基于电容层析成像技术重构图像的两相流流型识别

王小鑫, 王 博, 陈阳正, 胡红利

(1. 西安石油大学 陕西省油气井测控技术重点实验室, 陕西 西安 710065;2. 中煤科工集团西安研究院有限公司 地球物理勘探技术与装备研发中心, 陕西 西安 710077;3. 西安交通大学 电力设备电气绝缘国家重点实验室, 陕西 西安 710049)

1 引 言

流型又称流态,即流体流动的形式和结构[1]。流型是反映气固两相流本质的一个基本特征,直接影响工业过程中气力输送或气固反应系统的稳定性、安全性和经济性及节能减排效果的首要参数[2]。此外流型的正确识别结果也是两相流其它参数(分相浓度、流速、流量、密度和压降等)准确测量的先决条件[3]。流体各流动参数在不同流型下的关系是不一样的,某种检测方法在某一流型下的测量精度,在另一种流型下不一定能达到。因此流型的准确识别是工业过程安全稳定运行的保证,也是其它多相流参数准确测量的基础。过程层析成像(process tomography, PT)逐渐发展成为新一代的以两相流或多相流为主要检测对象的空间参数分布状况实时检测技术,常用于流型识别、浓度及流量等流动参数的测量中[4～6]。目前电容层析成像技术(electrical capacitance tomography, ECT)已经成为理论研究最为成熟、应用研究最为广泛的层析成像技术。ECT技术通常只能获得图像信息,如果要实现流型判别,就需要对重构图像的像素信息进行进一步分析处理。

为从重构图像中获得更有效的信息用于流型识别,本文利用二维最大熵阈值分割的图像分割技术[7～9],简单有效地将图像中固相目标与背景分离,进而降低分类器输入特征量的复杂度,提高流型识别的效率及正确率,并通过遗传算法(genetic algorithms,GA)优化神经网络最终实现流型识别。

2 二维最大熵阈值图像分割

图像分割是计算机视觉和图像理解的底层处理技术,在图像分析及模式识别中起着重要的作用。阈值分割法因其结构简单、计算量小、性能稳定等优点,成为图像分割中用途很广泛地分割技术。现有大多数方法都是通过图像的一维灰度直方图选择,但是当图像的信噪比递减时,采用这些方法将产生很多的分割错误。1989年,Abutaleb将Kapur 提出的一维最大熵法推广至二维[7,8],二维方法同时考虑像素灰度值及其邻域平均灰度值。

二维最大阈值分割法利用图像中个像素的灰度值及其邻域平均灰度值分布所构成的二维直方图进行分割[8]。假设一副图像大小N×M,灰度级为L,则图像的二维直方图可以表示为:

(1)

式中:0≤i,j≤L-1;ni,j为图像中灰度值为i,临域灰度值为j的像素个数。二维灰度直方图如图1所示。

图1 二维直方平面图Fig.1 Two-dimension histogram

区域A和区域B代表目标和背景,区域C和D是边界和噪声。阈值向量(s,t),s代表像素的灰度值,t代表该像素的邻域均值,定义PA、PB:

(2)

因此,可以得到区域A的二维熵:

(3)

同理,可以得到区域B的二维熵:

H(B)=lg(PB)+HB/PB

(4)

因此,熵判别函数可以表示为:

φ(s,t)=H(A)+H(B)

(5)

最佳阈值向量(s,t)应该满足:

φ(s,t)=max{φ(s,t)}

(6)

从式(6)可知,需要大量的计算用来搜索最佳阈值,为了解决这一问题,文中采用微粒群算法(particle swarm optimization, PSO)[9]求解最大熵阈值,提高算法的实时性。

选取3种气固两相流典型流型(层流、绳流及均匀流)得ECT重构图像,每种流型列举2个图像,其图像分割效果图见图2所示。

图2 图像分割效果Fig.2 Image segmentation effect

图2中原图图例灰度由深到浅表示固相浓度逐渐增加,经过图像分割技术后,图像里的目标和背景分离的更加清晰,更有利于后面灰度图统计特征的提取。其中6幅图像的最佳阈值向量分别是(143,145), (141,143), (163,165), (161,158), (108,106), (109,111)。

3 灰度图像直方图统计特征量提取

灰度图像会对应于一定概率分布的灰度直方图,因此可以通过对比不同图像的灰度直方图的特征相似性来区分不同图像。流型图像的灰度直方图相似性,可以通过统计特征量来进行度量,这些统计特征量能够较好的区分不同的灰度直方图,可用来构成流型图像的特征向量[10]。这里取灰度直方图的:均值、标准偏差、平滑度、三阶矩及一致性5种统计特征作为流型识别的特征向量。

(7)

(8)

(9)

(10)

(11)

式中zi为i点的灰度值,p(zi)为该灰度值出现的概率。对表1中分割图像的灰度直方图取以上5种统计特征,其参数值如表1中所示。

表1 图像的直方图统计特征数据Tab.1 Histogram statistical characteristic

从表1中可以看出,同一种流型下的灰度直方图的统计特征量具有较强的相似性,不同流型之间的统计特征量的存在明显的差异,因此可以将这5个统计特征量组成特征向量用于分类器的输入,其中分类器采用遗传算法优化的BP神经网络(back-propagation neural network, BPNN)模型实现流型识别。

4 GA优化的BP神经网络分类器

BPNN作为经典的分类器广泛地应用于模式识别领域,它具有较强的非线性映射能力,高度自学习和自适应能力以及一定的容错能力[11]。但是它的初始连接权值和阈值选择对网络训练影响较大,不能保证收敛到全局最优点。

这里采用GA算法来优化BP神经网络的初始权值和阈值,使优化后的BP神经网络能够更好地实现流型识别[12]。GA算法作为进化算法中最重要的分支,应用到了函数拟合、自动控制、目标识别、机器学习等诸多领域之中,用GA优化BP神经网络,就是GA算法应用于机器学习的经典例子之一。其算法流程图如图3所示。

图3 GA-BPNN算法流程图Fig.3 GA-BPNN algorithm flow chart

该算法步骤如下:1)采用二进制编码方案对随机产生的一组权值、阈值进行编码,然后构成一个个码链,在网络结构和学习规则已定的前提下,该码链就对应一个权值和阈值取得定值的神经网络。2)对所产生的神经网络计算误差函数,从而确定适应度函数值。3)选择若干个适应度函数值最大的个体,直接遗传给下一代(最优保存策略)。4)利用遗传操作算子对当前一代群体进行处理,产生下一代群体。5)重复步骤2)～4),使初始确定的一组权值分布得到不断进化,直到训练目标得到满足为止。

5 流型识别方案验证

该流型识别方案在图4所示的气固两相流ECT试验平台上进行验证[13,14]。测试段采用12电极阵列ECT传感器电极,电极夹角26°,电极长度 75 mm。电容信号由C/V(capacitance to voltage)电路获取,采集频率为1MHz[15]。为了获取高速高精度浮点型数据处理和强大的逻辑控制能力,采用自主研发的FPGA+DSP框架的高速数据采集和处理平台[16]。重构算法采用Landweber 迭代,其中迭代次数和迭代步长分别为200和1.2。实验温度为 20 ℃～26 ℃,相对湿度为55%～62%。实验所用的固相颗粒物料采用平均粒径为0.06 mm的煤粉。

图4 气力输送实验平台Fig.4 Experimental platform of pneumatic conveying1—控制阀; 2—皮托管; 3—弯型铝管; 4—旋风除尘器;5—收集器; 6—引风机; C—耦合器; T—T型混合器

通过改变风速和流量,在流型发生器的协助下,得到不同流型下气固两相流流动状态[14]。经过ECT单元重构出图像后,对图像进行整理分类。取均匀流、绳流及层流(如图2中的原图所示)3种流型共160×3个样本,每种流型取110个样本作为训练,剩下的50个样本作为测试样本。提取5个特征参数作为遗传神经网络的输入,构造一个输入层节点为5,输出层节点数为3,选取隐含层的最佳节点数为25的遗传神经网络结构,输出层的目标向量Y=[100],[010],[001],分别对应均匀流、绳流、层流流型。初始种群取为60,遗传终止进化代数取为100,交叉概率和变异概率分别取0.7,0.2,网络误差阈值设为10-4。GA神经网络学习误差曲线如图5所示。

图5 误差曲线Fig.5 Error curve

从图5中可以发现,网络基本在第20步就达到误差阈值结束学习。以50组层流测试样本为例,其BP神经网络模型的输出列入表2所示。

表2 层流识别结果(部分样本)Tab.2 Test results of Laminar flow

表2中,Y[1]代表输出向量Y的第1个值,Y[2]代表输出向量Y的第2个值,Y[3]代表输出向量Y的第3个值。结果为“T”代表识别正确,“F”代表识别错误。50个层流测试样本中有46个流型识别正确,4个流型识别错误。以识别正确的第1组输出为例,输出向量[0.098,0.153,0.870],对应向量[0,0,1]即层流,识别正确。以识别错误的第12组输出为例,输出向量[0.078,0.590,0.568],对应向量[0,1,0]即绳流,识别错误。3种流型共150组测量样本数据的识别结果列入表3中。

表3 流型识别实验结果(共50组)Tab.3 Test results of flow pattern recognition

从表3中可得,均匀流的识别率为100%,错误主要发生在层流与绳流之间,这个识别结果与各个流型之间的统计特征量有关系,相比较于均匀流,层流与绳流之间的统计特征量更相近,因此更容易引起识别错误,参考表3。从流型识别的总体效果看,该方法识别正确率达94.7%,总体识别效果较好。因此在ECT重构图像的基础上采用以上提出的方法实现流型识别是可行的。

6 结 论

在过程层析成像技术的研究基础上,将重构图像信息即像素分布进行简单有效的分析处理。利用二维最大熵阈值分割的图像分割技术,将图像中固相目标与背景分离,然后通过对分割图像的灰度直方图的均值、标准偏差、平滑度、三阶矩及一致性进行特征量统计,并将该特征量作为GA-BP分类器的输入。该流型识别方案在气固两相流气力输送试验平台上进行了验证,150个测试样本中有142个流型识别正确，8个流型识别错误,识别正确率在94.7%左右,总体识别效果较好,因此该方法可以作为一种有效的流型识别方法应用于多相流参数检测中。