[发明专利]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

权利要求书

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_pL_p+λ_sL_s+λ_fL_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。

7.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，所述输出层为高精度高分辨率速度场。