一种基于卷积神经网络的粒子图像测速方法与流程

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(particleimagevelocimetry,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。

技术实现要素：

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：

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，dp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等。速度矢量场ω可以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等。

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。

进一步地，所述步骤2中，所述卷积神经网络的功能可表示为，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，从而得到可用于粒子图像测速的卷积神经网络模型。

进一步地，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。

进一步地，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。

进一步地，所述步骤5中，用步骤二训练好的网络模型进行计算，得到速度矢量场ω。

进一步地，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。

本发明的有益效果是，本发明采用卷积神经网络进行粒子图像测速，在保证高精度的同时提高计算效率；采用piv数据集训练神经网络，能准确地从两帧粒子图像中提取流动的稠密速度场，即能提供图像上每个像素点对应的速度向量；相比传统的基于相关分析的粒子图像分析方法，本发明可以有效地估计小尺度涡结构的速度场，又可以减少计算时间。

附图说明

图1是本发明的实施步骤流程图；

图2是是实施例所述数据产生过程示意图，其中，(a)是已知速度矢量场ω，(b)是随机生成的粒子图像，(c)是用0.5ω向后移动粒子生成第一幅图像，(d)是用0.5ω向前移动粒子生成第二幅图像；

图3是实施例所述数据产生过程示意图，其中(a)是已知的第一幅粒子图像，(b)是已知的第二幅粒子图像，(c)是用piv计算得到的速度场；

图4是实施例所述piv实验图像获取示意图；

图5是实施例所述卷积神经网络的网络结构示意图；

图6是实施例所述卷积神经网络的输入与输出结果图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

本发明提供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(convolutionalneuralnetwork,cnn)实现从二维流体粒子图像中提取分析速度场。图1为本发明方法的实现流程图，它包括以下步骤：

步骤一：生成piv数据集；

piv训练数据集是指人为产生的大量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。

本发明实施例中，一个数据项的产生采用两种形式：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a的步骤如图2所示，指已知一个速度矢量场ω，人为随机地产生一副粒子图像f，再将速度场作用于粒子上，本实施例中，分别用0.5ω向后移动粒子生成第一幅图像，用0.5ω向前移动粒子生成第二幅图像，从而得到两个粒子图像分布f1,f2。

其中，本发明实施例中所述粒子图像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，dp为粒子的直径。图像中粒子个数由粒子密度ρ决定。为保证数据集多样性，数据集不同数据具有不同图像参数，包括粒子分布、粒子密度、粒子直径以及是否叠加高斯噪声等。速度矢量场ω可以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等。本实施例图2(a)所示的速度场是均匀流场。

所述b产生数据项的方式如图3所示，指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计算得到速度矢量场ω。其中，粒子图像f1,f2由实验获得。piv实验获取粒子图像的方法如图4所示，在被测流体介质中加入荧光示踪粒子，利用激光照射，用示踪粒子在流场中的运动来反映流体的全局速度场，相机在时间间隔δt内获取两张图像，即可得到连续两帧的粒子图像。实验获取的粒子图像需要进行预处理操作，本发明方法中采用高斯核对粒子图像进行滤波操作，可抑制图像的噪声。本实施例中，由粒子图像计算速度场，采用变分光流法计算，光流法是通过优化求解以下目标函数：

其中，表示梯度计算，λ是可调的参数。通过梯度下降法求解上式即可获得速度场ω(x,y)＝(u,v)^t。

本发明实施例中，根据所述a、b两种方式产生数据项，共产生13000对图像f1,f2和速度矢量场ω。

步骤二：搭建卷积神经网络并进行网络训练；

本发明实施例中，步骤二所述的深度卷积神经网络模型，功能可表示为ω＝f(f1,f2)，其中，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。其中，搭建网络结构并采用piv数据集进行网络参数训练，具体包括：

(1)搭建网络结构模型。本实施例中，网络模型如图5所示。该网络是在liteflownet网络的基础上进行改进，在原有网络输出层之前，增加一级速度提取操作，将原有网络结构的插值模块改成反向卷积层，如图5右所示，该步骤可进一步提取光流场的小尺度结构。该网络为全卷积神经网络，输入是两幅图像，输出是相同尺寸下的速度矢量场。

(2)设置网络目标函数，可指定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，不同层的速度场估计是图5中所示各层的输出λ是每一层误差采用的权重，其中，最后一层输出所占的权重远大于其它尺度输出所占的权重。

(3)训练网络参数。用人为产生的piv数据集训练卷积神经网络，本实施例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。

步骤三：读取粒子图像；

本发明实施例中，所述读取粒子图像，是指读取实验获得的两幅原始粒子图像f11,f12。实验获取粒子图像的方法仍如图4所示，在时间间隔δt内获取两张图像。本实施例按照图4所示配置模拟产生两幅图像，反映圆柱绕流的尾流速度场。

步骤四：对图像进行预处理；

所述对图像进行预处理，是对f11,f12进行处理，起到噪声抑制等作用。本实施例中采用5×5大小、方差为1的高斯核函数，对图像进行滤波处理。

步骤五：用训练好的网络模型来计算速度场；

如图6所示，所述将预处理之后的粒子图像f11,f12作为输入，用步骤二训练好的网络模型进行计算，得到速度矢量场ω。本实施例中，计算圆柱绕流的尾流速度场。

步骤六：对速度场进行后处理，获取最后结果；

所述后处理是指对速度场ω进行后处理，最终实现piv速度场测量。本实施例中采用中值滤波对速度场进行处理，滤波核大小为5×5。