[發明專利]一種基于深度學習的粒子圖像測速方法與裝置

有效

• 申請號: 202110692079.9
• 申請日: 2021-06-22
• 公開（公告）號: CN113139989B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 高琪
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/60;G06T3/40;G01P5/20;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

本發明公開了一種基于深度學習的粒子圖像測速方法及裝置。本發明用隨機生成的粒子圖像和模擬計算的較高分辨率的速度矢量場傳遞處理獲得較低分辨率的多幅初始速度場，進而組建獲得不同工況的訓練樣本序列構成數據集；再構造包含先后且相關聯融合的多尺度收縮和擴張處理的深度學習網絡模型，將數據集輸入到深度學習網絡模型進行訓練；將實驗粒子圖像計算初始速度場，再輸入至訓練后的深度學習網絡模型中得到預測的速度場。本發明方法能方便地構造非常豐富的有效的數據集，最終速度場的分辨率高于傳統的互相關算法，魯棒性好，獲得了單像素級的高分辨率流場，滿足PIV實驗高分辨率要求。

技術領域

本發明涉及一種圖像測速方法和裝置，特別的是涉及一種基于深度學習的粒子圖像測速( Particle Image Velocimetry，簡稱PIV)方法與裝置。

背景技術

粒子圖像測速（Particle Image Velocimetry, PIV）是一種非接觸式、全局、定量的智能檢測手段，其基本原理是在流場中散播適當的示蹤粒子，用脈沖激光片照射測量場的切面區域，通過成像系統攝取曝光的粒子圖像，然后運用計算機圖像處理技術從PIV實驗粒子圖像中獲取流體運動的速度場信息，其基本原理是取相鄰兩張圖像中示蹤粒子或多個粒子構成的圖案的位移Δs，然后再除以極短的曝光時間Δt，從而得到速度U。

目前在PIV粒子圖像測速領域中依然采用傳統的互相關算法從粒子圖像中計算得到速度場，其具體過程是從相鄰的第一幀中選取窗口，然后再在第二幀圖像中的一定區域內進行匹配，以相關性最大的位置作為該窗口的位移矢量，如果窗口選擇過大，會大幅度的降低計算結果的分辨率，而窗口選擇過小，又會導致窗口的粒子特征過少，可能會產生多個相似的峰值，得不到正確的結果，因此互相關算法難以滿足實際應用中對高分辨和高精度的需求。

為了解決互相關算法計算結果分辨率低的問題，目前已經有相關人員開始嘗試采用AI技術來從PIV例子圖像中計算速度矢量場，并且開發出了基于如FlowNet，LiteFlowNet等網絡結構的AI算法，可實現直接從粒子圖像計算得到單像素級的超分辨速度場，在粒子圖像質量較好的情況下可得到比較理想的結果，但這些算法的魯棒性均較差。由于實際PIV實驗得到的粒子圖像包含各種噪音，采用上述AI算法計算時常常得不到正確的流場，其原因出現在對粒子圖像的特征提取上，由于PIV粒子圖像不具有常見圖像中的紋理、邊緣等宏觀特征，常常造成特征提取不準確，從而造成計算結果的失真甚至錯誤。

發明內容

為了解決背景技術中存在的問題，本發明的目的是提供一種基于深度學習的粒子圖像測速的方法及裝置，解決目前粒子圖像中計算速度場中存在的計算精度、分辨率低及魯棒性差等問題。

本發明采用的技術方案是：

一、一種基于深度學習的粒子圖像測速方法：

步驟S1：生成數據集

基于隨機生成的粒子圖像和模擬計算的較高分辨率的速度矢量場依次傳遞處理獲得較低分辨率的多幅初始速度場，并組建不同工況的訓練樣本序列，進而構成數據集；

步驟S2：構造深度學習網絡模型并利用數據集訓練；

根據數據集的輸入和標簽構造對應的深度學習網絡模型，深度學習網絡模型包含先后進行且相關聯融合的多尺度收縮和多尺度擴張的處理，將數據集輸入到深度學習網絡模型進行訓練；

步驟S3：在實際PIV實驗中讀取獲得的實驗粒子圖像，并計算實驗粒子圖像的初始速度場；

步驟S4：將實驗粒子圖像和對應的初始速度場輸入至S2中訓練完成的深度學習網絡模型中得到預測的較高分辨的速度場，根據速度場能夠反映表現出粒子圖像測速的結果。

所述實驗粒子圖像通常具體可以為實際實驗對象的流場圖像，例如風洞試驗圖、船舶流體動力學圖像等，但不限于此。

所述步驟S1，具體為：