，每兩種流型之間利用SVM建立一個二分類器，四種典 型流型之間共建立6個二分類器。每個測試樣本分別送入6個二分類器進行流型識別，采 用投票法確定最終的流型識別結(jié)果，從而實現(xiàn)單視覺氣液兩相流流型識別。
[0041] (5)基于多視覺信息融合技術(shù)識別流型。
[0042] D-S證據(jù)理論的基本概念定義如下：
[0043] 設(shè)U為一個有窮而完備的論域集合，且U中的各元素相互獨立。對于任何一個屬 于U中的命題A，有函數(shù)ηι:2Ω- [0, 1]，且滿足
[0044]
[0045]則稱m(A)為Α的基本概率賦值（BasicProbabilityAssignment,ΒΡΑ)，表示對 命題A的信任度。
[0046] 對于命題A，信任函數(shù)定義為：
[0047] η^?.
[0048] 表示命題Α中所有子集的基本概率賦值之和，即對Α的總的信任。當(dāng)Α是單元素 命題時，Bel(A) =m(A)。
[0049] 對于命題A，似然函數(shù)定義為：
[0050]
[0051] 表示不否定A的程度。Pis(A)彡Bel(A)。Pis(A)-Bel(A)表示對命題A的不確定 性。當(dāng)Pis(A) =Bel(A)時，表示對命題A的信任度是完全確定的。
[0052] D-S合成規(guī)則定義如下：
[0053] 對於? ，U上的兩個信任函數(shù)分別為BelpBeL，mJP…分別是其對應(yīng)的基本概 率賦