[发明专利]一种基于CNN+SVM的压力气泡图像识别算法

说明书

本发明提供一种基于CNN+SVM的压力气泡图像识别算法，包括如下步骤：读取高精度数值模拟出结果的气泡压力图像，而后进行灰度处理与数据增强，构建气泡压力图像数据集；构建卷积神经网络CNN，将气泡压力图像数据集带入，进行训练，并保存训练好的CNN模型；将模拟出需要进行识别的气泡压力图像带入训练好的CNN模型，得到该CNN模型提取的特征向量；提取具有明确特征意义的气泡压力图像的特征；将特征向量和特征进行融合，并进行归一化，得到气泡压力图像的特征数据集，并按照80％、20％的比例制作训练集和测试集；将训练集的特征数据送入到SVM进行训练，得到SVM模型；将测试集的特征数据送入到训练好的SVM模型中，进行预测，得到预测结果。

技术领域

本发明涉及一种压力气泡图像的识别算法，具体涉及一种基于CNN+SVM的压力气泡图像识别算法。

背景技术

流场的压力分布是流体运动的重要动力学特征，它决定了流场中物体的受力情况，同时也是流激噪声的重要来源，在流体诱发振动与噪声的许多工程应用问题中都备受关注。例如，对于湍流流动、空腔流动和气动声学现象而言，脉动压力的测量都是至关重要的。常见的壁面压力测量方法包括压力传感器技术、压敏涂层测压技术和滤波瑞利散射技术(Filtered Rayleigh Scattering，FRS)等。传统的测压技术受制于接触式测量、非瞬时测量和有限点测量三个主要缺陷，已经不能满足流场动力学现象的研究。虽然基于粒子图像测速技术(PIV)瞬时速度场重构压力场的方法近年来也有所发展，但是该测量方法测试需要使用大量示踪粒子，价格昂贵，且普遍认为利用PIV测量结果重构压力场精度较低。因此，研究出一种普适性的空间脉动压力测量方法是十分必要的。

气泡对环境压力变化的响应一直是科学研究的热点。气泡在液体中的运动过程是一个非线性、复杂、不稳定的动力过程，其形态必然与周围压力场的变化息息相关。Ooi和Acosta^[1]在试图求解水射流中的压力波动时，首先提出利用微气泡作为压力传感器的想法，并通过实验初步验证了该想法。基于射流内压力和速度波动的特征光谱100μm直径气泡的共振频率之间的比较，得出气泡具有准稳态响应的特性，即气泡在任何时间下都与环境处于平衡状态。微气泡流动跟随性好、存在时间长、花费代价小且不影响流场流动特性。然而在大部分微气泡流场显示技术中，往往只关注该种微米量级气泡的运动轨迹，而忽略其形态变化。如果能将微气泡的准稳态响应特性与其周围脉动压力相结合，则必然能通过微气泡形态变化揭示其周围脉动压力。微气泡的测量主要采用光学法，分为高速摄像法、激光全息法、激光散射法。通常的方法是利用高速相机实时记录二维图像，这种方法不仅可以测量气泡大小(如半径)，还可以得到气泡的实际形状。由于气泡尺度很小，我们需要在气泡和相机之间加一个显微镜，目前长距离显微镜已经可以将水中的气泡进行有效的放大。由于气泡形状变化较小，需要较高的相机采样频率才能观察到气泡形状的连续变化，最后会采集到大量微气泡图像结果。但是目前没有相关的图像算法可以用于确定气泡形态和脉动压力之间的定量关系，发展一种高效的且适用于微气泡形态变化测量的图像处理方法是十分必要的。

在实际应用场景中，工业摄像机采集到的图像往往包含大量的无关背景内容，目标检测包括目标识别与定位两个任务，传统的方法通常是人工提取特征来对目标进行检测，对于每一类的目标都需要人工设计特征，显然不能满足种类繁多的检测任务的要求。近年来随着硬件工艺及技术的提升，深度学习理论和研究迅速发展，其在小尺度图像高精度识别方面具有独特优势。其中在图像领域，采用多卷积核、权值共享的卷积神经网络能从大量训练数据中自动学习图像高维特征，相比人工设计的特征，卷积神经网络学习的特征更为丰富，表达能力更强。通过计算机对图像进行处理、分析与理解，识别各种模式的目标和对象，是模式识别领域的重要研究目标，其中特征的选择与构建在整个模式识别系统中具有举足轻重的地位。随着计算机性能的不断提升，深度学习已经成为模式识别领域的研究热点。深度学习与传统模式识别方法的最大不同在于它所采用的特征是从大数据中自动学习得到，通过组合低层特征形成更加抽象的高层表示属性类别或特征。以卷积神经网络(CNN)为代表的监督学习及各种改进算法ConvNet、CDBN、DeCFA被广泛应用到图像分类、视频分析、自然语言处理等任务中。