[发明专利]一种基于深度学习的复杂流场测量方法

说明书

本发明公开了一种基于深度学习的复杂流场测量方法与系统，利用数字全息光路获取数据对神经网络进行训练，训练完的神经网络可以直接从经过动态流场后畸变的物体图像测量出复杂流场的实时相位图，通过测量复杂流场的实时相位图，分析相位的幅值和变化频率来测量流场，能够完成复杂流场的测量。该方法用于测量流场的光路简单(只在制作训练样本时用到的光路复杂)，神经网络一经训练完成，就可以直接使用，计算快，可以完全脱离全息技术等干涉测量方法。

技术领域

本发明涉及光学领域和流场测量领域。

背景技术

PIV技术因为其非接触性已经广泛应用于流场流速的测量。但是PIV技术依赖多台相机的同步控制，要求精确标定，难度较大。且现有的PIV技术多用来直接测量流体流速，不能够完整反映复杂流场的变化。数字全息术非破坏性、非侵入性、全场测量等优点使其应用于流场测量。但是数字全息方法需要复杂和大量的计算，整个系统结构复杂，对于测量环境要求高，无法满足测量任意环境下复杂流场的需求。

发明内容

为克服现有技术的上述问题，本发明提出一种基于深度学习的复杂流场测量方法，利用深度学习技术，通过神经网络的训练，实现对复杂流场的实时测量。

为实现上述目的，本发明采用的技术方案如下：一种基于深度学习的复杂流场测量方法，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。

所述步骤S1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。

所述步骤S1的物体可以是网格、白板、棋盘格等任意物体。

所述步骤S1中的N可取10000。

所述步骤S1的全息图像和畸变物体图像是同时采集的。

所述步骤S3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。

所述步骤S3中的损失函数可选MSE损失函数，与之对应的网络模型参数停止更新的标准为MSE损失函数值小于0.002。