基于深度学习和光学反射结构的沸腾现象判断装置及方法制造方法及图纸

本发明专利技术公开基于深度学习和光学反射结构的沸腾现象判断装置，包括，包括：实时图像采集装置、数据缓存装置以及机器学习装置，其中，所述实时图像采集装置用于实时采集液体内部的视频流，并发送至数据缓存装置；所述数据缓存装置，用于存储所述实时图像采集装置采集的液体内部的视频流数据；所述机器学习装置，用于提取所述数据缓存装置中的视频流数据，并对视频流数据进行分析处理，根据分析处理的结果判断液体的沸腾等级；用于基于数据缓存装置的更新数据进行自我优化。本发明专利技术基于人工智能训练，提高了对于液体沸腾的判断效率和精确度，且判断不受在溶液化学性质或外部环境的影响。

【技术实现步骤摘要】
基于深度学习和光学反射结构的沸腾现象判断装置及方法
本专利技术涉及图像信息处理
，尤其涉及基于深度学习和光学反射结构的沸腾现象判断装置及方法。
技术介绍
液体沸腾作为一种基础的物理现象，在冶金，制药，化工等领域均存在需要准确判断沸腾现象是否发生的场景。现有的沸腾判断技术方案主要通过监控溶液的温度上限及变化来间接判断待测物的沸腾现象，当溶液化学性质不稳定，或外部环境(压强，气温等)频繁发生变化时，此类基于间接参数判断沸腾现象的方法准确性难以确保，例如，通过温度传感器来判断锅内液体是否沸腾，此时液体温度达到沸点，不再升高了，则会认为液体沸腾了，但由于蒸汽导致锅内气压增高，沸腾了一段时间之后，液体又不再沸腾，因为压强增加导致沸点提高了；之后由于温度增加，液体性质发生变化，又会导致沸点再次变化，因此，此类基于间接参数判断沸腾现象的方法准确性难以确保，获得的数据信息不能满足需求。
技术实现思路
为了达到上述目的，本专利技术的技术方案如下：基于深度学习和光学反射结构的沸腾现象判断装置，包括：实时图像采集装置、数据缓存装置以及机器学习装置，其中，所述实时图像采集装置，包括：透镜、管路以及管路转折处设置的镜面、摄影装置，所述管路的一端开口处设置有透镜，所述摄影装置对着所述管路另一端开口处，通过所述镜面的光学反射透过透镜实时采集液体内部的视频流，并发送至数据缓存装置；所述数据缓存装置，用于存储所述实时图像采集装置采集的液体内部的视频流数据；所述机器学习装置，用于提取所述数据缓存装置中的视频流数据，并对视频流数据进行分析处理，根据分析处理的结果判断液体的沸腾等级；用于基于数据缓存装置的更新数据进行自我优化。优选地，所述管路包括第一管路、第二管路和第三管路，所述第一管路、第二管路和第三管路两两之间垂直连接，所述第一管路呈“L”型。优选地，所述第二管路设置有旋转部，通过所述旋转部带动第三管路进行360度旋转。优选地，还包括可视化装置，用于将所述机器学习装置对所述待测液体进行沸腾的判断结果进行展示。优选地，还包括辅助光源补充装置，所述辅助光源补充装置设置于实时图像采集装置上方且远离管路的一侧。基于深度学习和光学反射结构的沸腾现象判断方法，包括如下步骤：构建单通道卷积神经网络样本的训练集和测试集，对单通道卷积神经网络样本的训练集和测试集中的图像分别进行灰度处理和归一化处理；构建单通道卷积神经网络，使用单通道卷积神经网络样本中处理后的训练集对构建的单通道卷积神经网络进行训练得到沸腾判断模型；使用单通道卷积神经网络样本中处理后的测试集对得到的沸腾判断模型进行测试，检验单通道卷积神经网络性能，获取沸腾判断模型的最佳参数；构建孪生卷积神经网络样本的训练集和测试集，对孪生卷积神经网络样本的训练集和测试集中的图像分别进行灰度处理和归一化处理，并将连续帧图片数据组成数据对；构建孪生卷积神经网络，使用孪生卷积神经网络样本中处理后的训练集对构建的孪生卷积神经网络进行训练得到沸腾级别判断模型；使用孪生卷积神经网络样本中处理后的测试集对得到的沸腾等级判断模型进行测试，检验孪生卷积神经网络性能，获取沸腾等级判断模型的最佳参数；获取待测液体内部图像数据进行灰度处理和归一化处理，将生成的图像数据作为沸腾测试集，将沸腾测试集输入测试好的单通道卷积神经网络中，识别待测液体是否沸腾，当判断为否时，则直接返回沸腾等级0；若判断为是时，则将连续判断结果为是的连续帧图像组成沸腾等级测试集，并将沸腾等级测试集输入测试好的孪生卷积神经网络中，计算并返回待测液体的沸腾等级。优选地，所述单通道卷积神经网络共包括7层，6层中包括2个卷积层、2个最大池化层、2个全连接层以及1个输出层；其中单通道卷积神经网络的第1层、第3层为卷积层，所述卷积层对应的卷积核数量均为64个，卷积核的大小为3×3，步长均为1，激活函数为ReLU函数；单通道卷积神经网络的第2层、第4层为最大池化层，最大池化层的卷积核大小为2×2，步长为2；单通道卷积神经网络的第5层和第6层为全连接层，每个全连接层的神经元数量都是32个，激活函数为ReLU函数；第7层为输出层，输出层有1个神经元，激活函数为sigmoid函数。优选地，所述孪生卷积神经网络共包括22层，22层中包括13个卷积层、5个最大池化层、3个全连接层以及1个输出层；其中孪生卷积神经网络的第1、2、4、5、7、8、9、11、12、13、15、16、17层为卷积层，所述卷积层对应的卷积核数量分别为32、32、64、64、128、128、128、256、256、256、256、256、256个，卷积核的大小为3×3，步长均为1，激活函数为ReLU函数；孪生卷积神经网络的第3、6、10、14层为最大池化层，最大池化层的卷积核大小为2×2，步长为2；孪生卷积神经网络的第18、19、20层为全连接层，每个全连接层的神经元数量为1024、1024、512个，激活函数为ReLU函数，第7层为输出层，输出层有4个神经元，激活函数为sigmoid函数。优选地，使用加权损失函数Loss对单通道卷积神经网络进行训练，所使用的加权损失函数Loss为:式中，outputsize为训练集样本数量，第i个训练样本属于沸腾液体时，yi＝1，否则yi＝0，表示第i个训练样本被归属为沸腾液体的概率。优选地，使用加权损失函数Loss′对孪生卷积神经网络进行训练，所使用的加权损失函数Loss′为：式中，n为训练集样本数量，M指沸腾等级的分类数量，待观测图片k属于类别c时，ykc＝1，否则ykc＝0，Pkc为待观测图片k属于类别c的预测概率。基于上述技术方案，本专利技术的有益效果是：通过沸腾的特征，即液体剧烈气化，大量气泡上升、膨胀、至液体表面破裂消失，直接观察液体内部的变化直接判断溶液是否沸腾，具有高时效，准确性高，适应溶液性状和外部环境发生变化的情况。1.实时图像采集设备与AI技术相结合，基于人工智能训练，实现一种判断液体沸腾现象的方法，相比于传统的判断方法，直接通过识图来直观判断是否沸腾，不受压强、液体性质和外部环境因素的影响，提高了判断效率和精确度；2.基于孪生神经网络对连续帧的判断，有效减少由于液体中内容物形似沸腾气泡而导致的误判概率；3.通过潜望结构进行观测，直接获取液体内部影像，避免了直接拍摄待测液体顶部液面时受到水蒸气的遮挡，有效避免了沸腾液体蒸气对图像识别的影响；4.设置旋转部，实现多角度观测，通过调节旋转角度达到采集图像的最佳视角，有利于图像的处理、分析。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明。图1：本专利技术基于深度学习和光学反射结构的沸腾现象判断装置的结构示意图；图2：基于深度学习和光学反射结构的沸腾现象判断方法的流程图；其中：1、透镜；2、第一管路；3、第二管路；4、第三本文档来自技高网...

【技术保护点】
1.基于深度学习和光学反射结构的沸腾现象判断装置，其特征在于，包括：/n实时图像采集装置、数据缓存装置以及机器学习装置，其中，/n所述实时图像采集装置，包括：透镜、管路以及管路转折处设置的镜面、摄影装置，所述管路的一端开口处设置有透镜，所述摄影装置对着所述管路另一端开口处，通过所述镜面的光学反射透过透镜实时采集液体内部的视频流，并发送至数据缓存装置；/n所述数据缓存装置，用于存储所述实时图像采集装置采集的液体内部的视频流数据；/n所述机器学习装置，用于提取所述数据缓存装置中的视频流数据，并对视频流数据进行分析处理，根据分析处理的结果判断液体的沸腾等级；用于基于数据缓存装置的更新数据进行自我优化。/n

【技术特征摘要】
1.基于深度学习和光学反射结构的沸腾现象判断装置，其特征在于，包括：
实时图像采集装置、数据缓存装置以及机器学习装置，其中，
所述实时图像采集装置，包括：透镜、管路以及管路转折处设置的镜面、摄影装置，所述管路的一端开口处设置有透镜，所述摄影装置对着所述管路另一端开口处，通过所述镜面的光学反射透过透镜实时采集液体内部的视频流，并发送至数据缓存装置；
所述数据缓存装置，用于存储所述实时图像采集装置采集的液体内部的视频流数据；
所述机器学习装置，用于提取所述数据缓存装置中的视频流数据，并对视频流数据进行分析处理，根据分析处理的结果判断液体的沸腾等级；用于基于数据缓存装置的更新数据进行自我优化。


2.根据权利要求1所述的基于深度学习和光学反射结构的沸腾现象判断装置，其特征在于，所述管路包括第一管路、第二管路和第三管路，所述第一管路、第二管路和第三管路两两之间垂直连接，所述第一管路呈“L”型，所述第三管路的开口处设置有透镜。


3.根据权利要求2所述的基于深度学习和光学反射结构的沸腾现象判断装置，其特征在于，所述第二管路设置有旋转部，通过所述旋转部带动第三管路进行360度旋转。


4.根据权利要求1所述的基于深度学习和光学反射结构的沸腾现象判断装置，其特征在于，还包括可视化装置，用于将所述机器学习装置对液体进行沸腾的判断结果进行展示。


5.根据权利要求1所述的基于深度学习和光学反射结构的沸腾现象判断装置，其特征在于，还包括辅助光源补充装置，所述辅助光源补充装置设置于实时图像采集装置上方且远离管路的一侧。


6.基于深度学习和光学反射结构的沸腾现象判断方法，其特征在于，包括如下步骤：
构建单通道卷积神经网络样本的训练集和测试集，对单通道卷积神经网络样本的训练集和测试集中的图像分别进行灰度处理和归一化处理；
构建单通道卷积神经网络，使用单通道卷积神经网络样本中处理后的训练集对构建的单通道卷积神经网络进行训练得到沸腾判断模型；使用单通道卷积神经网络样本中处理后的测试集对得到的沸腾判断模型进行测试，检验单通道卷积神经网络性能，获取沸腾判断模型的最佳参数；
构建孪生卷积神经网络样本的训练集和测试集，对孪生卷积神经网络样本的训练集和测试集中的图像分别进行灰度处理和归一化处理，并将连续帧图片数据组成数据对；
构建孪生卷积神经网络，使用孪生卷积神经网络样本中处理后的训练集对构建的孪生卷积神经网络进行训练得到沸腾级别判断模型；使用孪生卷积神经网络样本中处理后的测试集对得到的沸腾等级判断模型进行测试，检验孪生卷积神经网络性能，获取沸腾等级判断模型的最佳参数；
获取待测液体内部图像数据进行灰度处理和归一化处理，将生成的图像数据作为沸腾测试集，将沸腾测试集输...

【专利技术属性】
技术研发人员：童尚仁，
申请(专利权)人：童尚仁，戎家琛，
类型：发明
国别省市：上海;31