PCA特征提取和弹性BP神经网络的水下气泡识别

针对水下激光雷达探测得到的尾流回波信号由于非稳态造成特征提取困难、不易识别的问题,提出了基于PCA特征提取与弹性BP神经网络结合的水下气泡识别算法。首先对连续采集的回波信号进行切片预处理,然后采用PCA算法对拼接的高维样本进行主要特征提取,确定特征值个数,其次对弹性BP神经网络进行参数的选择,确定能实现最优分类的隐含层节点数、特征个数等,最后根据室内搭建的尾流探测模拟平台,实现对气泡群和干扰目标的识别。实验结果表明:在隐含节点为12,增量因子为1.15,减量因子为0.55时,选取两个特征值能对有气泡、无气泡及干扰物进行有效分类;识别率随着气泡群密度的增大提升13.4%,在低密度下的识别率随激光能量的增加平均提升6.3%,识别率随距离的增加先增大后减小,气泡群在2.2 m时的目标峰特征明显,平均识别率提升3.5%。通过与自适应附加动量BP对比,该方法在减少识别时间的同时准确率达到99.1%,证明该算法可有效运用于激光雷达舰船尾流气泡的识别。

基于光阻法颗粒计数器的气泡识别方法

针对在检测油液中的固体污染颗粒时,油液中产生的气泡会对其检测造成影响的问题,文中基于光阻法颗粒计数器,设计了改进的放大电路,通过该电路的放大作用,研究了一种不用消除气泡,通过输出电压来区分气泡与污染颗粒的改进的光阻法颗粒计数算法。通过Zemax软件分析光线穿过气泡后的模拟信号,以及不同工况下的光线追迹,验证了该算法的可行性。

单孔排气气泡特征识别与参数提取方法

气液两相流广泛应用于多种工业领域当中,测量气泡特征参数并进行统计分析可以探究气泡的运动及生长规律,这对相关物理规律和过程控制研究具有重要意义。然而气泡在运动中会发生融合、破碎等现象,导致图像中气泡的重叠粘连,以及拍摄背景的不均匀性均会对气泡特征数据提取造成较大误差。本文采用高速摄像技术获得了不同液体流速与通气量下的气泡图像,通过对距离变换图像的极值点进行抑制与融合,改进了分水岭算法的前景标记提取方法,实现了气泡的准确分割,进而对分割气泡进行最小二乘椭圆拟合重构,获取了气泡参数。对比分析发现,相较于腐蚀运算和阈值分割提取标记的方法,本文方法准确率分别提高了22.7%与13.6%。通过对气泡特征进行统计分析,发现随着通气量的增加,气泡数量略微增多而平均尺寸显著增大,表明通气量对气泡尺寸有着重要影响。通气量相同,随着来流速度的增加,气泡破碎,气泡的数量增加且平均尺寸减小。

水下气泡光学图像识别方法（英文）

针对水中气泡与固体悬浮微粒不易区分的问题,提出了一种基于Zernike矩与灰度计算的水下光学气泡图像识别方法。该方法主要分为图像划分、图像预处理和特征提取三个步骤。首先,获取水下悬浮微粒的图像,从中划分出单个气泡并选取部分样本;为了更好地提取与表示气泡轮廓与灰度特征,然后采用图像预处理方法增强气泡边缘特征,选择并构建气泡特征库;最后,采用Zernike矩计算悬浮微粒特征的相似度,区分圆形微粒与非圆形微粒,之后计算微粒中心与灰度变化趋势,辨别气泡与固体悬浮微粒。实验结果表明,在测试数据集上的气泡识别准确率达到94%。该方法不仅能够辨别圆形与非圆形微粒,而且能够融合灰度梯度计算方法以获取更好的结果。该方法从形状与灰度两个方面提取与辨别目标的特征信息,提高了气泡识别精度,具有较高的精确性与适用性。

基于单CCD摄影的泡状流近焦深度内微气泡的识别

鉴于泡状流气泡各点衍射的差异和它的点扩散函数沿进深方向的随机性以及点扩散函数与进深的映射关系的不可能标定等使得单CCD摄影的泡状流气泡的数密度难以确定,据此提出了从足够长时间的泡状流气泡视频中获得流过焦平面的各气泡灰度标准差,并依据它和通过实验所得的200μm近焦深度范围内各静止气泡最小灰度标准差与最大灰度标准差之比来确定200μm近焦深度范围内的泡状流气泡的数目。通过对已知不同进深位置的静止气泡样本的误差评估显示本文方法相对误差大于5%的概率仅占20%,因而能有效地预测单CCD泡状流气泡的数密度。

基于HOG和SVM算法的磨粒图像在线监测技术

为了解决发动机润滑油液磨粒图像监测只适用于微流且易受气泡干扰等问题,设计了一种可适用于相对大流量工作环境的油液磨粒光学图像在线监测系统,区分气泡和磨粒。通过该监测系统,批量采集了一系列磨损颗粒和气泡图片,用于后续图像分类算法的训练与测试。采用了一种基于背景差分和大津法的运动物体提取算法提取出大量磨粒及气泡图像样本,运用基于方向梯度直方图(Histogram of oriented gradients,HOG)进行特征提取和支持向量机(Support vector machine,SVM)分类算法对气泡和磨粒进行识别。实验结果表明,该监测系统能有效采集磨粒及气泡图像并进行自动识别。与基于形态学特征提取算法以及K最近邻(K⁃nearest neighbor,KNN)等传统分类算法相比,HOG⁃SVM算法分类精度更高,识别准确率可达83.8%。

钢中典型气泡理化特征的基础研究

采用硅钼竖炉、高压真空复合碳管电阻炉冶炼含有Ar、N2、CO气泡的钢样,并运用金相显微镜、扫描电镜以及能谱仪对钢样中Ar、N2、CO气泡及其周围组织进行了分析,重点研究了钢中Ar、N2、CO气泡的气体成分、界面化学成分、界面形貌、大小及其附带夹杂物等问题,意在弄清3种气泡在钢中的特征,并通过分析给出相应气泡的辨别依据,为生产提供理论支持。