[發明專利]一種基于卷積神經網絡的低質量粒子速度場圖像修正方法

有效

• 申請號: 202110451904.6
• 申請日: 2021-04-26
• 公開（公告）號: CN113496499B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 李然;曾強;楊暉;陳泉;徐悅
• 申請（專利權）人: 上海理工大學
• 主分類號: G06T7/207
• 分類號: G06T7/207;G01P3/38;G06N3/04;G06N3/08
• 代理公司: 上海邦德專利代理事務所(普通合伙) 31312
• 代理人: 佘大鵬

本發明公開了一種基于卷積神經網絡的低質量粒子速度場圖像修正方法，包括以下步驟：S1、獲取粒子圖像；S2、對圖像遮擋處理，并用PIV計算；S3、通過步驟S2計算得到微觀的速度矢量；S4、將得到的數據集作為網絡輸入；進行步驟S1?S4同時進行如下的步驟：S5、定義流場域；S6、進行無遮擋處理且用PIV計算；S7、計算得到準確的粒子速度場的S_label；S8、通過步驟S7作為網絡訓練的標簽；S9、通過步驟S1?S4與S5?S8搭建網絡且建立訓練模型；S10、進行網絡模型應用。根據本發明，有效解決了PIV測量技術中的低質量粒子速度場圖像修正問題和在遮擋限制情況下的粒子速度場測量問題。

技術領域

本發明涉及粒子圖像測速的技術領域，特別涉及一種基于卷積神經網絡 的低質量粒子速度場圖像修正方法。

背景技術

粒子圖像測速(particle image velocimetry,PIV)技術是基于計算機圖像處 理和流動顯示的一項無干擾、非接觸式流場測試技術，目前PIV技術已經被 廣泛用于流體力學、空氣動力學以及生命科學等領域，且新的應用領域仍在 不斷擴展，成為現代流體測量的重要方法。然而，由于采集粒子圖像過程不 可避免地受到不均勻光照、顆粒飛濺、視野盲區等不利因素影響，所獲取的 粒子圖像會模糊不清、目標難以辨識，造成測量盲區，從而影響顆粒速度場 分布的準確性，給科研實驗人員帶來難以避免的誤差干擾。目前的PIV技術只能用于非劇烈運動的、高質量顆粒流場圖像的速度分布測量。因此，在此 類低質量圖像中修正粒子速度場尤為重要。

隨著人工智能技術的發展，基于深度學習的粒子圖像分析技術是新的研究 領域，設計用于粒子圖像測速的深度學習技術具有廣泛的應用前景和研究價 值。卷積神經網絡是深度學習的關鍵技術，利用卷積神經網絡可以從大量訓 練數據中有效獲取復雜非線性的映射模型，從而較為理想地實現對被干擾粒 子產生的低質量速度場圖像的修正，為解決在較大面積遮擋或模糊的低質量 粒子速度場圖像測量問題成為可能。目前，神經網絡在低質量圖像中多用于 圖像增強、低質量文本、指紋、人臉識別和醫療圖像分析處理等方面，而應 用于粒子被干擾情況下的低質量速度場圖像的測量和修正較為少見。

由于采集粒子圖像過程不可避免地受到不均勻光照、顆粒飛濺、視野盲區 等不利因素影響，所獲取的粒子圖像會模糊不清、目標難以辨識，造成測量 盲區，從而影響顆粒速度場分布的準確性，給科研實驗人員帶來難以避免的 誤差干擾。目前的PIV技術只能用于非劇烈運動的、高質量顆粒流場圖像的 速度分布測量。

發明內容

針對現有技術中存在的不足之處，本發明的目的是提供一種基于卷積神經 網絡的低質量粒子速度場圖像修正方法，有效解決了PIV測量技術中的低質 量粒子速度場圖像修正問題和在遮擋限制情況下的粒子速度場測量問題。為 了實現根據本發明的上述目的和其他優點，提供了一種基于卷積神經網絡的 低質量粒子速度場圖像修正方法，包括以下步驟：

S1、獲取粒子圖像；

S2、對圖像遮擋處理，并用PIV計算；

S3、通過步驟S2計算得到微觀的速度矢量；

S4、將得到的數據集作為網絡輸入；

進行步驟S1-S4同時進行如下的步驟：

S5、定義流場域；

S6、進行無遮擋處理且用PIV計算；

S7、計算得到準確的粒子速度場的S_label；

S8、通過步驟S7作為網絡訓練的標簽；

S9、通過步驟S1-S4與S5-S8搭建網絡且建立訓練模型；

S10、進行網絡模型應用。