识别模型构建方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种识别模型构建方法、装置、计算机设备及存储介质。


背景技术：

2.随着计算机技术的迅速发展，人工神经网络技术已经具有越来越广泛的应用价值及应用场景，例如在微芯片对应的微流控的气液两相流识别场景中，利用图像识别结合深度学习模型对微流控相关参数进行识别，能够提高识别的效率。
3.传统技术中，在进行微流控的识别模型的训练时，必须花费大量时间对模型进行重复训练，训练效率较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种识别模型构建方法、装置、计算机设备及存储介质，能够有效提高识别模型的训练效率。
5.本技术提供了一种识别模型构建方法，包括：
6.获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；
7.基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；
8.根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，识别模型用于根据气液输入数据识别得到对应的气体传质数据。
9.在其中一个实施例中，基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合，包括：
10.获取训练对应的当前迭代次数；
11.当当前迭代次数达到预设阈值时，获取当前迭代次数对应的当前模型输出结果；
12.对当前模型输出结果进行曲线拟合，得到当前迭代输出对应的拟合曲线。
13.在其中一个实施例中，确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态，包括：
14.计算拟合曲线与标准曲线间的误差结果分布；
15.当误差结果分布为预设正态分布且期望参数小于或等于期望阈值、标准差小于或等于标准差阈值时，确定当前训练状态为收敛状态；
16.当误差结果分布不为预设正态分布或期望参数大于期望阈值或标准差大于标准
差阈值时，确定当前训练状态为发散状态。
17.在其中一个实施例中，根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，包括：
18.当当前训练状态为收敛状态时，更新训练模型；
19.将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至训练次数达到最大训练次数，得到目标识别模型。
20.在其中一个实施例中，根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，包括：
21.当当前训练状态为发散状态时，停止模型当前的训练；
22.根据气液输入数据、气体传质数据，重新启动模型的训练，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型。
23.本技术还提供了一种微流控状态识别方法，包括：
24.获取气液输入数据，气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息；
25.将气液输入数据输入至目标识别模型，输出与气液输入数据对应的气体传质数据，气体传质数据用于表征微管道输出对应的气泡状态信息；
26.目标识别模型是通过获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型的方式得到的。
27.本技术还提供了一种识别模型构建装置，包括：
28.获取模块，用于获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；
29.确定模块，用于基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；
30.训练模块，用于根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，识别模型用于根据气液输入数据识
别得到对应的气体传质数据。
31.本技术还提供了一种微流控状态识别装置，包括：
32.获取模块，用于获取气液输入数据，气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息；
33.识别模块，用于将气液输入数据输入至目标识别模型，输出与气液输入数据对应的气体传质数据，气体传质数据用于表征微管道输出对应的气泡状态信息；目标识别模型是通过获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型的方式得到的。
34.本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述识别模型构建方法或微流控状态识别方法。
35.本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述识别模型构建方法或微流控状态识别方法。
36.上述识别模型构建方法、装置、计算机设备及存储介质，通过将微管道的气液输入数据以及对应的标准气体传质数据作为训练样本数据，对初始识别模型进行训练，在模型的训练过程中获取模型的当前模型输出结果，基于当前模型输出结果与其对应的标准曲线的差异与阈值进行比较，再根据比较结果确定当前训练状态，再根据当前训练状态完成对模型的训练过程，从而实现对模型的训练过程中的状态的实时监测，本技术这种基于训练过程实时监测的模型训练方法相对于无监控训练状态机制的模型训练而言，能够有效避免传统技术中因模型训练出现发散后不能及时调整模型训练策略而导致的计算机资源及时间的耗费，有利于提高模型训练的效率。
附图说明
37.图1为一个实施例中识别模型构建方法的流程示意图；
38.图2为一个实施例中生成当前迭代输出对应的拟合曲线的流程示意图；
39.图3为一个实施例中当前训练状态的确定方法的流程示意图；
40.图4为一个实施例中收敛状态下模型训练的流程示意图；
41.图5为一个实施例中发散状态下模型训练的流程示意图；
42.图6为一个实施例中微流控状态识别方法的流程示意图；
43.图7为一个实施例中数据关联与分布特性的分布示意图；
44.图8为一个实施例中模型预测误差分布示意图；
45.图9为一个实施例中微流控状态模型预测效果示意图；
46.图10为一个实施例中识别模型构建装置的结构框图；
47.图11为一个实施例中微流控状态识别装置的结构框图；
48.图12为一个实施例中计算机设备的内部结构图；
49.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
50.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
51.在一个实施例中，如图1所示，提供了一种识别模型构建方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。
52.本实施例中，该方法包括以下步骤：
53.步骤s102，获取训练气液输入数据和对应的标准气体传质数据。
54.其中，气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息。
55.具体地，计算机设备从数据库中获取预先存储的原始实验数据，按照一定的采样间隔对原始实验数据进行采样，得到训练样本数据。
56.举例说明，原始实验数据是改变通入微芯片内的气体液体流动等条件(例如气体流量、液体流量以及是否具有微结构等条件)，得到气体流量从20-300ml/h，液体流量从50-130ml/h，采用间隔20ml/h取样，得到训练样本数据，并且该训练样本数据记录了不同流动条件下气泡在微芯片内出口与入口处的长度、通道内气泡的数量、产生频率、气压等参数信息。
57.步骤s104，基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合，确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态。
58.其中，当前模型输出结果是指在模型训练的过程中，达到预设的迭代条件时的模型对应的输出结果，该迭代条件可以是预设的模型迭代次数等。
59.具体地，计算机设备基于上述步骤确定的气液输入数据以及气体传质数据对初始模型进行训练，并实时获取模型当前训练对应的迭代次数，当模型当前的迭代次数达到了预设迭代次数时，获取对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合，得到拟合曲线，并将该拟合曲线与气体传质数据对应的标准曲线进行比对，得到差异，并基于该差异与阈值的比较结果确定模型对应的当前训练状态。
60.步骤s106，根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型。
61.其中，识别模型用于根据气液输入数据识别得到对应的气体传质数据。
62.具体地，计算机设备根据前述步骤确定模型的当前训练状态，再根据当前训练状态确定模型接下来的训练策略，从而实现根据训练过程中的具体训练情况对模型的训练过程进行智能地调整，从而在整体上提高模型训练的效率。
63.本实施例中，通过将微管道的气液输入数据以及对应的标准气体传质数据作为训练样本数据，对初始识别模型进行训练，在模型的训练过程中获取模型的当前模型输出结果，基于当前模型输出结果与其对应的标准曲线的差异与阈值进行比较，再根据比较结果确定当前训练状态，再根据当前训练状态完成对模型的训练过程，从而实现对模型的训练过程中的状态的实时监测，本技术这种基于训练过程实时监测的模型训练方法相对于无监控训练状态机制的模型训练而言，能够有效避免传统技术中因模型训练出现发散后不能及时调整模型训练策略而导致的计算机资源及时间的耗费，有利于提高模型训练的效率。
64.在一个实施例中，如图2所示，基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合，包括：
65.步骤s202，获取训练对应的当前迭代次数。
66.步骤s204，当当前迭代次数达到预设阈值时，获取当前迭代次数对应的当前模型输出结果。
67.其中，预设阈值可以是由技术人员根据需要而灵活设置，也可以是根据该场景下，对应模型在以往的训练过程中的收敛与发散的历史记录而确定的，具体方式这里不作限制。
68.具体地，计算机设备根据上述步骤获取当前迭代次数，分析当前迭代次数所述范围，再根据当前迭代次数所处的范围，确定对应的预设阈值，例如可以预先设置迭代次数在200至300次之间，设置该范围对应的第一预设阈值，当迭代次数在500至700次之间，则设定与之对应的第二预设阈值等等，预设阈值的数目视具体场景或需要而灵活设置，这里不作具体限定；计算机设备分析当前迭代次数达到预设阈值时，获取当前迭代次数对应的当前模型输出结果。
69.步骤s206，对当前模型输出结果进行曲线拟合，得到当前迭代输出对应的拟合曲线。
70.具体地，计算机设备根据当前模型输出结果进行曲线拟合，曲线拟合的方式可以使用常用的拟合方式，例如用解析表达式逼近离散数据的方法、最小二乘法等，也可以直接根据当前模型输出绘制折线图，使得每个时间点对应的输出数据都被包含于所绘制的折线图，具体方式不作具体限制。
71.本实施例中，获取训练对应的当前迭代次数，当当前迭代次数达到预设阈值时，获取当前迭代次数对应的当前模型输出结果，再对当前模型输出结果进行曲线拟合，得到当前迭代输出对应的拟合曲线，从而能够对当前模型输出结果进行直观的曲线绘制，为后续根据该拟合曲线而确定的当前训练状态更加准确。
72.在一个实施例中，如图3所示，确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态，包括：
73.步骤s302，计算拟合曲线与标准曲线间的误差结果分布。
74.具体地，计算机设备根据前述步骤确定了模型在当前迭代次数下对应的拟合曲线，再将该拟合曲线与标准曲线在每个对应的时间点处的残差，进而得到拟合曲线与标准
曲线间的误差分布结果。
75.步骤s304，当误差结果分布为预设正态分布且期望参数小于或等于期望阈值、标准差小于或等于标准差阈值时，确定当前训练状态为收敛状态。
76.步骤s306，当误差结果分布不为预设正态分布或期望参数大于期望阈值或标准差大于标准差阈值时，确定当前训练状态为发散状态。
77.本实施例中，通过计算拟合曲线与标准曲线间的误差结果分布，再对该误差结果分布的对应形态特征及各对应参数进行分析，确定当前训练的状态信息，具体为当误差结果分布为预设正态分布且期望参数小于或等于期望阈值、标准差小于或等于标准差阈值时，确定当前训练状态为收敛状态；当误差结果分布不为预设正态分布或期望参数大于期望阈值或标准差大于标准差阈值时，确定当前训练状态为发散状态，提高确定当前训练状态的准确性。
78.在一个实施例中，如图4所示，根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，包括：
79.步骤s402，当当前训练状态为收敛状态时，更新训练模型。
80.其中，收敛状态为当前训练状态对应的拟合曲线与对应的标准曲线间的误差小于预设阈值的状态。
81.具体地，计算机设备判断得到当前训练状态为收敛状态时，继续进行余下的训练过程，例如当设定模型的训练对应的最大迭代次数为1000次时，若当前迭代次数为500，且当前训练状态为收敛状态，则继续执行剩下的501至1000次的迭代过程。
82.步骤s404，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至训练次数达到最大训练次数，得到目标识别模型。
83.其中，最大迭代次数可以由技术人员根据实际需要灵活设置得到，也可以是根据历史训练过程中该场景下同样数据量级训练模型时，记录的模型收敛状态来确定。
84.本实施例中，通过判断当当前训练状态为收敛状态时，更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至训练次数达到最大训练次数，得到目标识别模型，从而实现根据实时监测模型的中间训练过程中的训练状态，来合理调整模型训练策略，有利于提高模型训练的效率。
85.在一个实施例中，如图5所示，根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，包括：
86.步骤s502，当当前训练状态为发散状态时，停止模型当前的训练。
87.其中，发散状态为当前训练状态对应的拟合曲线与对应的标准曲线间的误差大于预设阈值的状态。
88.具体地，计算机设备根据前述步骤判定当前训练状态为发散状态时，立即停止模型当前的训练。
89.步骤s504，根据气液输入数据、气体传质数据，重新启动模型的训练，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到
目标识别模型。
90.具体地，计算机设备停止当前模型训练之后，根据气液输入数据、气体传质数据，重新启动模型的训练过程，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型。
91.本实施例中，通过判断当当前训练状态为发散状态时，停止模型当前的训练，根据气液输入数据、气体传质数据，重新启动模型的训练，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，从而保证了当模型训练出现发散情况后，能够及时停止当前模型训练过程，及时重启模型的训练，而不是当模型训练完毕后才根据训练结果而重新开启模型的训练，有效节省计算机设备的计算及内存资源与时间，提高模型训练效率。
92.在一个实施例中，如图6所示，提供了一种微流控状态识别方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
93.步骤s602，获取气液输入数据，气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息。
94.步骤s604，将气液输入数据输入至目标识别模型，输出与气液输入数据对应的气体传质数据，气体传质数据用于表征微管道输出对应的气泡状态信息。
95.其中，目标识别模型是通过获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型的方式得到的。
96.本实施例中，通过将微管道的气液输入数据以及对应的标准气体传质数据作为训练样本数据，对初始识别模型进行训练，在模型的训练过程中获取模型的当前模型输出结果，基于当前模型输出结果与其对应的标准曲线的差异与阈值进行比较，再根据比较结果确定当前训练状态，再根据当前训练状态完成对模型的训练过程，从而实现对模型的训练过程中的状态的实时监测，本技术这种基于训练过程实时监测的模型训练方法相对于无监控训练状态机制的模型训练而言，能够有效避免传统技术中因模型训练出现发散后不能及时调整模型训练策略而导致的计算机资源及时间的耗费，有利于提高模型训练的效率，进而利用该识别模型对微流控的状态进行识别，提高识别效率。
97.本技术还提供了一种应用场景，该应用场景应用上述的识别模型构建方法，该方法应用于微芯片对应的微流控的气液两相流识别的场景。具体地，该识别模型构建方法在该应用场景的应用如下：
98.使用python的tensorflow 2.11包的深度学习库keras搭建一个顺序逻辑回归模
型(keras sequential model)，其中包含一个输入层、两个紧密相连的隐藏层，其中一个隐藏层分别包含了64个神经单元，以及一个返回单个、连续值的输出层。模型网格的层数，通常会影响数据描述的完整性以及预测的准确性，而网格层数多可以用较少的参数实现更多的功能，但是也会容易出现模型拟合时的梯度的爆炸、消失、过拟合，影响模型的准确性和稳定性，在不同网格结构的连接方式情况下增大网格层数很可能会导致训练模型的退化。
99.使用一个早期停止(earlystopping callback)来测试每个周期epoch的训练、如果经过100数量的epochs后拟合情况，如果拟合情况没有进行没有改进即拟合曲线发散，则训练自动停止训练。早期停止可以节省训练时间，即使发现修改超参数。
100.模型使用参数设置动量(momentum)为0.9，批大小(batch size)为10，训练周期(epochs)为1000，数据量为64925，学习率(learning rate)设置为0.001，以随机选择数据其中的80％作为训练集，另外的20％作为和测试集。并使用sgd随机梯度下降法(stochastic gradient descent)进行训练。
101.利用3d打印的芯片所测量的有无微结构即微针高度h＝0与微针高度h＝300μm结构，在液体流量50-130ml/h间隔20ml/h，气体流量25-500ml/h所获得的图片，经过图像识别数据提取气泡的数量出入口处的大小等信息，共获得了187010个数据点；使用python函数，对获得的数据进行初步清洗，再由人工进行图像筛查，去特殊识别失误的图像数据，由此方法去掉一些不符合的数据点，例如识别出错的气泡数量小于一定阈值、以及出入口气泡大小分布不均、识别失误、重复等，最终获得的数据量为64925，数据关联性与分布如图7所示。其中q
l
、qg、l
in
、l
out
、n、f、k
l
a分别代表液体流量、气体流量、入口气泡长度、出口气泡长度、气泡数量、频率、体积传质系数。从图表可以获得可获得每项数据与其他关联的数据大致分布与变化趋势，可用于深度学习前的数据清洗与所模型类型判断。使用模型分别预测的频率f、气泡数量n、出入口长度l，四个参数作为输出值，都使用了芯片类型h、气体流量qg，液体流量q
l
作为输入层进行训练。预测体积传质系数k
l
a则都使用了频率f、气泡数量n、出入口长度l作为输入层输入参数。
102.模型对不同输入的数据样本变化范围差异较大，为保证输入的参数对结果的影响较小，随机打乱所有数据重新排序，避免同一个特征值的数据样本重复出现，影响了模型训练的泛化能力。故在进行训练模型之前将数据随机打乱，并选择总体的64925数据量其中的80％数据进行逻辑回归模型训练，另外的20％进行验证模型。
103.通过调节超参数例如隐藏层数、神经单元数量、训练周期、学习率、批量大小等，模型在训练周期200左右可达到拟合收敛，训练误差曲线与验证误差曲线贴合，没有发散，即可说明模型训练良好。模型用数据中的另外的20％作为测试，测试误差结果分布如图8所示，其中(a)入口气泡长度l
in
模型；(b)气泡数量n模型；(c)出口气泡长度l
out
模型；(d)气泡生产频率f模型；(e)体积传质系数k
l
a模型；大部分误差分布在0点附近，误差分布符合正态分布，说明模型预测的数值误差不大、准确率较好。预测值与真实值相比较如图9所示，其中(a)入口气泡长度l
in
模型；(b)气泡数量n模型；(c)出口气泡长度l
out
模型；(d)气泡生产频率f模型；(e)体积传质系数k
l
a模型；反应了预测值与实际值相比情况，数据点处于对角线附近说明模型训练以及预测良好。
104.本实施例中，通过将微管道的气液输入数据以及对应的标准气体传质数据作为训练样本数据，对初始识别模型进行训练，在模型的训练过程中获取模型的当前模型输出结
果，基于当前模型输出结果与其对应的标准曲线的差异与阈值进行比较，再根据比较结果确定当前训练状态，再根据当前训练状态完成对模型的训练过程，从而实现对模型的训练过程中的状态的实时监测，本技术这种基于训练过程实时监测的模型训练方法相对于无监控训练状态机制的模型训练而言，能够有效避免传统技术中因模型训练出现发散后不能及时调整模型训练策略而导致的计算机资源及时间的耗费，有利于提高模型训练的效率。
105.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
106.在一个实施例中，如图10所示，提供了一种识别模型构建装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1002、确定模块1004、训练模块1006，其中：
107.获取模块1002，用于获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；
108.确定模块1004，用于基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；
109.训练模块1006，用于根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，识别模型用于根据气液输入数据识别得到对应的气体传质数据。
110.在其中一个实施例中，确定模块1004还用于获取训练对应的当前迭代次数；当当前迭代次数达到预设阈值时，获取当前迭代次数对应的当前模型输出结果；对当前模型输出结果进行曲线拟合，得到当前迭代输出对应的拟合曲线。
111.在其中一个实施例中，确定模块1004还用于计算拟合曲线与标准曲线间的误差结果分布；当误差结果分布为预设正态分布且期望参数小于或等于期望阈值、标准差小于或等于标准差阈值时，确定当前训练状态为收敛状态；当误差结果分布不为预设正态分布或期望参数大于期望阈值或标准差大于标准差阈值时，确定当前训练状态为发散状态。
112.在其中一个实施例中，训练模块1006还用于当当前训练状态为收敛状态时，更新训练模型；将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至训练次数达到最大训练次数，得到目标识别模型。
113.在其中一个实施例中，训练模块1006还用于当当前训练状态为发散状态时，停止模型当前的训练；根据气液输入数据、气体传质数据，重新启动模型的训练，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目
标识别模型。
114.上述识别模型构建装置，通过将微管道的气液输入数据以及对应的标准气体传质数据作为训练样本数据，对初始识别模型进行训练，在模型的训练过程中获取模型的当前模型输出结果，基于当前模型输出结果与其对应的标准曲线的差异与阈值进行比较，再根据比较结果确定当前训练状态，再根据当前训练状态完成对模型的训练过程，从而实现对模型的训练过程中的状态的实时监测，本技术这种基于训练过程实时监测的模型训练方法相对于无监控训练状态机制的模型训练而言，能够有效避免传统技术中因模型训练出现发散后不能及时调整模型训练策略而导致的计算机资源及时间的耗费，有利于提高模型训练的效率。
115.关于识别模型构建装置的具体限定可以参见上文中对于识别模型构建方法的限定，在此不再赘述。上述识别模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
116.在一个实施例中，如图11所示，提供了一种微流控状态识别装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：获取模块1102、识别模块1104，其中：
117.获取模块1102，用于获取气液输入数据，气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息；
118.识别模块1104，用于将气液输入数据输入至目标识别模型，输出与气液输入数据对应的气体传质数据，气体传质数据用于表征微管道输出对应的气泡状态信息；目标识别模型是通过获取训练气液输入数据和对应的标准气体传质数据；气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及微管道的内部结构信息，标准气体传质数据用于表征将训练气液输入数据输入微管道得到的对应的气泡状态信息；基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型的方式得到的。
119.上述微流控状态识别装置，通过将微管道的气液输入数据以及对应的标准气体传质数据作为训练样本数据，对初始识别模型进行训练，在模型的训练过程中获取模型的当前模型输出结果，基于当前模型输出结果与其对应的标准曲线的差异与阈值进行比较，再根据比较结果确定当前训练状态，再根据当前训练状态完成对模型的训练过程，从而实现对模型的训练过程中的状态的实时监测，本技术这种基于训练过程实时监测的模型训练方法相对于无监控训练状态机制的模型训练而言，能够有效避免传统技术中因模型训练出现发散后不能及时调整模型训练策略而导致的计算机资源及时间的耗费，有利于提高模型训练的效率，进而利用该识别模型对微流控的状态进行识别，提高识别效率。
120.关于微流控状态识别装置的具体限定可以参见上文中对于微流控状态识别方法
的限定，在此不再赘述。上述微流控状态识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
121.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储训练气液输入数据和对应的标准气体传质数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种识别模型构建方法或微流控状态识别方法。
122.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种识别模型构建方法或微流控状态识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
123.本领域技术人员可以理解，图12和图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
124.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
125.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
126.在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
127.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括
非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
128.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
129.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种识别模型构建方法，其特征在于，所述方法包括：获取训练气液输入数据和对应的标准气体传质数据；所述气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及所述微管道的内部结构信息，所述标准气体传质数据用于表征将所述训练气液输入数据输入微管道得到的对应的气泡状态信息；基于所述气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对所述当前模型输出结果进行曲线拟合；确定所述拟合曲线和所述气体传质数据对应的标准曲线的差异，基于所述差异与阈值的比较结果确定当前训练状态；根据所述当前训练状态，进行模型的训练得到更新训练模型，将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，所述识别模型用于根据气液输入数据识别得到对应的气体传质数据。2.根据权利要求1所述的方法，其特征在于，所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对所述当前模型输出结果进行曲线拟合，包括：获取所述训练对应的当前迭代次数；当所述当前迭代次数达到预设阈值时，获取所述当前迭代次数对应的当前模型输出结果；对所述当前模型输出结果进行曲线拟合，得到当前迭代输出对应的拟合曲线。3.根据权利要求1所述的方法，其特征在于，所述确定所述拟合曲线和所述气体传质数据对应的标准曲线的差异，基于所述差异与阈值的比较结果确定当前训练状态，包括：计算拟合曲线与标准曲线间的误差结果分布；当所述误差结果分布为预设正态分布且期望参数小于或等于期望阈值、标准差小于或等于标准差阈值时，确定当前训练状态为收敛状态；当所述误差结果分布不为预设正态分布或期望参数大于期望阈值或标准差大于标准差阈值时，确定当前训练状态为发散状态。4.根据权利要求1所述的方法，其特征在于，所述根据所述当前训练状态，进行模型的训练得到更新训练模型，将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，包括：当所述当前训练状态为收敛状态时，更新训练模型；将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至训练次数达到最大训练次数，得到目标识别模型。5.根据权利要求1所述的方法，其特征在于，所述根据所述当前训练状态，进行模型的训练得到更新训练模型，将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，包括：
当所述当前训练状态为发散状态时，停止模型当前的训练；根据所述气液输入数据、气体传质数据，重新启动模型的训练，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型。6.一种微流控状态识别方法，其特征在于，所述方法包括：获取气液输入数据，所述气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及所述微管道的内部结构信息；将所述气液输入数据输入至目标识别模型，输出与所述气液输入数据对应的气体传质数据，所述气体传质数据用于表征所述微管道输出对应的气泡状态信息；所述目标识别模型是通过获取训练气液输入数据和对应的标准气体传质数据；所述气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及所述微管道的内部结构信息，所述标准气体传质数据用于表征将所述训练气液输入数据输入微管道得到的对应的气泡状态信息；基于所述气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对所述当前模型输出结果进行曲线拟合；确定所述拟合曲线和所述气体传质数据对应的标准曲线的差异，基于所述差异与阈值的比较结果确定当前训练状态；根据所述当前训练状态，进行模型的训练得到更新训练模型，将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型的方式得到的。7.一种识别模型构建装置，其特征在于，所述装置包括：获取模块，用于获取训练气液输入数据和对应的标准气体传质数据；所述气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及所述微管道的内部结构信息，所述标准气体传质数据用于表征将所述训练气液输入数据输入微管道得到的对应的气泡状态信息；确定模块，用于基于所述气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对所述当前模型输出结果进行曲线拟合；确定所述拟合曲线和所述气体传质数据对应的标准曲线的差异，基于所述差异与阈值的比较结果确定当前训练状态；训练模块，用于根据所述当前训练状态，进行模型的训练得到更新训练模型，将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，所述识别模型用于根据气液输入数据识别得到对应的气体传质数据。8.一种微流控状态识别装置，其特征在于，所述装置包括：获取模块，用于获取气液输入数据，所述气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及所述微管道的内部结构信息；识别模块，用于将所述气液输入数据输入至目标识别模型，输出与所述气液输入数据对应的气体传质数据，所述气体传质数据用于表征所述微管道输出对应的气泡状态信息；所述目标识别模型是通过获取训练气液输入数据和对应的标准气体传质数据；所述气液输入数据包括输入微管道的气液对应的气体流量信息、液体流量信息、离子液体浓度以及所
述微管道的内部结构信息，所述标准气体传质数据用于表征将所述训练气液输入数据输入微管道得到的对应的气泡状态信息；基于所述气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对所述当前模型输出结果进行曲线拟合；确定所述拟合曲线和所述气体传质数据对应的标准曲线的差异，基于所述差异与阈值的比较结果确定当前训练状态；根据所述当前训练状态，进行模型的训练得到更新训练模型，将所述更新训练模型作为当前训练模型，返回所述基于所述气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型的方式得到的。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种识别模型构建方法、装置、计算机设备及存储介质。包括：获取训练气液输入数据和对应的标准气体传质数据；基于气液输入数据、气体传质数据对当前训练模型进行训练，得到对应的当前模型输出结果，并对当前模型输出结果进行曲线拟合；确定拟合曲线和气体传质数据对应的标准曲线的差异，基于差异与阈值的比较结果确定当前训练状态；根据当前训练状态，进行模型的训练得到更新训练模型，将更新训练模型作为当前训练模型，返回基于气液输入数据、气体传质数据对当前训练模型进行训练的步骤，直至满足训练结束条件，得到目标识别模型，识别模型用于根据气液输入数据识别得到对应的气体传质数据。本方法能够有效提高识别模型的训练效率。模型的训练效率。模型的训练效率。


技术研发人员：齐成 李文俊 董海峰 唐汉 孔湉湉 刘洲
受保护的技术使用者：惠州市绿色能源与新材料研究院
技术研发日：2023.06.29
技术公布日：2023/9/20