[发明专利]一种基于卷积神经网络的粒子图像测速方法

说明书

本发明公开了一种基于卷积神经网络的粒子图像测速方法，它采用监督学习的方法解决从二维流体粒子图像中提取速度场的问题。该方法包括产生PIV数据集、搭建神经网络模型、读取粒子图像、预处理、网络运行、后处理步骤。其中，PIV数据有两种方式：一是已知速度场生成粒子图，二是已有实验粒子图生成速度场。网络模型是采用卷积神经网络，通过训练参数得到PIV卷积神经网络模型，其输入是两幅图像，输出是图像上每个像素点的速度矢量场。应用本发明，可以从粒子图像中获取高分辨率高精度的速度场，同时能提高粒子图像测速的运算效率。

技术领域

本发明涉及一种采用深度学习技术实现粒子图像测速的速度场提取方法，尤其涉及一种基于卷积神经网络的粒子图像测速(Particle Image Velocimetry,简称PIV)方法。

背景技术

PIV是一种现代激光测速技术，主要用于流体运动的速度测量，对研究流体动力学理论和实验有着至关重要的作用。PIV通过在被测介质中加入荧光示踪粒子，再利用示踪粒子在流场中的运动来得到流体的全局速度场。其中，如何从粒子图像中获取速度场，是粒子图像测速技术的关键。

传统的粒子图像测速技术采用相关分析法。相关分析法从第一帧图像中选取窗口，再在第二帧图像中一定区域进行匹配，寻找相关性最大的匹配方向作为该窗口的位移矢量，该方法操作简单，但得到的速度矢量是一个窗口内的平均速度，也就是说，相关分析法只能得到稀疏的速度场(一个窗口对应一个速度向量)，稀疏程度取决于窗口大小的选取，窗口太大，则无法得到更多速度矢量，窗口太小，则互相关计算的匹配精度有限。这给复杂流动分析带来困难，因为相关分析法无法获取小尺度涡结构的速度场。

同时，相关分析法还存在着在亚像素速度估计精度不高、没有物理解释等问题。为了解决这些问题，相关分析法通常需要大量的后处理计算。比如，为了获得亚像素速度估计，需要对相关分析的计算结果进行亚像素拟合，同时，为了提高精度，通常采用多层网格迭代技术，即从大窗口开始计算，逐步迭代到小窗口。此外，经过相关分析法计算得到的速度场，需要根据物理模型进行校正。这些操作大大增加了相关分析法的计算量。

发明内容

本发明的目的在于针对PIV相关分析法的不足，提供一种基于卷积神经网络的粒子图像测速方法。该方法将深度学习与PIV技术结合起来，在保证对复杂流动粒子图像测速，尤其是小尺度涡结构拥有高估计精度的同时，提高PIV计算的效率。

本发明的目的是通过以下技术方案来实现的：一种基于卷积神经网络的粒子图像测速方法，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。

进一步地，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：