北京科技大学李诗媛教授团队：基于深度学习模型的氢基流化床中气泡识别分割方法研究--颗粒学报PARTICUOLOGY

氢基流化床作为氢气直接还原铁矿粉工艺的关键装置，在绿色低碳冶金发展背景下受到广泛关注。然而，由于高密度铁矿粉与低密度氢气形成极端气固密度比，与传统化工以及能源行业广泛使用密度较小的颗粒与空气的气固两相体系相比，其气固流化特性存在显著差异。为此，本文基于光学图像方法研究了铁矿粉-氢气气固流动中的流态化行为特性。另外，由于传统的数字图像分析（DIA）方法主要基于阈值分割和聚类算法，泛化能力有限，因此，本研究系统评估了不同主干网络配置下深度学习DeepLabV3+模型在多工况条件下对床层流态的分割性能，实现了流化过程中气相与固相的同步高精度分割。进一步，利用提出的方法与传统阈值分割方法以及当前广泛应用的通用基础模型SAM3进行了对比。结果表明，采用ResNet18作为主干网络能够在分割精度与计算效率之间取得良好的平衡；基于DeepLabV3+模型的分割方法表现出较强的适应性，且分割精度和处理效率均显著优于传统图像分割方法及SAM3。相关训练代码和数据集：https://github.com/Pensword0/BubbleSeg

相关研究成果发表于PARTICUOLOGY（Volume 113），欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！

亮点

1. 基于DeepLabV3+图像分割模型实现了气相与固相的同步分割。

2. 系统地评估了不同主干网络对分割性能与计算效率的影响。并对比分析深度学习方法、传统阈值方法及通用模型SAM3在复杂流化场景下的适用性。

3. 基于提出的深度学习图像分割模型，分析了高密度铁矿粉-低密度氢气体系内的气固流动特性。

研究背景

氢基流化床是实现铁矿粉直接还原的重要装置，在钢铁行业绿色低碳转型与清洁冶金发展需求的推动下，其应用受到广泛关注。该体系中铁矿粉属于典型高密度颗粒，而氢气密度极低，形成显著高于传统流化床的气固密度比，由此导致气泡行为、床层结构及相间作用规律偏离传统认知。因此，有必要重新审视氢气-铁矿粉体系内的气固流动机理。

光学图像方法是一种非侵入式且可被用于流化床气固流化行为研究的重要手段，传统的数字图像分析（DIA）方法主要依赖阈值分割和聚类算法，但在复杂背景及不同颗粒体系条件下，其泛化能力有限，难以满足多工况、高精度分析需求。随着深度学习计算机视觉技术的快速发展，基于深度学习的图像分割方法在复杂场景中表现优异，尤其是近年来通用基础模型（如，SAM3）的兴起，为复杂图像分割任务提供了新的解决思路。然而，针对流化床气固两相体系这一典型的复杂工业场景，现有通用模型的适用性仍有待评估。因此，构建并优化适用于流化床工况的深度学习分割模型，对实现流化行为的高精度定量表征具有重要意义。

要点精读

1. 主干网络性能评估。系统评估了DeepLab V3+模型中不同主干网络在气固流化图像分割任务中的性能表现。结果表明，采用ResNet18作为骨干网络时，模型在保证较高分割精度的同时显著降低了计算成本，整体性能优于其他ResNet架构，表现出更优的精度与效率平衡。

2. DeepLab V3+模型的分割效果。图1和图2分别展示了不同分割方法在流化数Fn=2条件下连续四帧图像及不同流化数条件下的分割结果。结果表明，DeepLab V3+模型在局部过曝、低照度及复杂背景条件下仍能够实现精确分割；相比之下，Otsu阈值法易出现误分割，而SAM3方法仅能提取床层整体轮廓，对床层内部气泡结构的识别能力有限，难以满足精细结构分析需求。

图1 连续时间帧下流动结构的分割结果（a）原始图像；（b）Otsu 自适应阈值分割；（c）SAM3；（d）DeepLabV3+

图2 不同流化数（Fn）条件下流动结构的分割结果（a）原始图像；（b）Otsu 自适应阈值分割；（c）SAM3；（d）DeepLabV3+

3. 实验结果分析。铁矿粉流化时，在流化气氛中引入H₂会明显减小气泡尺寸，但气泡的纵横比基本不变。气泡上升速度主要由气泡尺寸决定，与H₂浓度相关性较弱。从整体床层结构来看，随着H₂浓度增加，气泡体积分数与床层膨胀比均逐渐降低，说明H₂促进气体向乳化相分散，削弱了气泡结构的形成。

主要结论与展望

1. 采用 ResNet18 作为DeepLabV3+的主干网络能够在分割精度与计算效率之间取得良好平衡。

2. 传统方法及SAM3相比，DeepLabV3+模型在复杂背景及多样化流化状态下均表现出更稳定的分割性能，不仅能够准确识别气泡结构，还能有效区分固相区域，为床层空隙率及波动特性的定量分析提供可靠基础。

3. 铁矿粉流化时，在流化气氛中引入H₂后，气泡尺寸及床层膨胀比降低，而气泡纵横比与上升速度则基本不受影响。

4. 针对气固两相流动的深度学习分割方法仍具有进一步研究空间，有必要构建面向行业应用的通用分割模型，以提升模型在复杂工况下的泛化能力与工程适用性。

通讯作者简介

李诗媛，北京科技大学教授，博导，长期从事新型流化床技术、低碳燃烧技术、氢能利用和智慧能源方面的研究。先后主持国家重点研发计划项目1项、中国科学院战略性先导科技专项（A类）课题2项。获国家能源科技进步奖二等奖（排名第2），获中国科学院杰出科技成就奖（主要完成者）。发表学术论文100余篇，申请发明专利40余项。

供稿：原文作者

排版：《颗粒学报》编辑部

文章信息

Wang, C., Liu, Y., Zhang, J., & Li, S. (2026). Comparative study of bubble segmentation methods for image analysis in hydrogen-based fluidized beds. Particuology, 113, 88-101. https://doi.org/10.1016/j.partic.2026.03.014

附件：