基于动态网络建模的流场检测方法技术

本发明专利技术公开一种基于动态网络建模的流场检测方法，包括以下步骤：生成仿真图像数据，生成的仿真图像数据包括：仿真粒子图像，标记粒子中心位置的图像和包含粒子具体信息的数据结构；通过使用卷积神经网络中的分支U

【技术实现步骤摘要】
基于动态网络建模的流场检测方法


[0001]本专利技术涉及流场测量，计算机视觉领域，更具体地说，是一种基于动态网络建模的流场检测方法。

技术介绍

[0002]流场检测在工业生产过程中具有很重要的作用。
[0003]传统的流场检测方法对粒子图像进行运算，不采用神经网络。这种检测方法往往对于噪声的干扰很敏感，会出现大规模丢失粒子位置的情况，并且传统方法对于图像计算的效率堪忧。在这种情况下，使用神经网络的非线性计算功能，用来检测粒子的位置，提高效率和精确度势在必行。

技术实现思路

[0004]为解决以上现有技术存在的问题，本专利技术提出一种基于动态网络建模的流场检测方法。
[0005]本专利技术可通过以下技术方案予以实现：
[0006]一种基于动态网络建模的流场检测方法，包括以下步骤：
[0007]1)生成仿真图像数据，生成的仿真图像数据包括：仿真粒子图像，标记粒子中心位置的图像和包含粒子具体信息的数据结构；
[0008]2)通过使用卷积神经网络中的分支U
‑
net，对所有粒子的中心点像素位置进行检测，使得根据输入的粒子图像能够直接输出标记出粒子中心位置的对应图像；
[0009]3)CNN检测粒子详细信息，将粒子中心位置与原图像相结合，通过CNN网络，对所有粒子的直径和强度进行检测，最终实现粒子位置的亚像素级别检测；
[0010]4)整合成完整系统，从而实现以下功能：输入一张仿真图片，输出一个矩阵，其包含了图片中所有粒子的位置，强度和直径信息。
[0011]进一步地，所述步骤1)中，所述生成仿真粒子图像的过程参考人的粒子图像生成器，一个粒子可以通过一个二维高斯方程来描述：
[0012][0013]其中I0表示高斯中心的强度峰值，(x0，y0)表示粒子的中心位置，d
p
表示粒子的直径大小，其中，所有粒子的这些参数相互独立。
[0014]进一步地，所述仿真粒子图像是模拟真实场景的图像，所述标记粒子中心位置的图像与仿真粒子图像相对应。
[0015]进一步地，所述步骤1)中，每一张图片的所有粒子的位置、粒子直径、粒子峰值强度通过三个ndarray数据结构保存在一个Python的class中，并通过Python的pickle模块将class导出保存在一个txt中，即，对于每一组仿真数据，都有一张仿真粒子图像，一张标记粒子中心位置的图像，和一个记录粒子信息的txt文件，三者相互对应。
[0016]进一步地，所述步骤2)中U
‑
Net是图像分割开发的卷积神经网络，该网络基于全卷积网络，网络的上半部分是由卷积和Max Pooling构成的压缩路径，网络的下半部分为扩展路径，所述U
‑
Net通过将所述压缩路径的Feature Map裁剪到和所述扩展路径相同尺寸的Feature Map进行归一化，所述扩展路径的卷积操作使用有效卷积操作，最终得到的Feature Map的尺寸是256
×
256。
[0017]进一步地，所述CNN网络主要由卷积层和全连接层组成，所述卷积层用于提取图像的特征，所述全连接层用于输出想要得到的向量。
[0018]进一步地，所述CNN网络的训练数据来自于所述步骤1)中得到的粒子仿真图片和储存粒子信息的txt文件：首先，将txt文件通过Python的pickle模块重新读入Python，变成class数据；接下来读取数据中每一个粒子的中心位置真值，并展开成10
×
10像素的图片，将图片作为CNN网络的输入，class数据中记录的粒子中心位置，粒子直径和粒子强度所组成的向量作为网络训练的标签，最终训练得到CNN网络。
[0019]有益效果
[0020]本专利技术的有益效果是：
[0021]1)将计算机视觉领域的知识应用于工业领域，适用于高密度条件下的粒子位置检测，通过对实际拍摄的粒子图片进行一系列运算，最终得到图片中所以粒子的位置、强度、直径等信息；
[0022]2)通过使用卷积神经网络(CNN,Convolutional Neural Networks)中的分支U
‑
net，对所有粒子的中心点像素位置进行检测，使得根据输入的粒子图像能够直接输出标记出粒子中心位置的对应图像，可以提升检测的效率和精度，从而提高流场检测的效果；
[0023]3)将粒子中心位置与原图像相结合，通过另一结构的CNN网络，对所有粒子的直径和强度进行检测，最终实现粒子位置的亚像素级别检测，增加了流场检测的精确度；
[0024]4)在网络训练的过程中，加入具有各种复杂噪声的图片数据，使得最终生成的网络能够在各种真实复杂的环境中识别粒子的位置等信息，增加系统的鲁棒性；
[0025]5)在生成仿真图像的过程中，通过对不同粒子的光照梯度，信噪比进行随机设置，可以模拟各种真实的粒子图片，对图片库量填充，可以缓解数据不足，数据单一的情况；
[0026]6)最终实现的系统主体是两个训练好的CNN神经网络，大大减少了粒子检测的运算时间，使得在处理过程中，无需高性能CPU或GPU，能够保证低计算力情况下的流场精确检测。
附图说明
[0027]图1为仿真数据架构图；
[0028]图2为仿真粒子图像；
[0029]图3为标记粒子中心位置的图像；
[0030]图4为CNN网络结构；
[0031]图5为系统流程图。
具体实施方式
[0032]以下通过特定的具体实施例说明本专利技术的实施方式，本领域的技术人员可由本说
明书所揭示的内容轻易地了解本专利技术的其他优点及功效。
[0033]一种基于动态网络建模的流场检测方法，包括以下步骤：
[0034]1.生成仿真图像数据
[0035]由于我们无法得到实际情况下的粒子图像中粒子的位置真值，只能采用计算机仿真生成图像，并将粒子的数据保存下来。生成粒子图像的过程参考Raffel等人的粒子图像生成器(PIG，Particle Image Generator)，其基本思想是一个粒子可以通过一个二维高斯方程来描述：
[0036][0037]其中I0表示高斯中心的强度峰值，(x0，y0)表示粒子的中心位置，d
p
表示粒子的直径大小。值得注意的是，所有粒子的这些参数是相互独立的。
[0038]由于粒子检测过程的阶段性，我们生成的仿真数据也分为三种，如图1所示，其中包括：仿真粒子图像，标记粒子中心位置的图像，包含粒子具体信息的数据结构。其中仿真粒子图像是模拟真实场景的图像，标记粒子中心位置的图像与仿真图像相对应，将所有粒子的中心位置的像素置1，其余置0，如图2和3所示。
[0039]除此之外，为了记录每一个粒子的直径和峰值强度信息，我们将每一张图片的所有粒子的位置、粒子直径、粒子峰值强度通过三个ndarray数据结构保存在一个Python的class中，并通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动态网络建模的流场检测方法，其特征在于，包括以下步骤：1)生成仿真图像数据，生成的仿真图像数据包括：仿真粒子图像，标记粒子中心位置的图像和包含粒子具体信息的数据结构；2)通过使用卷积神经网络中的分支U
‑
net，对所有粒子的中心点像素位置进行检测，使得根据输入的粒子图像能够直接输出标记出粒子中心位置的对应图像；3)CNN检测粒子详细信息，将粒子中心位置与原图像相结合，通过CNN网络，对所有粒子的直径和强度进行检测，最终实现粒子位置的亚像素级别检测；4)整合成完整系统，从而实现以下功能：输入一张仿真图片，输出一个矩阵，其包含了图片中所有粒子的位置，强度和直径信息。2.根据权利要求1所述的基于动态网络建模的流场检测方法，其特征在于，所述步骤1)中，所述生成仿真粒子图像的过程参考人的粒子图像生成器，一个粒子可以通过一个二维高斯方程来描述：其中I0表示高斯中心的强度峰值，(x0，y0)表示粒子的中心位置，d
p
表示粒子的直径大小，其中，所有粒子的这些参数相互独立。3.根据权利要求1所述的基于动态网络建模的流场检测方法，其特征在于，所述仿真粒子图像是模拟真实场景的图像，所述标记粒子中心位置的图像与仿真粒子图像相对应。4.根据权利要求1所述的基于动态网络建模的流场检测方法，其特征在于，所述步骤1)中，每一张图片的所有粒子的位置、粒子直径、粒子峰值强度通过三个ndarray数据结构保存在一个Python的class中，并通过Python的pickle模块将class导出保存在一...

【专利技术属性】
技术研发人员：许超，刘小奇，梁家铭，
申请(专利权)人：浙江大学，
类型：发明
国别省市：