[發(fā)明專利]一種基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110506788.3
• 申請(qǐng)日: 2021-05-10
• 公開(kāi)（公告）號(hào): CN113238076B
• 公開(kāi)（公告）日: 2022-12-06
• 發(fā)明（設(shè)計(jì)）人: 邸江磊;唐雎;吳計(jì);韓文宣;許星星;張佳偉;趙建林
• 申請(qǐng)（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號(hào): G01P5/26
• 分類號(hào): G01P5/26;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，包括一個(gè)激光器，一擴(kuò)束準(zhǔn)直裝置，一流場(chǎng)，一待測(cè)流場(chǎng)，一反射鏡，三非偏振分光棱鏡，兩空間光調(diào)制器，三相機(jī)和一計(jì)算機(jī)；其中，所述激光器發(fā)出的光經(jīng)過(guò)所述準(zhǔn)直裝置準(zhǔn)直后被所述非偏振分光棱鏡分成兩束，其中一束光穿過(guò)流場(chǎng)后攜帶流場(chǎng)信息作為物光束，另一束光作為參考光束，兩束光經(jīng)所述反射鏡反射后通過(guò)非偏振分光棱鏡匯合，形成全息圖樣；利用所述相機(jī)將全息圖記錄在一張圖片上；由所述計(jì)算機(jī)從所記錄的全息圖樣中數(shù)值重建流場(chǎng)的相位圖；所述空間光調(diào)制器加載物體圖像后發(fā)出的光經(jīng)非偏振分光棱鏡反射后，穿過(guò)流場(chǎng)，在非偏振分光棱鏡后形成畸變的圖像；利用所述相機(jī)將畸變圖像記錄在一張圖片上；畸變圖像和全息圖樣是同時(shí)記錄的；利用數(shù)值重建的流場(chǎng)相位圖和采集的畸變圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即可得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)；所述空間光調(diào)制器加載物體圖像后發(fā)出的光經(jīng)非偏振分光棱鏡反射后，穿過(guò)待測(cè)流場(chǎng)，在非偏振分光棱鏡后形成畸變的圖像；利用所述相機(jī)將畸變圖像記錄在一張圖片上；利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)即可從畸變圖像中采集待測(cè)流場(chǎng)的相位信息，其特征在于包含以下步驟：

S1.調(diào)整光路，使得攜帶動(dòng)態(tài)流場(chǎng)信息的物光束與參考光束干涉，使用相機(jī)在物光束與參考光束的干涉平面采集全息圖樣，標(biāo)記為Hi，i＝1,2,3,4…N，N為所獲取的全息圖樣的數(shù)量，同時(shí)使用相機(jī)在物光束像方空間采集畸變的物體圖像Mi，i＝1,2,3,4…N；

S2.使用數(shù)字全息重建算法從Hi中重建出訓(xùn)練樣本的相位圖Pi，i＝1,2,3,4…N；

S3.建立神經(jīng)網(wǎng)絡(luò)模型，初始化網(wǎng)絡(luò)模型參數(shù)，將物體圖像Mi作為網(wǎng)絡(luò)的輸入，相位圖Pi作為網(wǎng)絡(luò)的黃金標(biāo)準(zhǔn)，計(jì)算網(wǎng)絡(luò)的輸出與黃金標(biāo)準(zhǔn)的損失函數(shù)值，并將損失函數(shù)值的梯度反向傳播以更新網(wǎng)絡(luò)模型的參數(shù)，直至損失函數(shù)值小于設(shè)定條件，則停止更新網(wǎng)絡(luò)模型參數(shù)，得到訓(xùn)練完備的神經(jīng)網(wǎng)絡(luò)FlowNet；

S4.調(diào)整光路，采集受待測(cè)流場(chǎng)擾動(dòng)的物體圖像M；

S5.受待測(cè)流場(chǎng)擾動(dòng)的物體圖像M作為FlowNet的輸入，即可計(jì)算待測(cè)流場(chǎng)的二維相位圖P。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，其特征在于，所述的動(dòng)態(tài)流場(chǎng)可以是任意流場(chǎng)，如大氣湍流、血管、風(fēng)洞等可以動(dòng)態(tài)變化的流場(chǎng)。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，其特征在于，所述的物體可以是網(wǎng)格、白板、棋盤(pán)格等任意物體。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，其特征在于，所述的N取值范圍可以從1到1000000。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，其特征在于，所述的全息圖像和畸變物體圖像是同時(shí)采集的。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，其特征在于，所述的神經(jīng)網(wǎng)絡(luò)是可用于圖像轉(zhuǎn)換的任何神經(jīng)網(wǎng)絡(luò)模型，包含但不限于：基于卷積神經(jīng)網(wǎng)絡(luò)的U-net結(jié)構(gòu)模型，C-GAN結(jié)構(gòu)模型等。

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的復(fù)雜流場(chǎng)測(cè)量方法，其特征在于，所述的損失函數(shù)可選用MSE損失函數(shù)等兩幅圖片差異性的損失函數(shù)，與之對(duì)應(yīng)的網(wǎng)絡(luò)模型參數(shù)停止更新的設(shè)定條件為MSE損失函數(shù)值小于0.002或者損失函數(shù)值不再下降。