一种液体中气泡的轨迹跟踪与检验方法技术

本发明专利技术提供一种液体中气泡的轨迹跟踪与检验方法，步骤一：获取气泡流数据；步骤二：训练YOLOv5检测算法模型；步骤三：训练DeepSort跟踪算法模型；步骤四：获得跟踪轨迹；基于YOLOv5算法训练所得检测模型，结合DeepSort算法训练所得跟踪模型，对气泡流数据进行跟踪，得到跟踪轨迹；步骤五：利用相似度指标，提升算法性能；本发明专利技术对液体中的运动气泡，运用基于目标检测算法的多目标跟踪算法，考虑目标外观及运动信息，实现对形状可能发生改变的气泡进行持续跟踪。此外，以轨迹相似度作为检验指标，优化多目标跟踪算法，得到一个跟踪性能更好的算法模型，为后续研究提供具有可靠性的轨迹数据。据。据。

【技术实现步骤摘要】
一种液体中气泡的轨迹跟踪与检验方法


[0001]本专利技术涉及一种气液两相流的轨迹跟踪与检验方法，特别是液体中运动气泡的轨迹跟踪与检验。具体运用多目标跟踪算法实现液体中气泡的轨迹跟踪，并以轨迹相似度为检验指标提升算法的性能，本专利技术技术属于计算机视觉领域。

技术介绍

[0002]气液两相流作为两相流动最常见的形式之一,广泛存在于自然界和工程领域，如热能动力工程、核能工程、水利工程、船舶以及航天等领域。在电化学水处理过程中，气泡的直径、运动速率、气泡密度等对分选效率和效果都有较为明显的影响，适当调整气泡的大小及运动速率可提高分离效果；在板式换热器中，冷通道通常采用水和空气作为热交换介质，而空气在水中呈气泡状态，对板式换热器的热交换效率、流动阻力等性能有明显影响；在船舶行驶过程中，水下爆炸气泡载荷会造成舰船结构整体损伤，研究水下气泡发生爆炸时的动态特性对于水中兵器研发和舰船防护等方面至关重要。因此，深入研究气泡的运动行为和特性，具有重要的实用背景。
[0003]气泡的运动轨迹是气泡动态行为的重要体现。为了获得气泡流中每个气泡的运动轨迹，需要进行多目标跟踪。当气泡在液体中流动时，由于受重力、浮力及表面张力等共同作用，会出现形变、破裂以及聚并等现象。这就会导致跟踪目标的ID频繁发生变化，加大跟踪难度，影响轨迹跟踪的完整性。因此，本专利技术采用DeepSort算法，充分考虑气泡在运动过程中的形状变化和外观信息，实现对气泡的持续跟踪。并且通过已知真实轨迹信息的气泡流数据，以轨迹相似度作为检验指标优化算法性能，为后续研究提供一组具有参考价值的轨迹信息。

技术实现思路

[0004]本专利技术的目的是提出一种液体中运动气泡的轨迹跟踪与检验方法。该方法克服了液体中气泡形状发生改变而导致的目标ID频繁变化的问题，能够实现运动气泡的持续跟踪，同时以轨迹相似度作为检验指标优化算法性能，达到提供一组可靠的轨迹数据的目的。
[0005]本专利技术的目的是这样实现的：
[0006]一种液体中气泡的轨迹跟踪与检验方法，包括如下步骤：
[0007]步骤一：获取气泡流数据，得到每个气泡的真实运动轨迹信息；
[0008]步骤二：训练YOLOv5检测算法模型；在目标检测过程中，对YOLOv5算法的训练数据集是由气泡流视频切分所得的多气泡图像，包括训练集和测试集；
[0009]步骤三：训练DeepSort跟踪算法模型；通过对YOLOv5算法的训练数据集进行裁剪，得到DeepSort算法的训练数据集，训练DeepSort算法模型；
[0010]步骤四：获得跟踪轨迹；基于YOLOv5算法训练所得检测模型，结合DeepSort算法训练所得跟踪模型，对气泡流数据进行跟踪，得到跟踪轨迹；
[0011]步骤五：利用相似度指标，提升算法性能；计算气泡流数据中每个气泡的真实轨迹
与跟踪轨迹的相似度，适当调整训练参数，优化跟踪算法的性能。
[0012]所述步骤二包括：
[0013]步骤2.1、运用DarkLabel标注工具，对多气泡图像进行手工标注，得到XML格式的标注数据集；
[0014]步骤2.2、训练YOLOv5算法模型；将标注数据集和多气泡图像分别输入YOLOv5网络进行训练，得到训练好的YOLOv5算法模型，利用该模型对气泡流数据进行目标检测。
[0015]所述步骤三包括：
[0016]步骤3.1、利用Python程序，根据步骤2.1中标注工具生成的XML文件，将多气泡图像进行裁剪，得到大小不一的单个气泡图像，作为训练数据集；
[0017]步骤3.2、训练DeepSort算法模型，将步骤3.1得到的训练数据集输入DeepSort网络进行训练，得到训练好的DeepSort算法模型。
[0018]所述步骤四具体为：
[0019]步骤4.1、结合YOLOv5训练模型，利用DeepSort训练模型，对气泡流数据进行跟踪，DeepSort算法跟踪过程如下：
[0020]步骤4.1.1、预测状态：将上一轮迭代产生的Tracks，通过卡尔曼滤波进行预测，并计算出本轮的均值和方差；Tracks是跟踪流程中用于流转的一个对象，包括八个重要属性：均值、协方差矩阵、跟踪目标的ID、连续错过的最大次数、最大寿命、特征向量、观测更新的总次数、自第一次出现的总帧数、自上次观测更新出现的总帧数、状态，状态不改变，分别为：已经确认匹配的Tracks、未确认匹配的Tracks；
[0021]步骤4.1.2、第一次匹配：将4.1.1中的Tracks和本轮目标检测器检测出的Detections进行匹配，产生三种状态：未匹配的Tracks、未匹配的Detections、已匹配的Tracks；当匹配成功次数在三次以下为未确认匹配的Tracks、三次或者超过三次为已经确认匹配的Tracks；
[0022]步骤4.1.3、第二次匹配：上述4.1.2中的匹配会有遗漏情况，因此需要与4.1.1中的未确认匹配的Tracks结果合并，利用IOU分数进行再一次匹配，得出确定的三种状态情况：未匹配的Tracks、未匹配的Detections、已匹配的Tracks；
[0023]步骤4.1.4、处理失效对象：在未匹配的Tracks中，未确认匹配的Tracks和已经确认匹配但是自第一次出现的总帧数超过给定阈值的Tracks，需要进行删除；
[0024]步骤4.1.5、输出匹配结果并为下一轮迭代准备数据，将以下三种Tracks情况进行合并：
[0025]步骤4.1.5.1、上述4.1.3和4.1.4中的已匹配的Tracks合并，通过卡尔曼滤波进行状态预测，同时自第一次出现的总帧数增加一次，输出Tracks；
[0026]步骤4.1.5.2、上述4.1.3中的未匹配的Detections，新建Tracks；
[0027]步骤4.1.5.3、上述4.1.4中的已经确认匹配但是自第一次出现的总帧数超过给定阈值的Tracks；这三种Tracks合并在一起，作为本轮迭代的输出结果，同时作为下一轮迭代的输入数据；
[0028]步骤4.2、绘制气泡流中跟踪得到的气泡运动轨迹，算法如下：
[0029]步骤4.2.1、对于第一帧图片，计算每个跟踪框的中心点坐标，作为气泡的中心点坐标，存入列表Lst1，Lst1格式如下：
[0030]Lst1＝[{1：[x
11
，x
12
]}，{2：[x
21
，x
22
]}，{3：[x
31
，x
32
]}，...，{i：[x
i1
，x
i2
]}][0031]其中，字典的键i为气泡的ID，值为ID是i的气泡所对应的中心点坐标，将以上点绘制在当前帧跟踪结果图像上进行输出，并将lst1添加到空列表lst2；
[0032]步骤4.2.2、对于第j(j≠1)帧图片，计算每个跟踪框的中心点坐标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种液体中气泡的轨迹跟踪与检验方法，其特征在于，包括如下步骤：步骤一：获取气泡流数据，得到每个气泡的真实运动轨迹信息；步骤二：训练YOLOv5检测算法模型；在目标检测过程中，对YOLOv5算法的训练数据集是由气泡流视频切分所得的多气泡图像，包括训练集和测试集；步骤三：训练DeepSort跟踪算法模型；通过对YOLOv5算法的训练数据集进行裁剪，得到DeepSort算法的训练数据集，训练DeepSort算法模型；步骤四：获得跟踪轨迹；基于YOLOv5算法训练所得检测模型，结合DeepSort算法训练所得跟踪模型，对气泡流数据进行跟踪，得到跟踪轨迹；步骤五：利用相似度指标，提升算法性能；计算气泡流数据中每个气泡的真实轨迹与跟踪轨迹的相似度，适当调整训练参数，优化跟踪算法的性能。2.根据权利要求1所述的液体中气泡的轨迹跟踪与检验方法，其特征在于，所述步骤二包括：步骤2.1、运用DarkLabel标注工具，对多气泡图像进行手工标注，得到XML格式的标注数据集；步骤2.2、训练YOLOv5算法模型；将标注数据集和多气泡图像分别输入YOLOv5网络进行训练，得到训练好的YOLOv5算法模型，利用该模型对气泡流数据进行目标检测。3.根据权利要求1所述的液体中气泡的轨迹跟踪与检验方法，其特征在于，所述步骤三包括：步骤3.1、利用Python程序，根据步骤2.1中标注工具生成的XML文件，将多气泡图像进行裁剪，得到大小不一的单个气泡图像，作为训练数据集；步骤3.2、训练DeepSort算法模型，将步骤3.1得到的训练数据集输入DeepSort网络进行训练，得到训练好的DeepSort算法模型。4.根据权利要求1所述的液体中气泡的轨迹跟踪与检验方法，其特征在于，所述步骤四具体为：步骤4.1、结合YOLOv5训练模型，利用DeepSort训练模型，对气泡流数据进行跟踪，DeepSort算法跟踪过程如下：步骤4.1.1、预测状态：将上一轮迭代产生的Tracks，通过卡尔曼滤波进行预测，并计算出本轮的均值和方差；Tracks是跟踪流程中用于流转的一个对象，包括八个重要属性：均值、协方差矩阵、跟踪目标的ID、连续错过的最大次数、最大寿命、特征向量、观测更新的总次数、自第一次出现的总帧数、自上次观测更新出现的总帧数、状态，状态不改变，分别为：已经确认匹配的Tracks、未确认匹配的Tracks；步骤4.1.2、第一次匹配：将4.1.1中的Tracks和本轮目标检测器检测出的Detections进行匹配，产生三种状态：未匹配的Tracks、未匹配的Detections、已匹配的Tracks；当匹配成功次数在三次以下为未确认匹配的Tracks、三次或者超过三次为已经确认匹配的Tracks；步骤4.1.3、第二次匹配：上述4.1.2中的匹配会有遗漏情况，因此需要与4.1.1中的未确认匹配的Tracks结果合并，利用IOU分数进行再一次匹配，得出确定的三种状态情况：未匹配的Tracks、未匹配的Detections、已匹配的Tracks；步骤4.1.4、处理失效对象：在未匹配的Tracks中，未确认匹配的Tracks和已经确认匹
配但是自第一次出现的总帧数超过给定阈值的Tracks，需要进行删除；步骤4.1.5、输出匹配结果并为下一轮迭代准备数据，将以下三种Tracks情况进行合并：步骤4.1.5.1、上述4.1.3和4.1.4中的已匹配的Tracks合并，通过卡尔曼滤波进行状态预测，同时自第一次出现的总帧数增加一次，输出Tracks；步骤4.1.5.2、上述4.1.3中的未匹配的Detections，新建Tracks；步骤4.1.5.3、上述4.1.4中的已经确认匹配但是自第一次出现的总帧数超过给定阈值的Tracks；这三种Tracks合并在一起，作为本轮迭代的输出结果，同时作为下一轮迭代的输入数据；步骤4.2、绘制气泡流中跟踪得到的气泡运动轨迹，算法如下：步骤4.2.1、对于第一帧图片，计算每个跟踪框的中心点坐标，作为气泡的中心点坐标，存入列表Lst1，Lst1格式如下：Lst1＝[{1:[x
11
,x
12
]},{2:[x
21
,x
22
]},{3:[x
31
...

【专利技术属性】
技术研发人员：王淑娟，沈继红，王淼，罗洪亮，乔守旭，戴运桃，刘佳奇，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：