值，则
[0057] D-S证据理论的组合决策规则定义如下：[0058] 若34，為C?/，满足[0059][0060][0061]
[0054]
[0055]
[0056]
[0062]
[0063]则&即为判决结果，其中ερε2为预先设定的门限阈值。
[0064] 对于所训练的基于单视觉图像序列的流型识别模型，在投票法的基础上确定对每 种流型的基本概率赋值。设所选取的训练集其样本总数为Ν，对于每个二分类器采用交叉验 证的方式进行训练，训练最终分类错误的样本数总和为，定义该二分类器的测试错误 率为e:
[0065]
[0066] 测试错误率反映了该二分类器的可信程度，因此采用测试错误率作为每个二分类 器的评价标准。在训练得到每个分类器的测试错误率之后，对于每种流型的基本概率赋值 可由下式确定：
[0067]
[0068] 其中，!!!(&)表示对第i种流型的基本概率赋值，N为分类器的个数，对于四种流型 其值为6, e]为第j个分类器的测试错误率，nu为第j个分类器对第i种流型的投票数。
[0069] 在得到每种分类器的基本概率赋值之后，按照D-S证据理论合成规则对不同角度 的流型识别结果进行融合。假设两个角度单视觉流型识别模型对第i种流型的基本概率赋 值分别为叫(AJ，m2 (AJ，则根据D-S证据理论合成规则，第i种流型的组合概率赋值nKAj 为
[0070]
[0071]
[0072] 4
[0073]
[0074]
[0075] 最后，根据D-S证据理论组合决策规则进行流型的最终判定。选定阈值ει，ε2， 若对第i种流型有
[0076]
[0077] 则可以判定流型识别结果为第i种流型。
【附图说明】
[0078] 附图1是本发明基于多视觉信息融合技术的小通道气液两相流流型识别系统示 意图，图1中，1-小通道管路系统，2-多视觉高速图像采集单元，3-图像处理和流型识别计 算机。
[0079] 附图2是多视觉高速图像采集单元和小通道管路系统结构示意图，图2中，4-第一 LED光源，5-第二LED光源，6-甘油槽，7-小管道，8-直角棱镜，9-高速摄像机。
[0080] 附图3是光线在小管道及甘油槽中传播的光路图。
[0081] 附图4是基于多视觉信息融合技术的小通道气液两相流流型识别流程图。
[0082] 附图5是利用基于多视觉信息融合技术的小通道气液两相流流型识别系统从两 个相互垂直角度获取的气液两相流典型的流型图。
【具体实施方式】
[0083]参照附图1，本发明利用基于多视觉信息融合技术的小通道气液两相流流型识别 系统，实现小通道气液两相流流型识别。基于多视觉信息融合技术的小通道气液两相流流 型识别系统包括小通道管路系统，多视觉高速图像采集单元以及图像处理和流型识别计算 机三部分。
[0084] 如图2所示，小通道管路系统1由浸没在甘油槽6中的小管道7构成，多视觉高速 图像采集单元2由高速摄像机9、直角棱镜8、第一LED光源4、第二LED光源5组成，多视觉 高速图像采集单元负责同时采集两个相互垂直角度的气液两相流流动图像，由多视觉高速 图像采集单元2采集得到的图像传输到计算机3进行图像处理和流型识别；
[0085] 所述的第一LED光源4垂直于小管道6放置，第二LED光源5同时垂直于第一LED 光源5和小管道6并且与第一LED光源5位于同一平面内，直角棱镜8相对于第一LED光 源4位于小管道6另外一侧，高速摄像机9相对于第二LED光源5位于小管道6另外一侧， 直角棱镜8的一直角边垂直于高速摄像机6的成像平面。
[0086] 参照附图4,依照基于多视觉信息融合技术的小通道气液两相流流型识别流程图 进行流型识别，具体步骤为：
[0087] 第一步，小通道气液两相流流动图像获取：利用多视觉高速图像采集单元同时获 取两个相互垂直角度的小通道气液两相流流动图像序列。
[0088] 第二步，图像标定：在图像采集过程中，由于管道内所发出的光线入射到高速摄像 机所经过的介质折射率不同，对所采集的小通道内气液两相流流动图像产生了影响，附图3 是光线在小管道及甘油槽中传播的光路图。需要通过光路分析获取校正系数，实现气液两 相流流动图像的标定。
[0089] 第三步，特征提取：对经过标定的图像，采用图像分割、图像去噪、差影法去除背 景、边缘检测以及二值化填充等数字图像处理技术进行预处理，获取反映气液两相流流型 信息的二值图像。计算二值图像的Hu矩，选取由500张图像构成的图像序列，计算图像序 列的前四阶Hu矩的平均值和标准差作为流型识别的特征向量。
[0090] 第四步，单视觉流型识别模型的建立：利用支持向量机（SVM)建立单视觉气液两 相流流型识别模型，实现单视觉流型识别。流型识别模型输入为步骤3中所获取的特征向 量，输出为四种典型流型之一。随机选取训练集和测试集，每两种流型之间利用SVM建立一 个二分类器，四种典型流型之间共建立6个二分类器。每个测试样本分别送入6个二分类 器进行流型识别，采用投票法确定流型识别结果，从而实现单视觉气液两相流流型识别。
[0091] 第五步，基于多视觉信息融合技术的流型识别：采用D-S证据理论，对两个角度的 单视觉流型识别结果进行决策层信息融合，得到最终多视觉流型识别结果。
[0092] 所述的第二步中的图像标定方法具体为：采用截面为25mmX25mm的正方形的有 机玻璃长方体甘油槽，将管道浸没于甘油槽内，使管道中心位置与截面正方形的中心相重 合，对于管道内物点P(X，y)，由该点发出的光线在液相与管壁界面发生第一次折射，在甘油 槽槽壁与空气界面发生第二次折射，分析光路可知，由点P发出的两条相邻光线在第二次 折射后的反向延长线的交点P'（x'，y'）即为点P对应的像点，从而确定点P处的校正系数 a=y/y'，获取校正系数之后，对气液两相流流动图像进行标定。
[0093] 所述的第三步中的图像特征提取方法具体为：首先从所拍摄的图像中分割提取出 管道部分，其次采用双边滤波去除图像噪声，然后将两相流流动图像与满管图像相减去除 背景信息，采用Canny边缘检测算子检测气相和液相的边界信息，最后对气相进行填充获 得二值图像，得到二值图像之后，计算二值图像的Hu矩，对于图像I(X，y)，其p+q阶几何矩 定义为：
[0094]
X.：y[0095] 其d+q阶中心矩定义为：
- ± \J.f \J\J y?ι*. \JJ./. \J\J.[0098] 经归一化后对图像尺寸不变的p+q阶中心矩定义为：[0099]
[0100] 其中γ= (p+q)/2+1 ;[0101] 对于图像I(x，y)，其前四阶Hu矩定义如下：[0102] Φ!=η20+η02
[0096]
[0097]
[0103] φ2=(η20-η02)2+4ηΛ
[0104] Φ 3= (η 3〇-3 η 12) 2+ (3 η 2r η〇3)2 [οι05]Φ4= (η 3〇+η 12)2+(η2?+η〇3)2
[0106] 选取连续拍摄的设定张数图像构成的图像序列，对于Ν张图像构成的图像序列， 第i阶Hu矩Φi的均值Μ和标准差σ定义为：
[0107]
[0108] ， .1 ~·1
[0109] 采用图像序列前四阶Hu矩的均值和标准差构成流型识别特征向量：
[0110] Χτ= [Μ(Φ i), σ (Φ^,ΚΦ^, σ (Φ2),Μ(Φ3), σ (Φ3),Μ(Φ4), σ (φ4)]
[0111] 第五步所述基于多视觉信息融合技术的流型识别方法具体为：采用测试错误率e 作为每个二分类器的评价标准，测试错误率的定义为由交叉验证方法得到的错误分类样本 数凡_与总训练样本数N的比倌：
[0112]
[0113] 单视觉流型识别模型对每种流型