您好、欢迎来到现金彩票网!
当前位置:刘伯温预言 > 图像逼真 >

开源人工智能气泡生成用于合成逼真气泡流图像的生成对抗网络

发布时间:2019-07-25 03:13 来源:未知 编辑:admin

  摘要:近年来,气泡分割和尺寸检测算法因其在气泡两相流中的高效率和准确性而得到发展。在这项工作中,我们提出了一种称为泡沫生成对抗网络(BubGAN)的体系结构,用于生成逼真的合成图像,可以进一步用作高级图像处理算法开发的训练或基准数据。 BubGAN最初是在由一万个图像组成的标记气泡数据集上训练的。通过学习这些气泡的分布,与文献中使用的传统模型相比,BubGAN可以产生更逼真的气泡。训练有素的BubGAN以气泡特征参数为条件,并且在纵横比,旋转角度,圆度和边缘比方面完全控制气泡特性。使用经过训练的BubGAN预生成一百万个气泡数据集。然后可以使用该数据集和相关的图像处理工具组装真实的气泡流图像。这些图像包含详细的气泡信息,因此不需要额外的手动标记。与传统的GAN相比,这更有用,传统的GAN生成没有标记信息的图像。该工具可用于为现有图像处理算法提供基准和训练数据,并指导气泡检测算法的未来发展。

  简介:密集物体检测和计数是一项常见但耗时且具有挑战性的任务。这些应用可以在行人监视[1],航空图像中的车辆检测[2],医学图像中的细胞或细菌菌落计数[3-5],石油工程中的油滴表征[6]和气泡计数中找到。在泡罩塔或核反应堆中。在泡罩塔或核反应堆应用中,气泡形状的精确分离和重建与数量计数同等重要,因为气泡形状包含重要的几何信息,用于研究这些系统中的质量,动量和能量传输[6,7]。对泡沫形状采集的需求为该领域的算法开发和基准测试带来了额外的挑战。

  高速成像是一种强大的技术,可用于以高空间和时间分辨率记录气泡流动图像。图像处理技术可用于从这些图像中提取气泡参数。最近,报道的图像处理算法[8-20]可以处理复杂的条件,如高空隙率流,严重的气泡变形和重叠等。这些算法可以大大降低处理气泡流图像的成本,并提供有关气泡的详细信息尺寸分布,形状,体积等。开发这些算法的一个问题是对这些算法的准确性进行基准测试的方法。目前,基准战略可分为两类。第一个是将算法与不同的测量技术进行比较,包括电导率探头[21,22],X射线]或全球气体和液体流量计。具有全球仪器的基准提供了没有局部不确定性信息的总体误差估计。可以对电导探针或X射线方法进行时间或线平均参数的比较。该基准测试策略的另一个问题是这些测量方法可能包含很大的不确定性,并且可能无法用于评估图像处理算法[22]。

  第二种策略是使用合成图像作为基准数据[14,24]。通过图像合成过程的自动化,可以降低图像处理算法基准测试的成本和时间。该方法的主要误差源来自真实气泡流图像和合成气泡图像之间的差距。合成图像的当前算法主要限于产生简单的气泡形状,例如球形或椭圆形气泡。这些物理模型通常假设气泡边缘强度遵循同心圆/椭圆排列(CCA)[25,26]。利用给定的气泡尺寸和分布信息,可以生成合成的气泡流图像用于基准目的。然而,这些算法不能模拟气泡形状和强度变化的精细结构。不同尺寸的合成气泡可具有类似的强度分布。因此,以这些合成图像为基准的图像处理算法在处理真实的气泡流图像时可以具有完全不同的性能。

  传统的图像处理算法主要基于气泡图像的某些特征,例如曲率,强度梯度和拓扑信息。功能设计和选择需要相关领域的专业知识才能实现优化的性能。诸如卷积神经网络(CNN)之类的深度学习算法(其不需要从图像中输入提取的特征)可以是用于气泡检测的替代解决方案[26,27]。 CNN可以原始形式处理气泡流动图像,而无需对数密度检测进行预处理。对于那些监督的深度学习算法,算法训练需要标记图像。目前,在化学和核工程领域中使用深度学习算法进行气泡识别和分离的研究是有限的。其中一个瓶颈是缺少用于算法培训的大量高质量标记数据。在其他领域,使用合成数据成为培训深度网络的趋势,以降低手动标签成本并提高效率。然而,只有当我们能够生成接近现实世界的合成数据时,这才有效[28]。

  为了弥合真实气泡流图像和合成气泡图像之间的差距,我们提出了一种新方法,称为气泡生成对抗网络(BubGAN),用于生成逼真的气泡流图像。传统的GAN算法可以生成逼真的图像,但不能直接用于本研究。直接用GAN生成的气泡流图像没有气泡的标签信息。另外,与来自高速相机的记录的高分辨率图像相比,使用GAN生成的图像的分辨率相对较低。为了克服这些缺点,提出的BubGAN算法采用“分而治之策略”来实现高分辨率标记图像生成。 BubGAN结合了传统的图像处理算法[14,17]和生成的对抗网络[29,30],用于真实的气泡合成。在算法中,GAN将仅负责单个气泡生成,而不是直接生成气泡流图像。图像处理算法负责GAN训练数据准备和气泡组装以用于气泡流图像合成。利用给定的气泡流边界条件,可以通过在图像背景画布上组装单个合成气泡来生成合成气泡流图像。在这些图像中,所有气泡的气泡位置,边缘边界,旋转等将被标记用于现有算法基准测试或新算法的开发。

  本文的结构安排如下。在第2部分中,描述了用于获取气泡流动图像的实验设置。高速图像以向上的矩形两相流记录测试循环。在第3节中,介绍了BubGAN中使用的方法。使用BubGAN算法生成用于气泡流图像合成的百万气泡数据库。第4节介绍了BubGAN结果的定性和定量研究。

  实验设置:在该研究中,实验的气泡流图像由高速相机在矩形通道中记录。测试设备的示意图如图1(a)所示。矩形通道设计用于室温和大气压下的绝热空气 - 水两相上流。该

  3.0米高的测试部分具有30毫米×10毫米的矩形横截面。注入测试部分的压缩空气由基于层流差压流动技术的四个气体流量计测量,其具有约为实际读数的±1%的精度。进入测试部分的水流速由两个磁流量计测量,精度约为实际读数的±1%。测试通道底部的两相喷射器的设计如图1(b)所示。对于在底部注入的水流,使用整流器(蜂窝)来提供均匀的水注入并减少湍流。两个带有微型孔的铝板(橙色)安装在两个30毫米宽的墙壁上,用于注入空气。

  测试部分有三个仪器端口。这些端口可用于容纳流量测量仪器或用于流量可视化。在这些仪器端口之间是三个可视化部分,具有更大的高度,用于连续的两相流结构可视化。流动可视化部分的一个例子如图3(c)所示。该试验段的水力直径为Dh = 15mm。在该研究中,使用高速相机(Photron FASTCAM SA4)在z / Dh = 8.8的高度记录气泡流动图像。高速摄像机安装在测试部分的30毫米宽的一侧。 LED面板与高速摄像机相对放置以进行照明。以每秒1000帧(fps)记录图像,并且具有每毫米约25个像素的分辨率。表观气体速度固定在jg0 = 0.1m / s,表面液体速度设定为jf = 0.5m / s。表观速度定义为液相/气相的体积流速除以横截面积。

  方法:本节介绍了BubGAN用于生成合成气泡流图像的方法。如图2所示,BubGAN算法包括三个主要步骤。第一步是处理记录的高速图像以提取单个气泡图像。第二步训练条件GAN以基于从前一步骤获取的训练数据生成合成气泡图像。这种深度卷积生成对抗神经网络(DCGAN)以四个选定的气泡特征为条件,这是气泡流动研究中的主要关注点。这使得用户能够针对不同的流动条件生成具有给定参数的特定气泡。为了降低运行时成本,基于训练的条件GAN预先生成百万个气泡数据库。利用给定的气泡尺寸分布和其他相关的物理信息,可以从百万气泡数据库直接采样合成气泡并组装以产生合成的气泡流动图像。用于合成气泡流图像生成的工具可在BubGAN获得。

  在这些步骤中,在BubGAN算法中使用两种主要技术,即图像处理和条件GAN。如图2所示,与图像处理技术相关的过程以红色显示,而条件GAN以紫色显示。标记为蓝色的块表示起泡流图像生成所需的物理信息,黄色块表示BubGAN中使用的数据。

  图像处理技术:在整个BubGAN工作流程中已经执行了各种图像处理任务。为了训练GAN算法,应该准备足够量的真实气泡样本。首先将气泡流动图像分割成小图像块,其包含单个气泡或连接在一起的多个气泡。对于每个图像块,使用三种不同的算法,即分水岭分割,气泡骨架和自适应阈值方法来确定该贴片是否仅包含单个气泡。具有样本中间结果的详细程序如图1所示。

  3.每个算法将给出贴片中气泡数的预测,分别表示为N1,N2,N3。然后,将组合数预测N指定为模态值N1,N2和N3。一旦将补丁识别为单个气泡,它将进入目视检查步骤以确认结果。在该研究中,从气泡流图像中提取10000个单气泡图像块。

  在分类之后,进一步处理所有单个气泡贴片并将其标准化以用作GAN的训练数据。这些步骤在图4中以图形方式概括。分离的气泡流动图像的实例显示在图4(a)中。通过上述算法分离气泡簇和单个气泡贴片。这些单个气泡通过方形窗口进行裁剪以进行进一步处理。这将确保在以下标准化过程中保留气泡的纵横比。在这些斑块中,可能出现其他气泡碎片,如图4(b)所示。为了去除这些碎片,灰度气泡图像被转换成二进制图像,如图4(c)所示。可以使用二进制图像识别片段,并通过用背景填充区域来移除片段。除去噪声后的气泡掩模和单气泡图像分别如图4(d)和图4(e)所示。然后将每个分离的单个气泡贴片归一化并重新缩放到64×64像素的尺寸,以用于下一步骤中的GAN训练。

  除了训练数据准备之外,图像处理算法还用于后面的步骤,用于气泡特征提取和气泡流图像组装。本文中使用的图像处理技术的更多细节可以在Fu和Liu [14,17]报道的先前工作中找到。

  结论:本文提出了一种用于气泡流图像合成的BubGAN算法。 BubGAN结合了图像处理算法和条件GAN,以实现自动气泡流图像生成和标记。与传统的气泡模型相比,生成的流动图像显示出显着的改进。这有助于评估现有图像处理算法的准确性并指导未来的算法开发。基于深度学习的对象计数算法也可以通过大大降低标签成本而受益于BubGAN。四个气泡特征参数,即旋转角度,纵横比,边缘比率和圆度被集成到BubGAN算法中。因此,可以产生具有所需气泡特征的各种气泡。图8和图9中的定量评估证明了BubGAN在给定参数下产生气泡的可靠性和准确性。还基于BubGAN预先生成的百万气泡数据库开发了用于气泡流图像生成的工具。该工具能够产生具有详细标记信息的空间均匀的以及非均匀的气泡流图像。因此,可以执行算法基准测试和相关的深度学习算法训练而无需额外的标记成本。

http://3dtvsource.com/tuxiangbizhen/551.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有