[发明专利]一种基于深度学习的复杂流场测量方法

权利要求书

1.一种基于深度学习的复杂流场测量方法，包括一个激光器，一扩束准直装置，一流场，一待测流场，一反射镜，三非偏振分光棱镜，两空间光调制器，三相机和一计算机；其中，所述激光器发出的光经过所述准直装置准直后被所述非偏振分光棱镜分成两束，其中一束光穿过流场后携带流场信息作为物光束，另一束光作为参考光束，两束光经所述反射镜反射后通过非偏振分光棱镜汇合，形成全息图样；利用所述相机将全息图记录在一张图片上；由所述计算机从所记录的全息图样中数值重建流场的相位图；所述空间光调制器加载物体图像后发出的光经非偏振分光棱镜反射后，穿过流场，在非偏振分光棱镜后形成畸变的图像；利用所述相机将畸变图像记录在一张图片上；畸变图像和全息图样是同时记录的；利用数值重建的流场相位图和采集的畸变图像对神经网络进行训练，即可得到训练好的神经网络；所述空间光调制器加载物体图像后发出的光经非偏振分光棱镜反射后，穿过待测流场，在非偏振分光棱镜后形成畸变的图像；利用所述相机将畸变图像记录在一张图片上；利用训练好的神经网络即可从畸变图像中采集待测流场的相位信息，其特征在于包含以下步骤：

S1.调整光路，使得携带动态流场信息的物光束与参考光束干涉，使用相机在物光束与参考光束的干涉平面采集全息图样，标记为Hi，i＝1,2,3,4…N，N为所获取的全息图样的数量，同时使用相机在物光束像方空间采集畸变的物体图像Mi，i＝1,2,3,4…N；

S2.使用数字全息重建算法从Hi中重建出训练样本的相位图Pi，i＝1,2,3,4…N；

S3.建立神经网络模型，初始化网络模型参数，将物体图像Mi作为网络的输入，相位图Pi作为网络的黄金标准，计算网络的输出与黄金标准的损失函数值，并将损失函数值的梯度反向传播以更新网络模型的参数，直至损失函数值小于设定条件，则停止更新网络模型参数，得到训练完备的神经网络FlowNet；

S4.调整光路，采集受待测流场扰动的物体图像M；

S5.受待测流场扰动的物体图像M作为FlowNet的输入，即可计算待测流场的二维相位图P。

2.根据权利要求1所述的基于深度学习的复杂流场测量方法，其特征在于，所述的动态流场可以是任意流场，如大气湍流、血管、风洞等可以动态变化的流场。

3.根据权利要求1所述的基于深度学习的复杂流场测量方法，其特征在于，所述的物体可以是网格、白板、棋盘格等任意物体。

4.根据权利要求1所述的基于深度学习的复杂流场测量方法，其特征在于，所述的N取值范围可以从1到1000000。

5.根据权利要求1所述的基于深度学习的复杂流场测量方法，其特征在于，所述的全息图像和畸变物体图像是同时采集的。

6.根据权利要求1所述的基于深度学习的复杂流场测量方法，其特征在于，所述的神经网络是可用于图像转换的任何神经网络模型，包含但不限于：基于卷积神经网络的U-net结构模型，C-GAN结构模型等。

7.根据权利要求1所述的基于深度学习的复杂流场测量方法，其特征在于，所述的损失函数可选用MSE损失函数等两幅图片差异性的损失函数，与之对应的网络模型参数停止更新的设定条件为MSE损失函数值小于0.002或者损失函数值不再下降。