一种基于神经网络的无监督学习粒子图像建模与测速方法技术

本发明专利技术公开一种基于神经网络的无监督学习粒子图像建模与测速方法，包括：采用互相关算法获取粗略速度场；将粒子图像序列中相邻两帧粒子图像和经互相关算法获取的粗略速度场分别作为输入层，将两个输入层经收缩网络结构进行收缩操作后的结果合并；将合并结果作为神经网络的输入进行无监督学习，采用光流估计测评神经网络训练结果，无监督学习损失函数包括光度损失、流动平滑度损失、无散约束；生成PIV数据集进行神经网络训练。本发明专利技术通过输入粒子图像与粗略初始速度场的融合数据使神经网络相较无监督学习PIV在训练时距离目标更近，损失函数初始值较小，粒子计算速度较传统PIV更快，速度提升约30％，分辨率大幅提升，且较监督学习PIV有效节省庞大数据集。学习PIV有效节省庞大数据集。学习PIV有效节省庞大数据集。

【技术实现步骤摘要】
一种基于神经网络的无监督学习粒子图像建模与测速方法


[0001]本专利技术涉及流体力学
，尤其涉及一种基于神经网络的无监督学习粒子图像建模与测速方法。

技术介绍

[0002]粒子图像测速(PIV)是一种非接触式的、根据图像来进行测速的方法，在流场中放置一定数量不影响流动的微小粒子，并通过激光进行照射、相机通过捕捉微小粒子的散射光，形成粒子图像。总体思路为通过两帧图像的时间差以及对应粒子的移动距离，就可以计算出这时刻的速度场信息。不同方法所处理得到的速度场效果有较大差距，这和算法设计以及网络结构有较大关系。通过此方法，可以在流程工业等背景下，对于特定流动场景进行测速及流场优化。
[0003]深度学习方法，是目前处理PIV的主流方法，由于其计算效率高，速度场分辨率高等优点，被计算流体力学所普遍应用，近些年来的研究，又提出了FlowNet、LiteFlowNet、UnLiteFlowNet等网络结构，对应了监督学习、无监督学习等。其中，监督学习的PIV需要庞大的数据集，并且数据集中需要包含多种流动状态、多种噪声的情况，且实际的流动和理论及仿真值也有较大的差距。无监督学习PIV可有效解决监督学习的缺陷，但也存在一些问题，如，实际操作时，在简化优化过程中会导致简化能量函数，从而牺牲输出的质量。因此，亟需一种可兼具监督学习和无监督学习优点，且能克服二者现存的缺陷，并大幅提升分辨率的方法。

技术实现思路

[0004]本专利技术的一个目的是提供一种基于神经网络的无监督学习粒子图像建模与测速方法，并提供至少后面将说明的优点。
[0005]本专利技术的技术方案如下：
[0006]一种基于神经网络的无监督学习粒子图像建模与测速方法，其包括以下步骤：
[0007]1)采用互相关算法获取粗略速度场；
[0008]2)对两个输入进行融合，所述神经网络包含两个输入层和一个输出层，将所述两个输入层经收缩网络结构进行收缩操作后的结果合并；
[0009]3)以所述步骤2)中两个输入融合的结果作为所述神经网络的输入进行无监督学习，并采用光流估计测评所述神经网络训练结果；
[0010]4)生成PIV数据集进行神经网络训练，获取粒子图像速度结果。
[0011]优选地，所述步骤2)中两个输入层具体为：第一个输入层输入的为粒子图像序列中的相邻两帧粒子图像，第二个输入层输入的为所述步骤1)中的所述粗略速度场。
[0012]优选地，所述步骤3)中，所述无监督学习的损失函数包括光度损失和流动平滑度损失，具体为：
[0013]L(I1,I2,F1,F2)＝λ
p
L
p
+λ
s
L
s
[0014]其中，I为图像输入，F为粗略速度场变化值输入，L
p
为光度损失，L
s
为流动平滑度损失。
[0015]优选地，所述步骤1)具体为：采用互相关算法处理粒子图像序列中相邻两帧图像的粒子图像，通过相同粒子的位置和两帧图像的时间间隔进行计算：Sk+1＝Sk+Vk*Δt，其中，S为某时刻的粒子位置，V为对应速度，Δt为两帧图像间的时间间隔，再选取合适的窗口大小，生成一个粗略的初始速度场。
[0016]优选地，所述步骤2)中，所述两个输入层结构完全相同，均包含卷积池化层，所述收缩网络结构整体形成了卷积层和池化层交替组成的网络结构。
[0017]优选地，所述步骤2)中，将第一个输入层经过第一收缩网络结构进行多尺度收缩操作以提取特征，将第二个输入层经第二收缩网络结构进行收缩操作以提取特征，所述输出层为预测的粒子运动场。
[0018]优选地，所述步骤2)中，所述输出层为高精度高分辨率速度场。
[0019]优选地，所述光度损失Lp为两部分之和，具体为：
[0020]L
p
(I1,I2,F1,F2)＝∑ρ(I1(x)
‑
I2(x+F1(x))+∑ρ(I2(x)
‑
I1(x+F2(x))
[0021]其中，∑ρ(I1(x)
‑
I2(x+F1(x))为第一帧图像与第二帧图像扭曲后的差值，∑ρ(I2(x)
‑
I1(x+F2(x))为第二帧图像与第一帧图像扭曲后的差值；
[0022]所述流动平滑度损失使用二阶平滑约束计算：
[0023]L
s
(F
f
,F
b
)＝∑
(s,r)∈N
∑ρ(F
f
(s)
‑
2F
f
(x)+F
f
(r))+ρ(F
b
(s)
‑
2F
b
(x)+F
b
(r))
[0024]其中，N为一个四通道的滤波器，F
f
为前向流场，F
b
为后向流场；
[0025]首先计算两个流在四通道滤波器各个分量的值，之后计算它们的光度损失函数和流动平滑度损失函数，并在此基础上加入无散度约束对速度场的散度进行约束以抵消错误、缺失速度向量导致的误差。
[0026]优选地，所述PIV数据集包含15050帧数据图像，涵盖8种不同类型的流动状态，采用其中2/3的数据进行训练，剩余1/3的数据进行测试。
[0027]有益效果
[0028]本专利技术的一种基于神经网络的无监督学习粒子图像建模与测速方法，兼具传统监督学习与传统无监督学习的优点，可进行超分辨率的计算，使神经网络最终可以实现高分辨率高精度高鲁棒性的特性；同时，通过输入粒子图像与粗略初始速度场的融合数据使本专利技术的神经网络相对于传统无监督学习PIV在训练时距离目标更近，损失函数初始值较小；本专利技术的粒子测速计算速度相较于传统的PIV更快，速度提升约30％，且分辨率得到大幅提升；本专利技术相较于传统监督学习PIV有效节省了庞大的数据集。
附图说明
[0029]图1为本专利技术提供的于神经网络的无监督学习粒子图像建模与测速方法的一个实施例流程图；
[0030]图2为本专利技术提供的于神经网络的无监督学习粒子图像建模与测速方法的步骤1)中互相关算法处理相邻粒子图像的示意图；
[0031]图3为本专利技术提供的于神经网络的无监督学习粒子图像建模与测速方法的步骤2)中两个输入层融合的流程图。
具体实施方式
[0032]下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
[0033]应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
[0034]如图1～3所示，本专利技术提供一种基于神经网络的无监督学习粒子图像建模与测速方法，其包括：
[0035]1)通过互相关算法获取粗略速度场：在粒子图像序列中，采用互相关算法处理粒子图像序列中相邻两本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的无监督学习粒子图像建模与测速方法，其特征在于，包括以下步骤：1)采用互相关算法获取粗略速度场；2)对两个输入进行融合，所述神经网络包含两个输入层和一个输出层，将所述两个输入层经收缩网络结构进行收缩操作后的结果合并；3)以所述步骤2)中两个输入融合的结果作为所述神经网络的输入进行无监督学习，并采用光流估计测评所述神经网络训练结果；4)生成PIV数据集进行神经网络训练，获取粒子图像速度结果。2.根据权利要求1所述的一种基于神经网络的无监督学习粒子图像建模与测速方法，其特征在于，所述步骤2)中两个输入层具体为：第一个输入层输入的为粒子图像序列中的相邻两帧粒子图像，第二个输入层输入的为所述步骤1)中的所述粗略速度场。3.根据权利要求1所述的一种基于神经网络的无监督学习粒子图像建模与测速方法，其特征在于，所述步骤3)中，所述无监督学习的损失函数包括光度损失、流动平滑度损失和无散度约束，具体为：L(I1,I2,F1,F2)＝λ
p
L
p
+λ
s
L
s
+λ
f
L
f
其中，I为图像输入，F为粗略速度场变化值输入，L
p
为光度损失，L
s
为流动平滑度损失，L
f
为无散度约束。4.根据权利要求1所述的一种基于神经网络的无监督学习粒子图像建模与测速方法，其特征在于，所述步骤1)具体为：采用互相关算法处理粒子图像序列中相邻两帧图像的粒子图像，通过相同粒子的位置和两帧图像的时间间隔进行计算：Sk+1＝Sk+Vk*Δt，其中，S为某时刻的粒子位置，V为对应速度，Δt为两帧图像间的时间间隔，再选取合适的窗口大小，生成一个粗略的初始速度场。5.根据权利要求2所述的一种基于神经网络的无监督学习粒子图像建模与测速方法，其特征在于，所述步骤2)中，所述两个输入层结构完全相同，均包含卷积池化层，所述收缩网络结构整体形成了卷积层和池化层交替组成的网络结构。6.根据权利要求2所述的一种基于神经网络的无监督学习粒子图像建模与测速方法，其特征在于，所述步骤2)中，将第一个输入...

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