【技术实现步骤摘要】
本专利技术涉及激光测速中的粒子图像测速( particle imagevelocimetry，简称piv)技术。特别的，涉及一种用于深度学习模型训练的piv数据集构建方法及装置。
技术介绍
1、近年来，流场可视化技术得到不断发展并在工业和医疗行业中扮演者越来越重要的角色。例如实验流体领域的粒子图像测速技术（particle image velocimetry，piv）。该技术是一种非接触式、全局、定量的流速测量手段，其基本原理是在流场中散播适当的示踪粒子，用脉冲激光片照射测量场的切面区域，通过成像系统摄取曝光的粒子图像，然后运用计算机图像处理技术从piv实验粒子图像中获取流体运动的速度场信息，其基本原理是取相邻两张图像中示踪粒子或多个粒子构成的图案的位移δs，然后再除以极短的曝光时间δt，从而得到速度u。
2、互相关算法作为piv粒子图像测速领域中经典的速度场计算方，法虽然在不断的发展完善，但受到算法原理、造影技术和硬件设备性能等多方面的制约，其流体流动速度测量的质量并不高。往往会存在流场信息不全、测量噪音较大、流场坏点较多、时空分辨率较低等问题。基于ai技术的piv粒子图像测速均需要构建一套包含piv粒子图像和速度场真值的数据集，并用该数据集对深度学习模型训练，最终得到从piv粒子图像计算得到速度场的深度学习模型。
3、目前，数据集构建的一般过程是首先构建标签速度场，即从目前公开的数据集如(jhtdb)中下载不同流动类型的速度场作为标签速度场（u,v）或采用cfd（computationalfluid
4、在实际应用中，上述方法生成的数据集存在如下所示的几点缺陷，（1）数据集中包含的流动形式有限，目前公开的数据集包括10种不同的流动形式，cfd模拟的流动形式也基本是圆柱绕流、均匀流、台阶流等标准工况，因此数据集中存在的流动形式有限难以覆盖实际应用中的所有工况。（2）构建的数据集的样本数目受限，因为公开的数据集中包含的速度场的数目有限，而通过cfd模拟的方法获得的速度场的计算成本非常高，因此上述方法难以建立大样本的数据集。（3）构建的例子图像的噪音类型有限，目前的piv粒子图像中引入的只有高斯噪音，而实际piv实验中拍摄的piv粒子图像质量各不相同，有的仅有高斯噪音，有的还包括各种不同形状，不同强度的光带、光斑等噪音，造成基于上述数据集训练的模型的鲁棒性较差，难以满足实际工程需要。（4）在实际piv实验中，测量的某些区域的速度已经知道，如某些区域确定速度为零、某些测量的运动区域的速度为设定的实验速度，在开发基于先验知识的ai模型时，这些一致的速度区域，应该作为已知的先验知识输入ai模型，而上述方法构建的数据集中均不包含这些先验知识，也难以引入，因此上述数据集满足不了基于先验知识的ai模型的开发需要。
5、近年来，基于深度学习的方法在各个领域得到越来越多的应用，而深度学习模型的开发离不开高质量的数据集，但是现有技术缺少高质量的数据集。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术的目的是提供一种快速有效的深度学习模型训练的piv及速度场数据集构建方法及装置，解决目前piv数据集中流动形式有限、数据样本不足、粒子噪音图像过于单一、无法引入先验已知速度场等问题。
2、本专利技术采用的技术方案是：
3、一、一种深度学习模型训练的piv及速度场数据集构建方法：
4、步骤101，生成先验已知区域和先验已知速度场；
5、步骤102，根据先验已知区域和先验已知速度场生成标签速度场和先验已知标记；
6、步骤103，根据标签速度场生成粒子图像；
7、步骤104，生成噪音并加入粒子图像，获得扩充后的粒子图像；
8、步骤105，根据步骤101～104的结果输出样本加入到piv粒子图像及速度场数据集中。
9、所述步骤101中的先验已知区域按照以下方式生成：将区域划分为多类形状形成区间，首先随机生成一个随机数p作为形状类型标记数，并生成随机数p对应的形状形成区间，对不同形状的形成区间做对应处理，处理完毕后分别将形状内的像素、形状外的像素重置后输出对应形状；其中输出形状内的区域为速度已知的区域，形状外的区域为速度未知的区域。
10、优选的，所述步骤101中的先验已知区域具体可以生成过程为：
11、将0~1范围划分为多个类形状形成区间，首先随机生成一个0~1之间的随机数p，然后进行以下判断和处理：
12、若p位于第一类形状形成区间内，则生成椭圆形状：在一定范围内随机生成两个随机数作为椭圆的两个半轴a和b，然后根据椭圆的两个半轴a和b生成中心点位于坐标系原点的椭圆，坐标系是已知的，再随机生成坐标系下的两轴平移位移（xt，yt）和旋转角度θ对生成的椭圆进行平移和旋转，最后将椭圆内的像素置一，椭圆外的像素置零输出形状；
13、若p位于第二类形状形成区间内，则生成多边形形状：首先随机生成多边形的外接圆r和多边形的边数n，并在[0~2π]范围内随机生成有小到大的偏转角形成n条射线，n条射线与外接圆相交得到多边形的n个顶点，然后依次连接各多边形的顶点形成封闭的多边形；最后随机生成坐标系下的两轴平移位移（xt，yt）和旋转角度θ对生成的多边形进行平移和旋转，最后将多边形内的像素置一，多边形外的像素置零输出形状；
14、若p位于第三类形状形成区间，则生成组合形状：首先按照上述随机生成椭圆和多边形生成所需的随机参数，然后分别按照上述生成椭圆和多边形，再将椭圆和多边形两者进行合并形成组合形状，最后将组合形状内的像素置一，组合形状外的像素置零输出形状；
15、若p位于第四类形状形成区间，则生成等高线形。
16、所述等高线形按照以下方式生成：
17、首先，在预设区间内均匀采样生成两幅不同的随机场图像e1和e2，两幅随机场e1和e2的大小大于或等于粒子图像生成所需的大小；然后用高斯滤波分别对两幅随机场进行高斯滤波，高斯滤波核的大小是在预设范围内随机抽样得到，再计算高斯滤波后的两幅随机场的二范数作为随机场经过高斯滤波后的模||e||；接着对随机场经过高斯滤波后的模||e||进行归一化到固定区间内绘制自由曲面，在固定区间内随机生成一个高度h，取自由曲面在该高度h的本文档来自技高网...
【技术保护点】
1.一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：
2.根据权利要求1所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：
3.根据权利要求1所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：所述步骤101中的先验已知速度场按照以下方式生成：
4.根据权利要求1所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：
5.根据权利要求1所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：所述步骤103中，根据标签速度场生成粒子图像的过程具体是：
6.根据权利要求1所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：
7.根据权利要求6所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：
8.根据权利要求1所述的一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：所述步骤105，具体为：通过步骤101~104得到边界扩充m扩充后的粒子图像（2m+H，2m+W）、先验
9.用于实施权利要求1-8任一所述深度学习模型训练的PIV及速度场数据集构建方法的装置，其特征在于：所述装置包括：
...【技术特征摘要】
1.一种深度学习模型训练的piv及速度场数据集构建方法，其特征在于：
2.根据权利要求1所述的一种深度学习模型训练的piv及速度场数据集构建方法，其特征在于：
3.根据权利要求1所述的一种深度学习模型训练的piv及速度场数据集构建方法，其特征在于：所述步骤101中的先验已知速度场按照以下方式生成：
4.根据权利要求1所述的一种深度学习模型训练的piv及速度场数据集构建方法，其特征在于：
5.根据权利要求1所述的一种深度学习模型训练的piv及速度场数据集构建方法，其特征在于：所述步骤103中，根据标签速度场生成粒子图像的过程具体是：
6.根据权利要求1所述的一种深度学习模型训练的piv及速度场数据集构建方法，其特征在...
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。