[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

说明书

本发明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。

技术领域

本发明涉及流体力学技术领域，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。

背景技术

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。

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。

发明内容

本发明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。

本发明的技术方案如下：

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：

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。

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。

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：

L(I₁,I₂,F¹,F²)＝λ_pL_p+λ_sL_s

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。