[发明专利]一种基于卷积神经网络的低质量粒子速度场图像修正方法

权利要求书

1.一种基于卷积神经网络的低质量粒子速度场图像修正方法，其特征在于，包括以下步骤：

S1、获取粒子图像；

S2、对图像遮挡处理，并用PIV计算；

S3、通过步骤S2计算得到速度场S1；

S4、将得到的数据集作为卷积神经网络输入,包括对全域速度场S和与S对应的连续两帧图像做遮挡处理，得到只剩下未被遮挡的颗粒的速度场S1和与S1对应的连续两帧图像I1，I2；进行步骤S1-S4同时进行如下的步骤：

S5、定义流场域，流场域的定义为全域颗粒的速度场为S，未被遮挡的颗粒的速度场为S1，被遮挡的颗粒的速度场为S2，S为S1和S2的叠加；

S6、进行无遮挡处理且用PIV计算；

S7、计算得到准确的粒子速度场的S_label；

S8、通过步骤S7计算得到准确的粒子速度场作为卷积神经网络训练的标签；

S9、通过步骤S1-S4与S5-S8建立数据集；

S10、搭建卷积神经网络且将步骤S9的数据集训练卷积神经网络模型；

S11、进行卷积神经网络模型应用。

2.如权利要求1所述的一种基于卷积神经网络的低质量粒子速度场图像修正方法，其特征在于，所述步骤S3包括对连续帧的图像进行时间标记t1,t2,...,tn，每一张图像的时间间隔为Δt，用PIV技术对图像处理，获得每两帧的一个速度场S，速度场S包含两帧图像中的每一个颗粒m的速度矢量其中分解为x轴方向和y轴方向上的速度分量v_x和v_y，则有微观速度矢量

3.如权利要求1所述的一种基于卷积神经网络的低质量粒子速度场图像修正方法，其特征在于，所述步骤S6包括选取步骤S1中获得的无遮挡的、清晰的粒子图像，用PIV技术处理得到准确的粒子速度场集合S_label，把S_label作为卷积神经网络训练时的标签；并将由步骤S3获得的连续两帧图像I1，I2作为卷积神经网络训练时的输入。

4.如权利要求1所述的一种基于卷积神经网络的低质量粒子速度场图像修正方法，其特征在于，所述步骤S9包括搭建卷积神经网络，设置卷积神经网络训练的目标函数，采用上述的数据集对所述的卷积神经网络进行训练，从而得到训练好的卷积神经网络模型。

5.如权利要求4所述的一种基于卷积神经网络的低质量粒子速度场图像修正方法，其特征在于，还包括以下步骤：

S91、获取网络模型S_label＝F(I1，I2)，I1，I2表示连续两帧二维图像，S_labeI表示为输入图像之间准确的全域速度矢量场集合，F表示深度卷积神经网络的映射函数关系；

S92、设置卷积神经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；

S93、采用自适应动量优化算法训练参数，从而得到可用于粒子图像测速的卷积神经网络模型。

6.如权利要求1所述的一种基于卷积神经网络的低质量粒子速度场图像修正方法，其特征在于，所述步骤S11包括将获取的图像中包含但不限于颗粒飞溅因素遮挡其他粒子而产生的测量盲区进行标记处理为S1和与之对应的连续两帧图像I1，I2，将I1，I2输入到训练好的卷积神经网络模型中，用训练好的模型计算/预测被遮挡的粒子速度场S2，再把S1与S2叠加，输出被修正的全域速度场S。