基于支持向量機的油滴識別及粒徑分布特征提取算法

曹金鳳，郭繼鴻，李建偉，蘇天赟

(1.青島理工大學(xué) a.機械與汽車工程學(xué)院；b.土木工程學(xué)院，山東 青島 266520；2.中海油能源發(fā)展股份有限公司安全環(huán)保分公司，天津 300450；3.自然資源部第一海洋研究所，山東 青島 266061)

海洋溢油事故是導(dǎo)致海洋環(huán)境污染的重要因素之一，也會對海洋生態(tài)系統(tǒng)造成嚴(yán)重且不可逆的影響。溢油從井口噴射進(jìn)入海水后將以射流的形式運動，油滴粒徑的分布特征決定了油滴的總體運動狀態(tài)，從而影響溢油是否會上浮到海水表面或是在水體中分散[1]。海底條件復(fù)雜多樣，亟須考察多種工況下(諸如不同溫度、噴射口直徑等)油滴粒徑分布。

許多學(xué)者通過室內(nèi)水槽實驗，實現(xiàn)對油滴流速、溫度、噴射口直徑等多種狀態(tài)的準(zhǔn)確控制，從而模擬多工況下的油滴運動[2-6]。在水槽實驗中，需要人工標(biāo)定和篩選實驗圖片中的油滴區(qū)域，較為繁瑣和不便，適用于試驗規(guī)模較小且試驗條件有限的情況，對大量試驗圖片進(jìn)行快速準(zhǔn)確的識別和篩選，難度較大且效率較低。

機器學(xué)習(xí)由于能夠從大量數(shù)據(jù)中學(xué)習(xí)，從而獲得數(shù)據(jù)的關(guān)鍵特征，因此，被廣泛應(yīng)用于圖像識別領(lǐng)域。有學(xué)者開展了相關(guān)研究[7-11]。

為了實現(xiàn)對大量油滴圖片快速準(zhǔn)確識別，本文提出了一種基于支持向量機(SVM)的油滴識別和粒徑分布特征提取算法。為了驗證該算法處理實際圖片的可行性，選用圖片均來自通過工業(yè)相機拍攝的室內(nèi)水槽溢油噴射實驗圖片，并將識別結(jié)果與經(jīng)典粒徑分布模型Rosin-Rammler模型對比。實驗結(jié)果表明，該算法能夠快速識別油滴圖片，并統(tǒng)計油滴的粒徑分布，為海底溢油應(yīng)急搶險提供了理論基礎(chǔ)。

1 實驗過程

1.1 實驗裝置

研究選取的水下溢油模擬實驗水槽裝置見圖1、2，由水槽槽體、注油系統(tǒng)和控制柜構(gòu)成；注油系統(tǒng)管路見圖3。水槽高2 m、底面尺度1 m×1 m，工作水深1.8 m。整個實驗過程采用工業(yè)計算機控制，輸油齒輪泵由變頻器控制，可人工調(diào)節(jié)管路中油樣的流量。

圖1 實驗室水下溢油模擬實驗水槽

圖2 實驗水槽

1.2 實驗材料

研究過程中使用的原油油樣和天然海水的物理性質(zhì)分別見表1、2。

表1 原油油樣物理性質(zhì)

注：ρ-密度，kg/m3；μ-運動黏度，mm2/s；t-溫度，℃。

表2 天然海水的性質(zhì)

1.3 實驗圖片采集

用2臺工業(yè)相機分別拍攝含較大油滴和較小油滴的溢油圖片。測定較大油滴粒徑的相機幀速率50幀/s，分辨率為200萬像素(2 048像素×1 088像素)，感光芯片名稱CMV2000，鏡頭分辨率200 μm。該相機掛于水槽外，相機鏡頭中心離噴嘴豎直距離為1.5 m。實驗前，應(yīng)用有機玻璃直尺(最小刻度1 mm)對測試區(qū)進(jìn)行了尺度標(biāo)定。測定較小油滴粒徑的相機幀速率17幀/s，分辨率500萬像素(2 456像素×2 058像素)，感光芯片名稱ICX625，鏡頭分辨率5.8 μm。該相機掛于水槽內(nèi)，相機鏡頭中心離噴嘴豎直距離為1.5 m。實驗前，應(yīng)用顯微鏡C4測微尺(最小刻度50 μm)對測試區(qū)進(jìn)行了尺度標(biāo)定。

2 油滴圖片獲取及分割

對實驗圖片處理包括濾波和分割2個部分，處理流程見圖4。

圖4 對油滴圖片進(jìn)行處理和分割的工作流程

2.1 圖像濾波

獲取的原始圖片背景中含有大量噪聲，背景噪聲的存在將直接影響最終的分割效果,因此,需要對圖片進(jìn)行濾波處理，減少噪聲對于分割圖片的干擾。

濾波圖像的灰度均值和標(biāo)準(zhǔn)差越接近原始圖像，圖像平滑指數(shù)越大，則濾波圖片對于原始圖片保留的信息越多，去噪聲效果越好[12]。表3給出了對于同一幅灰度圖片，選取35×35窗口，分別采用均值濾波、高斯濾波和中值濾波時，濾波圖片各指標(biāo)對比原始圖片的結(jié)果。

表3 濾波圖片各指標(biāo)對比原始圖片結(jié)果

除此之外，濾波器窗口的大小也會影響到濾波圖片效果。濾波窗口越大，圖片原始信息丟失越多，噪聲抑制效果越好。圖5分別給出了同一幅圖片分別選取5×5，7×7，35×35濾波窗口時的高斯濾波效果。

圖5 不同濾波窗口效果比較

比較表3和圖5可見，高斯濾波在充分抑制背景噪聲的同時，對于原始圖片的信息保留最多。因此，選用窗口尺寸為35×35的高斯濾波器對原始圖片進(jìn)行濾波處理。

2.2 圖像閾值分割

圖像閾值分割方法主要包括：固定閾值分割、自適應(yīng)均值閾值分割和最大類間方差法(Otsu)。圖6b)，c)，d)分別給出了固定閾值、Otsu算法以及自適應(yīng)均值閾值分割的分割效果。

圖6 不同閾值算法的分割效果比較

比較圖6b)、c)、d)3種閾值算法，可以看出，自適應(yīng)均值閾值算法和Ostu算法都可以很好地將油滴區(qū)域和背景區(qū)分開來，但前者還可以將油滴區(qū)域的邊界顯示出來，并排除掉重疊的油滴區(qū)域，因此，本文選取均值自適應(yīng)均值閾值分割法對油滴區(qū)域進(jìn)行圖像分割。

3 支持向量機算法

在諸多機器學(xué)習(xí)算法中，SVM算法由于對數(shù)據(jù)樣本的需求量少，且可以處理復(fù)雜的非線性方程，被廣泛應(yīng)用于圖像識別和故障診斷。

支持向量機理論來自于數(shù)據(jù)分類問題的處理，試圖尋找一個滿足分類要求的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面兩側(cè)的空白區(qū)域最大化。理論上，支持向量機能夠?qū)崿F(xiàn)對線性可分?jǐn)?shù)據(jù)的最優(yōu)分類。隨后，文獻(xiàn)[13]通過引入核映射方法將非線性問題轉(zhuǎn)化為高維空間的線性可分問題來解決。

圖7給出了支持向量機的分類原理：空心點和實心點分別表示特征空間中2種不同類別的數(shù)據(jù)；H為能夠?qū)深悢?shù)據(jù)正確區(qū)分的線；H1和H2為能夠?qū)?種數(shù)據(jù)分開且平行于分類線的最外側(cè)直線，二者之間的距離即為2類數(shù)據(jù)的分類間隔(margin)。支持向量機的訓(xùn)練目標(biāo)就是使分類間隔達(dá)到最大，此時H1和H2上的點即為支持向量，H1和H2之間的距離即為兩類數(shù)據(jù)的最大分類間隔，H則為最優(yōu)分類線。將其推廣到高維特征空間中，最優(yōu)分類線則成為最優(yōu)分類超平面。

圖7 最優(yōu)分類面

上述討論僅適用于數(shù)據(jù)線性可分的情況，在許多問題中，樣本集通常是線性不可分的，此時可以通過適當(dāng)引入核函數(shù)K(x(i),x(j))來實現(xiàn)非線性變換后的線性分類，并不再增加計算的復(fù)雜度，核函數(shù)的可選種類較多，本文在研究過程中選用學(xué)習(xí)能力較強，適用范圍廣的Gauss函數(shù)。

為了避免數(shù)據(jù)中某一特征值的權(quán)重過大，在進(jìn)行訓(xùn)練之前還應(yīng)該對數(shù)據(jù)的特征值進(jìn)行歸一化處理：對于數(shù)據(jù)點的每一個特征值，依次經(jīng)過式(1)所示的變換，使其特征值落在[0,1]之間。

在油滴識別問題中，每張樣本圖片都可以被標(biāo)記為背景或油滴，因此，該問題是一個二元分類問題，僅需訓(xùn)練一個分類模型就可滿足要求。使用支持向量機進(jìn)行油滴識別，學(xué)習(xí)算法的實施過程如下。

1)對于每一張樣本圖片，提取圖片中每個像元的灰度值作為其特征值，建立樣本的特征向量xi。

2)對每個樣本的特征值進(jìn)行歸一化處理。

3)標(biāo)記每個樣本圖片的所屬類別，建立標(biāo)簽向量yi。

4)輸人特征向量和對應(yīng)的標(biāo)簽向量對SVM進(jìn)行訓(xùn)練建模。

4 結(jié)果分析

4.1 油滴識別

從拍攝得到的原始圖片中選取70張畫面純凈的圖片，經(jīng)圖像分割后得到343張油滴圖片和514張背景圖片，從857張圖片中隨機抽取770張建立樣本數(shù)據(jù)集，實驗樣本的組成見表4。

表4 實驗樣本組成

本文SVM算法各項訓(xùn)練參數(shù)設(shè)置如下：選取核函數(shù)為徑向基函數(shù)；設(shè)置訓(xùn)練最優(yōu)參數(shù)值為0.041 4；正則化參數(shù)值為8。訓(xùn)練過程中，共獲取支持向量24個。訓(xùn)練模型識別測試樣本情況見表5，測試樣本識別正確率為100%，因為：①選用圖像灰度值作為特征值時，油滴與背景的明暗對比度大，油滴與背景灰度值的差值較大，且油滴形狀簡單，易于區(qū)分；②SVM算法引入了正則化參數(shù)，保證預(yù)測誤差盡可能小、回歸函數(shù)盡可能平滑，從而提高識別模型的泛化能力。

表5 識別結(jié)果

使用該模型對其余204張完整實驗圖片進(jìn)行識別檢測，累計識別192處油滴，識別正確率超過95%，預(yù)測結(jié)果可靠。

使用Ostu算法對相同的204張圖片進(jìn)行識別，表6給出了Ostu算法與SVM算法的用時比較。圖8給出了2種算法在識別過程中的累計用時。

表6 傳統(tǒng)分割算法與SVM時間復(fù)雜度比較

圖8 累計用時對比

由表6和圖8可見，SVM算法識別204張圖片的平均用時為0.03 s，比Ostu算法的0.13 s快了76.9%；SVM算法識別204張圖片的總共用時為6.67 s，比Ostu算法的26.14 s快了74.5%；SVM算法的識別效率明顯優(yōu)于Ostu算法，在識別海量圖片時，本文提出的基于SVM算法建立的識別模型，效率更高。

4.2 油滴粒徑分布

實驗的圓形噴嘴孔徑為2 mm，實驗過程中通過調(diào)節(jié)齒輪油泵變頻器的頻率以控制油樣流量。油樣流量由注油系統(tǒng)中的精密流量計實時記錄，根據(jù)噴嘴口徑換算出油樣初始流速為4.2 m/s。

對識別的油滴粒徑進(jìn)行統(tǒng)計，得到其粒徑分布在[113.62 μm,7 692.08 μm]范圍內(nèi)，繪制油滴粒徑出現(xiàn)概率的分布圖(見圖9)。粒徑概率分布屬于左偏態(tài)分布，粒徑低于300 μm的油滴占總油滴的73.08%；粒徑低于500 μm的油滴占總油滴的86.81%；粒徑大于2 000 μm的油滴占總油滴的2.20%，該范圍的油滴占比較少，可以忽略。

圖9 油滴粒徑出現(xiàn)概率的分布

為了進(jìn)一步描述識別油滴的粒徑分布情況，引入Rosin-Rammler粒徑分布式(2)。

式中：R(d)為篩下累積率，%；d為識別油滴粒徑，μm；de為臨界粒徑，μm，當(dāng)R(d)=63.2%時所對應(yīng)的粒徑；m為均勻性指數(shù)，表示油滴粒徑分布范圍的寬窄程度，m值越大，油滴粒徑的分布范圍越窄。

對式(2)取對數(shù)得到式(3)。

ln{-ln[1-R(d)]}=mlnd-mlnde

(3)

由式(3)可以看出：當(dāng)lnd與ln{-ln[1-R(d)]}的回歸線為直線時，油滴的粒徑分布符合Rosin-Rammler，回歸線的斜率為該分布的均勻性指數(shù)m，回歸線在橫軸上的截距為臨界粒徑的自然對數(shù)lnde。

由式(2)和式(3)，可以計算油滴的中值粒徑d50。

式中：d50為中值粒徑，μm；de為臨界粒徑，μm；m為均勻性指數(shù)。

將油滴粒徑d與篩下累積率R(d)代入式(2)和(3)，得到均勻性指數(shù)m與臨界粒徑de值分別為1.252 0、251.36μm。

由式(4)得到中值粒徑d50=158.85μm。油滴粒徑d在自然對數(shù)坐標(biāo)系下的分布見圖10，其中的圓點表示識別油滴粒徑的自然對數(shù)分布，當(dāng)lnd>7.7時，在此粒徑范圍中的油滴在整體中占2%，可以忽略。由圖10可見：lnd與ln{-ln[1-R(d)]}大致呈線性回歸關(guān)系，協(xié)方差R2=0.842 7，表明識別油滴粒徑分布模型符合Rosin-Rammler分布。

圖10 識別的油滴粒徑分布與Rosin-Rammler模型的比較

5 結(jié)論

1)將SVM算法應(yīng)用于油滴識別，用圖片灰度值作為特征值來識別油滴和背景，所訓(xùn)練模型在測試集樣本識別中正確率達(dá)到100%，在油滴圖片識別中正確率在95%以上，識別快速、結(jié)果可靠，可應(yīng)用于海底溢油快速識別、及時采取應(yīng)急措施。

2)處理204張油滴圖片，SVM算法的平均識別用時比Ostu算法快76.9%，累計識別用時比Ostu算法快74.5%。

3)識別出來的油滴粒徑在自然對數(shù)坐標(biāo)系下呈線性分布，線性回歸的協(xié)方差R2=0.842 7，與經(jīng)典的Rosin-Rammler粒徑分布吻合。

4)SVM算法對油滴進(jìn)行識別及粒徑分布預(yù)測可行，為海底溢油快速識別及應(yīng)急搶險提供了一種新的思路，具有較好的工程應(yīng)用價值。