[发明专利]一种基于卷积神经网络的粒子图像测速方法

权利要求书

1.一种基于卷积神经网络的粒子图像测速方法，其特征在于，该方法采用监督深度学习的卷积神经网络实现从二维流体粒子图像中提取分析速度场，它包括以下步骤：

步骤1：生成PIV数据集；

步骤2：搭建卷积神经网络并进行网络训练；

步骤3：读取粒子图像；

步骤4：对图像进行预处理；

步骤5：用训练好的网络模型来计算速度场；

步骤6：对速度场进行后处理，获取最后结果；

所述步骤1具体为：生成多个粒子图像和对应的速度场标签，用于卷积神经网络的训练；所述数据集中每一个用于训练的数据项包含两帧连续的粒子图像f₁,f₂和一个速度矢量场ω，一个数据项的产生过程有两种形式：A.由已知的速度场ω生成粒子图像；B.由已知两幅粒子图像生成速度场ω；

其中，所述由已知的速度场ω生成粒子图像具体为：已知一个速度矢量场ω，随机地产生一副粒子图像f，再将矢量场ω作用于粒子图像f上，从而得到两个粒子图像分布f₁,f₂；所述粒子图像f由仿真器产生，图像中每一个粒子的形态满足高斯分布：

其中，x,y代表图像中的二维空间坐标，x₀,y₀代表粒子中心位置，I代表单个粒子的灰度，I₀代表粒子中心的灰度值，d_p为粒子的直径；图像中粒子个数由粒子密度ρ决定；数据集不同数据具有不同图像参数，所述图像参数包括粒子分布、粒子密度、粒子直径以及是否叠加高斯噪声；速度矢量场ω是多种流体运动的场景，具体有：均匀流场、反向阶梯流场、圆柱绕流流场、自由湍流流场、海洋表面洋流流场、各向同性的湍流流场和磁流体流场；

所述由已知两幅粒子图像生成速度场ω具体为：已知两幅实验粒子图像f₁,f₂，根据两幅图像的粒子分布，用PIV计算得到速度场ω；

所述步骤2中，所述卷积神经网络的功能表示为，其中，F表示深度神经网络的映射函数关系；所述步骤2包括以下子步骤：

(2.1)获取网络模型ω＝F(f₁,f₂)，f₁,f₂表示输入两帧二维图像，ω表示输出图像之间的速度矢量场，F表示深度神经网络的映射函数关系；

(2.2)设置网络训练的目标函数：该目标函数为输出的速度场与标签速度场的误差，按以下公式进行：

其中，i代表不同层级，e为每一层输出的速度场与标签速度场的误差，λ是每一层误差的权重；

(2.3)用步骤1产生的PIV数据集训练网络得到参数，从而得到用于粒子图像测速的卷积神经网络模型。

2.根据权利要求1所述基于卷积神经网络的粒子图像测速方法，其特征在于，所述步骤3中，所述读取粒子图像具体为：在时间间隔Δt内获取两张原始粒子图像f₁₁,f₁₂。

3.根据权利要求1所述基于卷积神经网络的粒子图像测速方法，其特征在于，所述步骤4中，采用5×5大小、方差为1的高斯核函数对图像进行滤波处理。

4.根据权利要求1所述基于卷积神经网络的粒子图像测速方法，其特征在于，所述步骤5中，用步骤2训练好的网络模型进行计算，得到速度矢量场ω。

5.根据权利要求1所述基于卷积神经网络的粒子图像测速方法，其特征在于，所述步骤6中，采用中值滤波对速度场进行后处理，滤波核大小为5×5。