《Annals of Nuclear Energy》:SKCSP-YOLOv5: a multi-scale feature enhancement network with attention for bubble detection in gas–liquid two-phase flow
编辑推荐:
•提出了SKCSP-YOLOv5,用于棒束两相流中的单个气泡检测。•集成了SKCSP、CBAM和P6检测头,以实现自适应多尺度气泡检测。•在5个随机种子下,性能优于参数匹配的基线模型(召回率86.5%,mAP@0.5达91.0%)。•消融实验证实了SKCSP、CBAM和P6检
- •
提出了SKCSP-YOLOv5,用于棒束两相流中的单个气泡检测。
- •
集成了SKCSP、CBAM和P6检测头,以实现自适应多尺度气泡检测。
- •
在5个随机种子下,性能优于参数匹配的基线模型(召回率86.5%,mAP@0.5达91.0%)。
- •
消融实验证实了SKCSP、CBAM和P6检测头各自贡献了互补性增益。
- •
分层评估显示计数误差较低(2.5%),尺寸误差为4.7%至8.4%。
引言
气液两相流对于核反应堆燃料组件的安全高效运行至关重要。其中,燃料棒之间形成的子通道内产生的气泡直接影响流型转变、空隙率分布以及界面传热特性(He等,2023;Qiao等,2026)。在压水堆和沸水堆棒束几何结构中,从泡状流到帽泡状流或段塞流的转变尤为关键:气泡尺寸分布和空隙率的变化会改变局部传热系数,并可能影响运行瞬态下的偏离核态沸腾裕度(Ren等,2026)。因此,在受限子通道内准确检测气泡并测量其尺寸,对于定量流场表征至关重要,包括热工水力模型的验证和气泡动力学分析。除核应用外,受限两相流通道中的气泡检测也与板式换热器和电化学反应器相关,这些应用中同样面临着气泡聚集、变形形态和高空隙率带来的成像挑战(Vlasogiannis等,2002年5月;Buscher,2021;Wang等,2021)。本研究通过开发一种改进的深度学习架构来解决这些检测挑战,并在几何结构上与核反应堆燃料组件具有代表性的5×5棒束实验设施上进行了实验验证。
在动态流动环境中光学测量气泡面临一系列相互关联的挑战。气泡直径从亚毫米级到多毫米级不等,在采集图像中往往仅占据2至10个像素。因此,它们属于小目标检测范畴,而该领域传统算法通常精度较低。此外,高空隙率导致气泡聚集和相互遮挡,进一步增加了形态分析的难度。最后,湍流引起气泡几何形状和轨迹的持续波动,严重影响了追踪的可靠性(He等,2018;Ramya和Rajeswari,2016;Wang等,2023)。利用背景减除和强度阈值技术的机器视觉方法,在成像稳定的情况下通常能获得准确结果,并可用于划分气泡之间的清晰边界。基于形状的方法在研究气泡时同样有效,前提是被研究的气泡彼此分离明显且形状简单,例如近球形。然而,在成像更困难的情况下,这些方法往往难以成功(Moiz等,2026;Strokina等,2016;Wen等,2022)。光流技术已被应用于估计气泡速度并追踪其路径,但在存在表面反射、图像噪声和气泡重叠时,其精度往往会下降(Choi等,2022;Wang等,2024)。
为克服这些局限性,近期研究已转向基于深度学习的检测框架,这类框架无需依赖人工规则即可自动学习判别性视觉特征。这些方法可分为两类目标检测器:两阶段检测器和单阶段检测器(Zhenghua等,2021)。两阶段方法如Fast R-CNN(Girshick,2015)和Mask R-CNN(He等,2017)首先生成候选感兴趣区域,然后进行分类和边界框回归,已应用于需要高定位精度的气泡检测任务中(Ahmed等,2023;Cui等,2022)。然而,其计算成本较高且吞吐量较低,不太适合实时或高帧率流动成像。单阶段检测器包括SSD(Lyu等,2021)、RetinaNet(Lin等,2018)以及YOLO系列(Redmon和Farhadi,2016;Tian等,2026),它们在单次前向传播中完成检测,在复杂视觉环境中表现出速度与精度之间的良好权衡。在这些方法中,基于YOLO的检测器受到了广泛关注,因为它们提供了检测精度与计算效率之间的良好平衡,适用于工业流动监测应用(Doherty等,2025;Sultana等,2020)。
然而,针对气泡检测,单阶段检测器面临着由目标尺寸和密度引起的局限性。这些局限性主要源于多尺度特征表示不足以及特征提取过程中对判别性区域的关注不够。已有几项研究将YOLOv5应用于气泡检测,在密集气泡群体和低对比度图像中报告了良好结果(Zhao等,2022)。上述研究表明,YOLOv5检测器可以通过调整来检测小型和密集分布的目标。然而,这些研究强调了进行架构修改的必要性,例如纳入更多检测头、更好的多尺度特征融合以及注意力机制,以适应小型、变形和密集的气泡。
尽管取得了这些进展,现有方法在同时处理小气泡检测、高密度遮挡、变形气泡形态以及核反应堆棒束受限子通道几何结构下的大尺寸单个气泡时,仍面临挑战。本文提出SKCSP-YOLOv5,集成了三种针对性的架构增强来解决这些不足。在专门构建的气泡数据集上的结果表明,所提框架在检测精度和鲁棒性方面优于基线YOLOv5s模型。本研究的主要贡献如下:
- 1.
我们提出了一种新颖的SKCSP-YOLOv5架构,用于气液两相流中的气泡检测。该模型集成了三种针对性增强:
- i.
在SPPF模块后引入CBAM注意力机制,以提升低对比度和小尺度气泡的判别能力;
- ii.
采用具有自适应感受野的SKCSP模块,以增强多尺度气泡表示能力;
- iii.
在P6/64尺度上增加一个检测头,使用扩展的锚框范围126×113至208×180像素,将预测层级扩展至数据集中最大的单个气泡。P6保留与P3至P5相同的单类别、单个气泡检测目标,并未引入独立的簇级检测目标。
- 2.
我们在专门构建的气泡数据集上验证了SKCSP-YOLOv5,该数据集采集自核反应堆相关条件下的5×5棒束实验设施,在五个独立训练种子下,展示了优于标准小尺度模型(YOLOv5s、YOLOv8s、YOLOv12s)和容量匹配的中型模型(YOLOv5m、YOLOv8m、YOLOv12m)的检测性能。此外,我们分析了六种激活函数(Swish、ACON、Hardswish、LeakyReLU、Mish和Sigmoid),以评估它们对本文所提架构的适用性。
本文其余部分组织如下。第二节描述了所提方法和修改后的YOLOv5s网络架构的详细描述。第三节报告并分析了实验结果。最后,第四节对全文进行总结。
各节摘要
方法论
本节描述了所提的SKCSP-YOLOv5框架,包括YOLOv5s基线架构、SKCSP和CBAM模块的集成、数据集准备、训练策略以及实验配置。
性能比较
选择了三种基线模型进行比较:YOLOv5s、YOLOv8s和YOLOv12s。YOLOv5s是SKCSP-YOLOv5直接派生自的基线模型,为评估本文所提架构修改带来的改进提供了参考。YOLOv8s和YOLOv12s被选为代表性的近期单阶段YOLO系列检测器,以提供与现代化目标检测架构的更广泛比较。选择小变体是因为它们代表
结论
SKCSP-YOLOv5是一种增强的单阶段检测器,集成了选择性核多尺度特征提取、基于注意力的特征细化以及额外的检测头,旨在解决核反应堆棒束两相流中小气泡、密集聚集和形状不规则气泡检测的持续性挑战。所有四个检测头共享相同的单类别、单个气泡检测目标;P6头未引入独立的簇级或
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系,这些情况可能被视为影响了本文所报告的工作。
Asim Ullah Muhammad|沈继宏|王淑娟|乔书旭|Awais Khan|Yaqoob Raffay