【技术实现步骤摘要】
一种基于多尺度卷积网络的两相流流型识别方法
本专利技术属于图像处理与深度学习
,涉及高效的图像分类处理,尤其涉及一种基于多尺度卷积网络的两相流流型识别方法。
技术介绍
两相流现象广泛存在于工业生产过程,作为一种复杂的流体流动现象,可能会诱发安全问题,甚至会影响整体系统或设备的稳定可靠运行。因此,获取其物理属性是工业界和科技界一直关注的核心。在两相流的物理属性研究中,两相流流型的研究一直是工业生产过程中的一个重点。随着神经网络的发展,传统的BP、小波以及RBF神经网络先后应用到两相流图像重建,由于这些神经网络算法存在自身的局限性,导致两相流图像重建保真度不高,故在图像重建的基础上通过卷积神经网络进行两相流流型识别应运而生。构建用于两相流流型识别的数据集可通过RBF神经网络图像重建得到,其原理可参考(党佳琦.基于ERT技术的两相流测量正反问题及实验研究[D].西安电子科技大学,2020.)得到。具体操作方法为,通过Comsol仿真软件搭建16电极的ERT两相流模型,并采集边界电势数据作为训练样本输入到RBF神经网络模型进行训练,最后将测试样本输入到训练好的模型中并进行图像重建,通过调整RBF神经网络模型中newrb函数的speed参数(speed参数设置不同,导致训练好的RBF网络模型参数不同,进而图像重建的结果不同),使每次图像重建结果都存在差别,如此可构建出用于卷积神经网络进行流型识别的图像数据集。目前,卷积神经网络已经大量的应用到图像识别中,并且可以自动提取图像特征,因而各个领域的研究者也纷纷基于现有 ...
【技术保护点】
1.一种基于多尺度卷积网络的两相流流型识别方法,其特征是:至少包括以下步骤:/n步骤一:利用RBF神经网络进行图像重建,构建卷积神经网络的图像数据集,也就是构建用于两相流流型识别的图像数据集,并将采集到图像进行分类,分别为环型流型和芯型流型,并按照4:1:1的比例划分为训练集、验证集和测试集;/n步骤二:对训练集中的流型图像进行批处理,随机从训练集中选取10张流型图像作为Batch,并对图像进行下采样,生成256*256的图像,输入多尺度网络中进行训练;/n步骤三:将步骤二中的Batch读取到多尺度卷积网络中,通过3个卷积模块来提取不同尺度上的特征;每个卷积块均由卷积层,激活层和池化层组成,第一个卷积层的卷积核大小为1,第二个卷积层的卷积核大小为3,第三个卷积层的卷积核大小为5;池化层均为最大池化,以保留重要信息,去除不重要或无用信息;/n步骤四:对步骤三中的多尺度特征f
【技术特征摘要】
1.一种基于多尺度卷积网络的两相流流型识别方法,其特征是:至少包括以下步骤:
步骤一:利用RBF神经网络进行图像重建,构建卷积神经网络的图像数据集,也就是构建用于两相流流型识别的图像数据集,并将采集到图像进行分类,分别为环型流型和芯型流型,并按照4:1:1的比例划分为训练集、验证集和测试集;
步骤二:对训练集中的流型图像进行批处理,随机从训练集中选取10张流型图像作为Batch,并对图像进行下采样,生成256*256的图像,输入多尺度网络中进行训练;
步骤三:将步骤二中的Batch读取到多尺度卷积网络中,通过3个卷积模块来提取不同尺度上的特征;每个卷积块均由卷积层,激活层和池化层组成,第一个卷积层的卷积核大小为1,第二个卷积层的卷积核大小为3,第三个卷积层的卷积核大小为5;池化层均为最大池化,以保留重要信息,去除不重要或无用信息;
步骤四:对步骤三中的多尺度特征fi进行组合,组合后的通道数为128*3,此时特征的维度较高,引入注意力机制可以有效的提高网络的性能;
步骤五:将上一步骤中的输出特征输入到特征融合与降维模块中,实现不同尺度特征的融合与降维;
步骤六:将步骤五中的特征输入到分类器中,对图像的流型类别进行分类,芯型图像输出为0,环型图像输出为1,Droupout的参数设置为0.5,即随机删除50%的神经元连接,减少网络的过拟合,再通过卷积层将通道数降至2,通过ReLU激活函数后,再通过全局自适应池化,输出分类结果;
步骤七:将分类结果与图像的标签采用交叉熵损失函数进行计算,返回计算结果,即网络的损失;
式中class表示的是标签值,并不参与直接计算,而是作为一个索引,索引对象为实际类别;j表示的是分类问题的类别数;
步骤八:通过随机梯度下降计算网络参数的梯度,并通过优化器更新网络;
步骤九:固定更新后的网络参数,重新在数据集中提取Batch输入到网络中,重复步骤二到步骤九,通过不断的训练来对网络参数进行更新,使网络的性能不断提高;
步骤十:当网络的损失稳定或达到设置的训练停止条件时,停止网络的训练,保存训练好的网络结构和模型参数。
2.根据权利要求所述的一种基于多尺度卷积网络的两相流流型识别方法,其特征是:所述的步骤一具体操作为,通过Comsol仿真软件搭建16电极的ERT两相流模型。
3.根据权利要求所述的一种基于多尺度卷积网络的...
【专利技术属性】
技术研发人员:张国渊,王烈文,黎旭康,王杰,党佳琦,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。