Los sistemas de burbujas multiphase son cruciales en industrias como la biotecnología, la medicina, el petróleo y el gas, y el tratamiento del agua. El análisis de datos ópticos proporciona información crítica sobre las características de las burbujas, como la forma y el tamaño, complementando los datos de sensores físicos. Las técnicas de detección existentes se basan en algoritmos clásicos de visión por computadora y modelos de redes neuronales. Mientras que las redes neuronales logran una mayor precisión, requieren conjuntos de datos extensos y anotados, y los métodos clásicos a menudo tienen dificultades con sistemas complejos debido a su menor precisión. Este estudio propone un nuevo marco para abordar estas limitaciones. Utilizando la regresión de parámetros de Superformula, introducimos un método avanzado de detección de bordes para identificar con precisión inclusiones de gas y objetos de formas complejas en entornos multiphase. El marco también incluye un nuevo enfoque para generar imágenes de burbujas artificiales realistas basadas en condiciones de flujo físico, aprovechando la Superformula para crear conjuntos de datos extensos y etiquetados sin anotación manual. Probados en flujos de burbujas reales en equipos de transferencia de masa, los algoritmos permiten la clasificación de burbujas por forma y tamaño, mejoran la precisión de detección y reducen el tiempo de desarrollo de soluciones de redes neuronales. Este trabajo proporciona un método robusto para la detección de objetos y generación de conjuntos de datos en sistemas multiphase, allanando el camino para una modelización y análisis más precisos.