一种针对粒子图像测速图像数据前景-背景的分割方法技术

本发明专利技术公开了一种针对粒子图像测速图像数据前景

【技术实现步骤摘要】
一种针对粒子图像测速图像数据前景
‑
背景的分割方法


[0001]本专利技术属于空气动力学试验领域，具体涉及一种针对粒子图像测速图像数据前景
‑
背景的分割方法。

技术介绍

[0002]由于PIV技术可应用于空气介质、液体介质、多相流等环境，已经成为流体力学基础研究、装备研制中流场诊断的重要手段。现阶段，PIV图像的计算主要是对粒子图像进行互相关分析，得到粒子的位移场，结合标定系数计算得到流体运动瞬时速度场。上述过程中粒子信息为有效信息(通常量值相对干扰信息较低)，物面上的散射、反射光信息为干扰信息(通常量值较高)，因此在物面附近的网格区域中，需要扣除散射、反射光带来的干扰信息，才可以得到准确的计算结果。此外，也有一些区域由于遮挡等问题，无粒子经过，这部分区域也需要去除，优化计算效率。常规的方法是将单个工况下的所有粒子图像计算均值图像，再将试验图像减去均值图像，可以去除大部分干扰信息。但在实际试验中，因模型的运动(抖动)、光源抖动、光源能量分布不均等因素，导致试验图像中无效区域(如激光在模型上的相对位置)位置随时间变化，均值图像无法准确表征有效/无效区域的边界，因此减均值的方法在边界区域往往无法获得理想的效果。

技术实现思路

[0003]为了弥补常规粒子图像去干扰信息方法不足，本专利技术提出一种针对粒子图像测速图像数据前景
‑
背景的分割方法，可直接对试验中采集到的粒子图像完成前景
‑
背景分割，提升计算效率，降低了算法的复杂度。
>[0004]本专利技术的技术方案如下：为了实现上述专利技术目的，本专利技术采用下述的技术方案：一种针对粒子图像测速图像数据前景
‑
背景的分割方法，其特征在于，方法如下：整理以往PIV试验粒子图像作为训练深度学习模型的原始数据，并确定其有效和无效区域，制作相应的掩码数据作为标签，训练数据中包含多种不同干扰信息特征的数据：包括不同模型、不同模型状态、不同测量系统、不同测量系统布局；在整理好训练数据和标签后，采用DeeplabV3的网络框架完成模型的训练，该框架分为解码器和编码器，在解码器中，主干网络为ResNet50，然后通过1*1卷积，均值池化，三种不同采样率的空洞卷积五种特征提取方式，提取特征，并将其拼接，经由1*1卷积得到编码器阶段的最终特征，在解码器阶段，为了提升分整体的分割性能，将编码器阶段得到的高层特征和主干网络ResNet50经由1*1卷积的得到的特征进行拼接，在进行上采样，特征提取，最终输出为同输入图像分辨率一致的二值掩码，经过训练之后，得到高性能的粒子图像完成前景
‑
背景分割模型。
[0005]本专利技术的优点及有益效果：本专利技术可直接对试验中采集到的粒子图像完成前景
‑
背景分割，减少了人工操作，提升计算效率，降低了算法的复杂度，本专利技术提出的方法鲁棒性较高，可适用于任何粒子图像的前景背景分割，可以直接提取输入图像的空间，纹理高维特征，快速完成PIV图像的前景
‑
背景分割任务，同时对前景背景边界信息敏感，具备较高精
度的边界分割能力，不会因模型抖动，反射偏移等因素，影响分割结果。
附图说明
[0006]图1为本专利技术用于PIV粒子图像前景
‑
背景分割技术的深度学习框架图。
[0007]图2为本专利技术用于风洞试验PIV技术时，整体PIV系统的流程图。
[0008]其中，1
‑
激光器、2
‑
片光区域、3
‑
试验模型、4
‑
相机
具体实施方式
[0009]结合
技术实现思路
概述和附图，详细说明本专利技术的具体实施方式。
[0010]实施例1
[0011]在试验前根据试验模型条件状态与风洞现场安装条件，对PIV系统结构进行合理化布置，选择合适焦距的镜头，调节焦距与光圈使视场满足测试要求。选择合适的激光器1，并调整光路，将激光光源变成片光区域2，调整激光器1和光路，直到片光覆盖试验测量区域。选择合适的相机4和镜头，用于试验过程中的图像采集，安装好相机之后，调整镜头的焦距，已确保测量区域成像清晰。试验过程中，播撒粒子，通过调试好的相机4结合图像采集系统，采集PIV粒子图像，使用PIV粒子图像前景
‑
背景分割方法得到粒子图像前景
‑
背景二值掩码，利用该掩码直接提取有效粒子区域图像，完成后续PIV数据的分析，处理。对于试验过程中采集到粒子图像输入到已训练好的深度学习框架中，提取到富含多尺度信息，深浅层次信息的高纬度特征，最终输出与输入图像分辨率相同的PIV图像前景
‑
背景二值掩码。如图1
‑
2所示，一种针对粒子图像测速图像数据前景
‑
背景的分割方法，方法具体如下：整理以往PIV试验粒子图像作为训练深度学习模型的原始数据，并确定其有效和无效区域，制作相应的掩码数据作为标签，训练数据中包含多种不同干扰信息特征的数据：包括不同模型、不同模型状态、不同测量系统、不同测量系统布局；在整理好训练数据和标签后，采用DeeplabV3的网络框架完成模型的训练，该框架分为解码器和编码器，在解码器中，主干网络为ResNet50，然后通过1*1卷积，均值池化，三种不同采样率的空洞卷积五种特征提取方式，提取特征，并将其拼接，经由1*1卷积得到编码器阶段的最终特征，在解码器阶段，为了提升分整体的分割性能，将编码器阶段得到的高层特征和主干网络ResNet50经由1*1卷积的得到的特征进行拼接，在进行上采样，特征提取，最终输出为同输入图像分辨率一致的二值掩码，经过训练之后，得到高性能的粒子图像完成前景
‑
背景分割模型。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对粒子图像测速图像数据前景
‑
背景的分割方法，其特征在于，方法如下：整理以往PIV试验粒子图像作为训练深度学习模型的原始数据，并确定其有效和无效区域，制作相应的掩码数据作为标签，训练数据中包含多种不同干扰信息特征的数据：包括不同模型、不同模型状态、不同测量系统、不同测量系统布局；在整理好训练数据和标签后，采用DeeplabV3的网络框架完成模型的训练，该框架分为解码器和编码器，在解码器中，主干网络为Re...

【专利技术属性】
技术研发人员：郭彤宇，李玉军，门冠男，衷洪杰，赵荣奂，张雪，
申请(专利权)人：中国航空工业集团公司沈阳空气动力研究所，
类型：发明
国别省市：