[發(fā)明專利]一種基于深度學習的復雜流場測量方法

有效

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

本發(fā)明公開了一種基于深度學習的復雜流場測量方法與系統(tǒng)，利用數(shù)字全息光路獲取數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，訓練完的神經(jīng)網(wǎng)絡可以直接從經(jīng)過動態(tài)流場后畸變的物體圖像測量出復雜流場的實時相位圖，通過測量復雜流場的實時相位圖，分析相位的幅值和變化頻率來測量流場，能夠完成復雜流場的測量。該方法用于測量流場的光路簡單(只在制作訓練樣本時用到的光路復雜)，神經(jīng)網(wǎng)絡一經(jīng)訓練完成，就可以直接使用，計算快，可以完全脫離全息技術等干涉測量方法。

技術領域

本發(fā)明涉及光學領域和流場測量領域。

背景技術

PIV技術因為其非接觸性已經(jīng)廣泛應用于流場流速的測量。但是PIV技術依賴多臺相機的同步控制，要求精確標定，難度較大。且現(xiàn)有的PIV技術多用來直接測量流體流速，不能夠完整反映復雜流場的變化。數(shù)字全息術非破壞性、非侵入性、全場測量等優(yōu)點使其應用于流場測量。但是數(shù)字全息方法需要復雜和大量的計算，整個系統(tǒng)結構復雜，對于測量環(huán)境要求高，無法滿足測量任意環(huán)境下復雜流場的需求。

發(fā)明內(nèi)容

為克服現(xiàn)有技術的上述問題，本發(fā)明提出一種基于深度學習的復雜流場測量方法，利用深度學習技術，通過神經(jīng)網(wǎng)絡的訓練，實現(xiàn)對復雜流場的實時測量。

為實現(xiàn)上述目的，本發(fā)明采用的技術方案如下：一種基于深度學習的復雜流場測量方法，其特征在于包含以下步驟：

S1.調(diào)整光路，使得攜帶動態(tài)流場信息的物光束與參考光束干涉，使用相機在物光束與參考光束的干涉平面采集全息圖樣，標記為Hi，i＝1,2,3,4…N，N為所獲取的全息圖樣的數(shù)量，同時使用相機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中重建出訓練樣本的相位圖Pi，i＝1,2,3,4…N；

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

S4.調(diào)整光路，采集受待測流場擾動的物體圖像M；

S5.受待測流場擾動的物體圖像M作為FlowNet的輸入，即可計算待測流場的二維相位圖P。

所述步驟S1的動態(tài)流場可以是任意流場，如大氣湍流、血管、風洞等可以動態(tài)變化的流場。

所述步驟S1的物體可以是網(wǎng)格、白板、棋盤格等任意物體。

所述步驟S1中的N可取10000。

所述步驟S1的全息圖像和畸變物體圖像是同時采集的。

所述步驟S3的神經(jīng)網(wǎng)絡是可用于圖像轉(zhuǎn)換的任何神經(jīng)網(wǎng)絡模型，包含但不限于：基于卷積神經(jīng)網(wǎng)絡的U-net結構模型，C-GAN結構模型等。

所述步驟S3中的損失函數(shù)可選MSE損失函數(shù)，與之對應的網(wǎng)絡模型參數(shù)停止更新的標準為MSE損失函數(shù)值小于0.002。