[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110451904.6
• 申請(qǐng)日: 2021-04-26
• 公開(kāi)（公告）號(hào): CN113496499B
• 公開(kāi)（公告）日: 2022-10-11
• 發(fā)明（設(shè)計(jì)）人: 李然;曾強(qiáng);楊暉;陳泉;徐悅
• 申請(qǐng)（專利權(quán)）人: 上海理工大學(xué)
• 主分類號(hào): G06T7/207
• 分類號(hào): G06T7/207;G01P3/38;G06N3/04;G06N3/08
• 代理公司: 上海邦德專利代理事務(wù)所(普通合伙) 31312
• 代理人: 佘大鵬

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法，其特征在于，包括以下步驟：

S1、獲取粒子圖像；

S2、對(duì)圖像遮擋處理，并用PIV計(jì)算；

S3、通過(guò)步驟S2計(jì)算得到速度場(chǎng)S1；

S4、將得到的數(shù)據(jù)集作為卷積神經(jīng)網(wǎng)絡(luò)輸入,包括對(duì)全域速度場(chǎng)S和與S對(duì)應(yīng)的連續(xù)兩幀圖像做遮擋處理，得到只剩下未被遮擋的顆粒的速度場(chǎng)S1和與S1對(duì)應(yīng)的連續(xù)兩幀圖像I1，I2；進(jìn)行步驟S1-S4同時(shí)進(jìn)行如下的步驟：

S5、定義流場(chǎng)域，流場(chǎng)域的定義為全域顆粒的速度場(chǎng)為S，未被遮擋的顆粒的速度場(chǎng)為S1，被遮擋的顆粒的速度場(chǎng)為S2，S為S1和S2的疊加；

S6、進(jìn)行無(wú)遮擋處理且用PIV計(jì)算；

S7、計(jì)算得到準(zhǔn)確的粒子速度場(chǎng)的S_label；

S8、通過(guò)步驟S7計(jì)算得到準(zhǔn)確的粒子速度場(chǎng)作為卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的標(biāo)簽；

S9、通過(guò)步驟S1-S4與S5-S8建立數(shù)據(jù)集；

S10、搭建卷積神經(jīng)網(wǎng)絡(luò)且將步驟S9的數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；

S11、進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用。

2.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法，其特征在于，所述步驟S3包括對(duì)連續(xù)幀的圖像進(jìn)行時(shí)間標(biāo)記t1,t2,...,tn，每一張圖像的時(shí)間間隔為Δt，用PIV技術(shù)對(duì)圖像處理，獲得每?jī)蓭囊粋€(gè)速度場(chǎng)S，速度場(chǎng)S包含兩幀圖像中的每一個(gè)顆粒m的速度矢量其中分解為x軸方向和y軸方向上的速度分量v_x和v_y，則有微觀速度矢量

3.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法，其特征在于，所述步驟S6包括選取步驟S1中獲得的無(wú)遮擋的、清晰的粒子圖像，用PIV技術(shù)處理得到準(zhǔn)確的粒子速度場(chǎng)集合S_label，把S_label作為卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的標(biāo)簽；并將由步驟S3獲得的連續(xù)兩幀圖像I1，I2作為卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的輸入。

4.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法，其特征在于，所述步驟S9包括搭建卷積神經(jīng)網(wǎng)絡(luò)，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)，采用上述的數(shù)據(jù)集對(duì)所述的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型。

5.如權(quán)利要求4所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法，其特征在于，還包括以下步驟：

S91、獲取網(wǎng)絡(luò)模型S_label＝F(I1，I2)，I1，I2表示連續(xù)兩幀二維圖像，S_labeI表示為輸入圖像之間準(zhǔn)確的全域速度矢量場(chǎng)集合，F(xiàn)表示深度卷積神經(jīng)網(wǎng)絡(luò)的映射函數(shù)關(guān)系；

S92、設(shè)置卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)：該目標(biāo)函數(shù)為輸出的速度場(chǎng)與標(biāo)簽速度場(chǎng)的誤差，按以下公式進(jìn)行：

其中，i代表不同層級(jí)，e為每一層輸出的速度場(chǎng)與標(biāo)簽速度場(chǎng)的誤差，λ是每一層誤差的權(quán)重；

S93、采用自適應(yīng)動(dòng)量?jī)?yōu)化算法訓(xùn)練參數(shù)，從而得到可用于粒子圖像測(cè)速的卷積神經(jīng)網(wǎng)絡(luò)模型。

6.如權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的低質(zhì)量粒子速度場(chǎng)圖像修正方法，其特征在于，所述步驟S11包括將獲取的圖像中包含但不限于顆粒飛濺因素遮擋其他粒子而產(chǎn)生的測(cè)量盲區(qū)進(jìn)行標(biāo)記處理為S1和與之對(duì)應(yīng)的連續(xù)兩幀圖像I1，I2，將I1，I2輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，用訓(xùn)練好的模型計(jì)算/預(yù)測(cè)被遮擋的粒子速度場(chǎng)S2，再把S1與S2疊加，輸出被修正的全域速度場(chǎng)S。