CN112067239B - 一种基于纹影视频自动判断超声速风洞流场建立的方法 - Google Patents
一种基于纹影视频自动判断超声速风洞流场建立的方法 Download PDFInfo
- Publication number
- CN112067239B CN112067239B CN202010732664.2A CN202010732664A CN112067239B CN 112067239 B CN112067239 B CN 112067239B CN 202010732664 A CN202010732664 A CN 202010732664A CN 112067239 B CN112067239 B CN 112067239B
- Authority
- CN
- China
- Prior art keywords
- image
- flow field
- schlieren
- wind tunnel
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
- G01M9/065—Measuring arrangements specially adapted for aerodynamic testing dealing with flow
- G01M9/067—Measuring arrangements specially adapted for aerodynamic testing dealing with flow visualisation
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
针对降低风洞运行能耗、提高风洞试验运行标准化程度、降低人为因素干扰、保证风洞试验数据质量稳定的需要,本发明提出了一种基于纹影视频自动判断超声速风洞流场建立的方法,利用流场建立后模型周围稳定激波系所表现出的梯度方向集中这一特征,通过对视频图像的处理分析判断流场建立。该方法可以用于风洞自动数据采集系统,判断出流场建立后立刻开始数据采集。
Description
技术领域
本发明涉及超声速风洞试验技术领域,尤其是涉及一种基于纹影视频自动判断超声速风洞流场建立的方法。
背景技术
超声速风洞运行的主要动力为压缩气体。随着风洞建造技术的发展,且由于风洞试验尽可能模拟真实飞行条件的需要,工业界不断建造更大口径的超声速风洞。风洞口径越大,运行消耗的压缩气体越多,由此带来的能耗也越大。
超声速风洞开车时,流场不是立刻建立的。初始一段时间由于各种扰动的影响,风洞流场处于较紊乱的状态,此时不能进行数据采集。流场的是否建立可以从纹影视频图像中直观地判别。从纹影视频中可以看到,吹风刚刚开始的时候,流场纹影呈现不规则的抖动,此时流场的总压、静压等参数在不断变化。当流场参数逐渐收敛到设定值时,有一道斜激波快速掠过整个流场,随后模型周围会出现一系列稳定的激波,流场其它区域变得干净清晰,说明流场已经建立。
为了降低风洞运行能耗,并且提高风洞试验运行标准化程度,降低人为因素干扰,保证风洞试验数据质量稳定,需要通过流场监控视频自动判断流场建立,并开始数据采集。
发明内容
本发明解决的技术问题是:为保证风洞试验数据质量稳定,降低人为因素干扰,需要建设风洞运行自动控制系统。对于超声速风洞,开车初始一段时间流场不是立刻建立的,需要流场参数逐渐收敛,模型周围出现一系列稳定的激波时才能进行数据采集。超声速风洞运行的主要动力为压缩气体。为了降低风洞运行能耗,需要自动判断流场建立,并开始数据采集。
本发明的技术方案是:一种基于纹影视频自动判断超声速风洞流场建立的方法,包括
步骤1:对每一帧纹影图像N,计算流场纹影的灰度梯度直方图;
步骤2:将计算得到的灰度梯度直方图最大统计数量MaxVal(N)与初始帧纹影图像的灰度梯度直方图最大统计数量MaxVal(0)比较;N为正整数;
步骤3:如果满足条件
MaxVal(N)>k*MaxVal(0)
MaxVal(N)<MaxVal(N-1)
则判断流场已经建立,输出流场建立信号;其中,倍数k表示稳定激波系造成的纹影灰度梯度方向集中度。
所述步骤1具体包括:
步骤11:将纹影图像转化成灰度图;
步骤12:对纹影图像灰度图进行滤波;
步骤13:在滤波后的纹影图像灰度图中排除预先获取的模型阴影、摄像机暗视野及噪声点部分,排除掉的流场信息在计算梯度直方图时不予统计,将剩余部分作为流场判别区;
步骤14:将流场判别区划分为图像小块,计算每个图像小块的灰度梯度幅值g和方向θ;
步骤15:将灰度梯度方向取值范围分为z个方向块,对每个图像小块,判断灰度梯度方向θ落在哪个方向块中,则将该图像小块的灰度梯度幅值g累加在该方向块的统计数量上,所有图像小块统计完成后即得到包含z个方向的灰度梯度直方图。
所述步骤13中,被排除的模型阴影、摄像机暗视野及噪声点部分是在初始帧纹影图像中预先获取得到的,其获取步骤具体包括:
步骤131:对初始帧纹影图像,执行步骤11和步骤12,获得滤波后的初始帧纹影图像;
步骤132:对滤波后的初始帧纹影图像,执行步骤14,获得每个图像小块的灰度梯度幅值g和方向θ;
步骤133:设定两个阈值,包括边缘梯度下界minVal与边缘梯度上界maxVal,满足minVal<maxVal,对每个图像小块,当其灰度梯度高于maxVal时记为边界点,低于minVal时记为非边界点,对介于两者之间的图像小块,如果该小块与某个已被确定为边界点的小块相连,则记为边界点,否则记为非边界点;
步骤134:获得所有边界点后,将边界点及其周围宽度为w个像素以内的部分排除;
步骤135:将滤波后的初始帧纹影图像转换到HSV空间,排除亮度低于v0的部分。
所述倍数k的大小足以区分流场建立后模型周围稳定激波系所表现出的梯度方向集中。
步骤12中的滤波操作用于去掉影响边缘检测的主要噪声。
所述图像小块为长方形或正方形,其尺寸大小需既便于去除噪声,又足以分辨流场中的激波结构。
所述方向块的数量z的取值足以分辨稳定激波系产生的集中梯度方向。
步骤133中的两个阈值满足minVal≤maxVal,其取值既不会漏掉重要的边界点,又不会包含进过多的非边界点。
步骤134中的宽度w足以包含模型抖动造成的影响,又不会掩盖重要的流场结构。
步骤135中的阈值v0足以排除模型阴影与摄像机暗视野,又不会排除正常的流场区域。
本发明与现有技术相比的优点在于:
1.现有判断流场建立的方法主要是人工判断。人工判断受操作人员经验影响较大,难以准确把握,标准化程度较低,容易引入误差。本发明基于纹影视频自动判断流场建立,并开始数据采集,有助于降低风洞运行能耗,降低人为因素干扰,保证风洞试验数据质量稳定。
2.现有自动判断流场建立的方法是通过监测洞内静压,当静压达到稳定时判断流场建立。这种方法的缺点在于当流场最终无法建立时,洞内静压仍然可以达到稳定,造成误判。本发明利用流场建立后模型周围出现稳定激波系这一空气动力学特性,通过对视频图像的处理分析判断流场建立,可以有效避免误判。
3.现有风洞纹影图像分析方法主要是颜色空间变换、滤波、Sobel梯度分析等方法,无法实现自动判断流场建立。本发明将图像分成小块分别统计灰度梯度,其尺寸大小既便于去除噪声,又足以分辨流场中的激波结构。
附图说明
图1是本发明原理框图。
具体实施方式
如图1所示,本发明一种基于纹影视频自动判断超声速风洞流场建立的方法,包括
步骤1:对每一帧纹影图像N,计算流场纹影的灰度梯度直方图;
步骤2:将计算得到的灰度梯度直方图最大统计数量MaxVal(N)与初始帧纹影图像的灰度梯度直方图最大统计数量MaxVal(0)比较;N为正整数;
步骤3:如果对倍数k,满足条件
MaxVal(N)>k*MaxVal(0)
MaxVal(N)<MaxVal(N-1)
则判断流场已经建立,输出流场建立信号。
所述步骤1具体包括:
步骤11:将纹影图像转化成灰度图;
步骤12:对纹影图像灰度图进行滤波;
步骤13:在滤波后的纹影图像灰度图中排除预先获取的模型阴影、摄像机暗视野及噪声点部分,排除掉的流场信息在计算梯度直方图时不予统计,将剩余部分作为流场判别区;
步骤14:将流场判别区划分为图像小块,计算每个图像小块的灰度梯度幅值g和方向θ;
步骤15:将灰度梯度方向取值范围分为z个方向块,对每个图像小块,判断灰度梯度方向θ落在哪个方向块中,则将该图像小块的灰度梯度幅值g累加在该方向块的统计数量上,所有图像小块统计完成后即得到包含z个方向的灰度梯度直方图。
所述步骤13中,被排除的模型阴影、摄像机暗视野及噪声点部分是在初始帧纹影图像中预先获取得到的,其获取步骤具体包括:
步骤131:对初始帧纹影图像,执行步骤11和步骤12,获得滤波后的初始帧纹影图像;
步骤132:对滤波后的初始帧纹影图像,执行步骤14,获得每个图像小块的灰度梯度幅值g和方向θ;
步骤133:设定两个阈值minVal<maxVal,对每个图像小块,当其灰度梯度高于maxVal时记为边界点,低于minVal时记为非边界点,对介于两者之间的图像小块,如果该小块与某个已被确定为边界点的小块相连,则记为边界点,否则记为非边界点;
步骤134:获得所有边界点后,将边界点及其周围宽度为w个像素以内的部分排除;
步骤135:将滤波后的初始帧纹影图像转换到HSV空间,排除亮度低于v0的部分。
倍数k的大小足以区分流场建立后模型周围稳定激波系所表现出的梯度方向集中。例如,k在1.5~10的范围内取值。
步骤12中的滤波操作能够去掉影响边缘检测的主要噪声。例如:5x5的高斯滤波。
图像小块可以为长方形或正方形,其大小既便于去除噪声,又足以分辨流场中的激波结构。例如,边长为2~6个像素的正方形。
灰度梯度幅值g和方向θ可以采用任意常用方法求出。
方向块的数量z的取值足以分辨稳定激波系产生的集中梯度方向。例如,对于无符号梯度,将0~180°的范围分成8~48个方向块;对于有符号梯度,将0~360°的范围分成16~96个方向块。
步骤133中的两个阈值满足minVal≤maxVal,其取值既不会漏掉重要的边界点,又不会包含进过多的非边界点。例如,minVal=30~60,maxVal=40~80。
步骤134中的宽度w足以包含模型抖动造成的影响,又不会掩盖重要的流场结构。w的典型取值范围在2~20之间。
步骤135中的阈值v0足以排除模型阴影与摄像机暗视野,又不会排除正常的流场区域。v0的典型取值范围在20~200之间。
Claims (9)
1.一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于,包括
步骤1:对每一帧纹影图像N,计算流场纹影的灰度梯度直方图;
步骤2:将计算得到的灰度梯度直方图最大统计数量MaxVal(N)与初始帧纹影图像的灰度梯度直方图最大统计数量MaxVal(0)比较;N为正整数;
步骤3:如果满足条件
MaxVal(N)>k*MaxVal(0)
MaxVal(N)<MaxVal(N-1);
则判断流场已经建立,输出流场建立信号;其中,倍数k表示稳定激波系造成的纹影灰度梯度方向集中度;
所述步骤1具体包括:
步骤11:将纹影图像转化成灰度图;
步骤12:对纹影图像灰度图进行滤波;
步骤13:在滤波后的纹影图像灰度图中排除预先获取的模型阴影、摄像机暗视野及噪声点部分,排除掉的流场信息在计算梯度直方图时不予统计,将剩余部分作为流场判别区;
步骤14:将流场判别区划分为图像小块,计算每个图像小块的灰度梯度幅值g和方向θ;
步骤15:将灰度梯度方向取值范围分为z个方向块,对每个图像小块,判断灰度梯度方向θ落在哪个方向块中,则将该图像小块的灰度梯度幅值g累加在该方向块的统计数量上,所有图像小块统计完成后即得到包含z个方向的灰度梯度直方图。
2.根据权利要求1所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:所述步骤13中,被排除的模型阴影、摄像机暗视野及噪声点部分是在初始帧纹影图像中预先获取得到的,其获取步骤具体包括:
步骤131:对初始帧纹影图像,执行步骤11和步骤12,获得滤波后的初始帧纹影图像;
步骤132:对滤波后的初始帧纹影图像,执行步骤14,获得每个图像小块的灰度梯度幅值g和方向θ;
步骤133:设定两个阈值,包括边缘梯度下界minVal与边缘梯度上界maxVal,满足minVal<maxVal,对每个图像小块,当其灰度梯度高于maxVal时记为边界点,低于minVal时记为非边界点,对介于两者之间的图像小块,如果该小块与某个已被确定为边界点的小块相连,则记为边界点,否则记为非边界点;
步骤134:获得所有边界点后,将边界点及其周围宽度为w个像素以内的部分排除;
步骤135:将滤波后的初始帧纹影图像转换到HSV空间,排除亮度低于v0的部分。
3.根据权利要求1所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:所述倍数k的大小足以区分流场建立后模型周围稳定激波系所表现出的梯度方向集中。
4.根据权利要求2所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:步骤12中的滤波操作用于去掉影响边缘检测的主要噪声。
5.根据权利要求2所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:所述图像小块为长方形或正方形,其尺寸大小需既便于去除噪声,又足以分辨流场中的激波结构。
6.根据权利要求2所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:所述方向块的数量z的取值足以分辨稳定激波系产生的集中梯度方向。
7.根据权利要求2所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:步骤133中的两个阈值满足minVal≤maxVal,其取值既不会漏掉重要的边界点,又不会包含进过多的非边界点。
8.根据权利要求2所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:步骤134中的宽度w足以包含模型抖动造成的影响,又不会掩盖重要的流场结构。
9.根据权利要求2所述的一种基于纹影视频自动判断超声速风洞流场建立的方法,其特征在于:步骤135中的阈值v0足以排除模型阴影与摄像机暗视野,又不会排除正常的流场区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732664.2A CN112067239B (zh) | 2020-07-27 | 2020-07-27 | 一种基于纹影视频自动判断超声速风洞流场建立的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732664.2A CN112067239B (zh) | 2020-07-27 | 2020-07-27 | 一种基于纹影视频自动判断超声速风洞流场建立的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112067239A CN112067239A (zh) | 2020-12-11 |
CN112067239B true CN112067239B (zh) | 2022-06-03 |
Family
ID=73657589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010732664.2A Active CN112067239B (zh) | 2020-07-27 | 2020-07-27 | 一种基于纹影视频自动判断超声速风洞流场建立的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067239B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417709A (zh) * | 2020-12-12 | 2021-02-26 | 西北工业大学 | 一种基于纹影图像的动力学模态分析方法 |
CN113516689B (zh) * | 2021-09-10 | 2022-03-22 | 北京理工大学 | 一种基于关联帧约束的纹影特征可视化增强方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153665A (en) * | 1991-06-14 | 1992-10-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Vaporizing particle velocimeter |
CN104252623A (zh) * | 2014-09-04 | 2014-12-31 | 华中科技大学 | 一种高温蒸发型喷雾纹影图像识别与测量方法 |
CN105258913A (zh) * | 2015-10-13 | 2016-01-20 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种暂冲式超声速风洞正激波位置测量及判断的方法 |
CN106679929A (zh) * | 2016-11-28 | 2017-05-17 | 南京航空航天大学 | 一种激波串分离点定位方法 |
CN110057535A (zh) * | 2019-05-27 | 2019-07-26 | 中国空气动力研究与发展中心 | 激波风洞判断进气道起动的壁面丝线流动显示方法及系统 |
CN110207932A (zh) * | 2019-05-15 | 2019-09-06 | 中国科学院西安光学精密机械研究所 | 一种高速风洞纹影仪焦斑监测减震方法及系统 |
CN110823498A (zh) * | 2019-07-16 | 2020-02-21 | 中国人民解放军空军工程大学 | 基于高速纹影的超声速分离区测量装置及测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107091725B (zh) * | 2016-12-26 | 2020-01-17 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种提高风洞测压试验压力扫描数据精度的测量方法 |
CN107273593A (zh) * | 2017-06-01 | 2017-10-20 | 北京航空航天大学 | 一种用于高马赫数强激波流场气动热预测的湍流模型及其建立方法 |
-
2020
- 2020-07-27 CN CN202010732664.2A patent/CN112067239B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153665A (en) * | 1991-06-14 | 1992-10-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Vaporizing particle velocimeter |
CN104252623A (zh) * | 2014-09-04 | 2014-12-31 | 华中科技大学 | 一种高温蒸发型喷雾纹影图像识别与测量方法 |
CN105258913A (zh) * | 2015-10-13 | 2016-01-20 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种暂冲式超声速风洞正激波位置测量及判断的方法 |
CN106679929A (zh) * | 2016-11-28 | 2017-05-17 | 南京航空航天大学 | 一种激波串分离点定位方法 |
CN110207932A (zh) * | 2019-05-15 | 2019-09-06 | 中国科学院西安光学精密机械研究所 | 一种高速风洞纹影仪焦斑监测减震方法及系统 |
CN110057535A (zh) * | 2019-05-27 | 2019-07-26 | 中国空气动力研究与发展中心 | 激波风洞判断进气道起动的壁面丝线流动显示方法及系统 |
CN110823498A (zh) * | 2019-07-16 | 2020-02-21 | 中国人民解放军空军工程大学 | 基于高速纹影的超声速分离区测量装置及测量方法 |
Non-Patent Citations (2)
Title |
---|
Experimental Thermal and Fluid Science;S.Vaisakh;《Experimental Thermal and Fluid Science》;20180227;第43-47页 * |
高超声速平板边界层流动显示的试验研究;付佳;《物理学报》;20150131;第64卷(第1期);第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112067239A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112067239B (zh) | 一种基于纹影视频自动判断超声速风洞流场建立的方法 | |
CN107742301B (zh) | 基于图像分类的复杂背景下输电线路图像处理方法 | |
CN109508741B (zh) | 基于深度学习筛选训练集的方法 | |
CN104867144B (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN104021574A (zh) | 路面病害自动识别方法 | |
CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN105791814A (zh) | 一种基于图像处理技术的监控视频质量检测方法及装置 | |
CN111127448B (zh) | 一种基于孤立森林检测空气弹簧故障的方法 | |
CN103196789A (zh) | 柴油车尾气烟度检测方法 | |
CN104867145B (zh) | 基于vibe模型的ic元件焊点缺陷检测方法 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN105550710A (zh) | 基于非线性拟合的接触网运行异常状态智能检测方法 | |
CN109740553B (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
CN107274410A (zh) | 自适应的人造目标恒虚警率检测方法 | |
CN105069778A (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN115065798A (zh) | 一种基于大数据的视频分析监控系统 | |
CN115100562A (zh) | 基于视频图像及深度学习的设备线路智能监测系统及方法 | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN111581679A (zh) | 一种基于深度网络的防范屏幕拍照方法 | |
CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及系统 | |
CN116385758A (zh) | 基于YOLOv5网络对传送带表面损伤的检测方法 | |
CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN111160224B (zh) | 一种基于fpga和地平线分割的高铁接触网异物检测系统及方法 | |
CN110781758A (zh) | 一种受电弓结构异常动态视频监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |