【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。