CN113687099A - 一种基于激光线阵的piv图像标定装置及方法 - Google Patents

一种基于激光线阵的piv图像标定装置及方法 Download PDF

Info

Publication number
CN113687099A
CN113687099A CN202110978484.7A CN202110978484A CN113687099A CN 113687099 A CN113687099 A CN 113687099A CN 202110978484 A CN202110978484 A CN 202110978484A CN 113687099 A CN113687099 A CN 113687099A
Authority
CN
China
Prior art keywords
laser
image
distortion
grating
distorted
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.)
Granted
Application number
CN202110978484.7A
Other languages
English (en)
Other versions
CN113687099B (zh
Inventor
王少飞
潘翀
王晋军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Institute of Innovation of Beihang University
Original Assignee
Ningbo Institute of Innovation of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Institute of Innovation of Beihang University filed Critical Ningbo Institute of Innovation of Beihang University
Priority to CN202110978484.7A priority Critical patent/CN113687099B/zh
Publication of CN113687099A publication Critical patent/CN113687099A/zh
Application granted granted Critical
Publication of CN113687099B publication Critical patent/CN113687099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
    • G01P5/20—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance using particles entrained by a fluid stream
    • 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
    • G01M9/02—Wind tunnels
    • 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
    • G01M9/08—Aerodynamic models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种基于激光线阵的PIV图像标定装置及方法，涉及激光测速以及图像修复技术领域，能够解决在高潮风洞中由于模型激波产生的图像畸变问题，实现畸变捕捉及修正。该装置包括：激光发射部件，用于发出具有等间距特性的激光线阵；光学组件，用于对激光线进行分光处理以在实验观测区域形成激光光栅；相机，用于获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；后台处理器，用于基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复。本发明能够准确获取真实模型实验时的激波畸变图像，进而获得各处的图像空间分辨率。

Description

一种基于激光线阵的PIV图像标定装置及方法
技术领域
本发明涉及激光测速以及图像修复技术领域，特别是涉及一种基于激光线阵的PIV图像标定装置及方法。
背景技术
粒子图像测速(PIV，Particle Image Velocimetry)技术是一种非接触流动速度场光学测量技术，该技术通过追踪由激光相机系统捕获的两帧粒子图上的粒子微团的跨帧位移，实现对粒子微团所表征的流动速度场中的运动速度的测量，并广泛应用于风洞实验中。
在记录粒子轨迹图像之前，需要对图像空间分辨率进行标定。常规方法，将黑白棋格纸的标靶放置于被测区域，通过相机采集后，利用记录的角点坐标求解畸变的数学模型，并获得各处的图像空间分辨率。但是，在高潮风洞中存在一定问题，具体为：由于风速较高，故将标靶放置于被测区域时会在局部产生激波，激波会使被测区域的局部产生光学衍射现象，从而使得记录的粒子轨迹图像产生扭曲，此处就产生较为复杂的畸变效果，进而无法准确获得各处的图像空间分辨率。
将标靶放置于被测区域，若在静止无风条件下时，就无法获得激波，无法产生畸变，进而无法获得各处的图像空间分辨率；若在有风条件下时，标靶本身就会再次引起激波，就会产生较为复杂的畸变效果，无法准确获得各处的图像空间分辨率。显然上述方法均无法获得真实模型实验时的激波畸变图像，进而无法获得各处的图像空间分辨率。
发明内容
本发明的目的是提供一种基于激光线阵的PIV图像标定装置及方法，以达到准确获取真实模型实验时的激波畸变图像的目的。
为实现上述目的，本发明提供了如下方案：
一种基于激光线阵的PIV图像标定装置，包括：
激光发射部件，用于发出具有等间距特性的激光线阵，以形成激光线阵光路；
光学组件，用于对所述激光线阵光路中的激光线进行分光处理以在实验观测区域形成激光光栅；
相机，用于获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；所述实验观测区域位于所述风洞实验段模型的上方；
后台处理器，用于基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像。
可选的，所述激光发射部件包括固定架和多根激光笔；
多根所述激光笔按照平行排列方式安装在所述固定架上，且任意相邻两根所述激光笔之间的距离均相等；
在工作时，通过调整所述激光发射部件的安装角度和相邻两根所述激光笔之间的距离使得发出的激光线阵中的所有激光线平行且共面。
可选的，所述光学组件包括在所述激光线阵光路上依次布置的半反半透镜和全反射镜；
在工作时，通过调整所述半反半透镜的安装角度，使得激光线经过所述半反半透镜后，一部分所述激光线透射过去，另一部分所述激光线反射以形成第一反射激光线，然后所述第一反射激光线照射在所述实验观测区域内；
调整所述全反射镜的安装角度，使得透射过去的激光线经过所述全反射镜后被全部反射并形成第二反射激光线，然后所述第二反射激光线照射在所述实验观测区域内；
所述第一反射激光线和所述第二反射激光线在所述实验观测区域内交叉以形成交错的激光光栅。
可选的，开启高潮风洞后，所述相机用于获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；
开启高潮风洞前，所述相机用于获取畸变前激光光栅图像。
可选的，所述后台处理器，具体包括：
畸变二维角点坐标信息提取模块，用于采用角点检测算法，提取畸变后激光光栅图像上的激光光栅的二维角点坐标信息；
畸变前二维角点坐标信息确定模块，用于基于神经网络模型和畸变后激光光栅图像上的激光光栅的二维角点坐标信息，确定畸变前二维角点坐标信息；
重构模块，用于基于所述畸变前二维角点坐标信息，得到重构后激光光栅图像。
可选的，所述神经网络模型为三层神经网络模型；所述神经网络模型的损失函数为均方误差函数；所述神经网络模型包括两层隐含层，且每个神经元后均添加ReLU激活层；
所述神经网络模型的输入为畸变后激光光栅图像上的激光光栅的二维角点坐标信息，所述神经网络模型的输出为对应的畸变前二维角点坐标信息。
一种基于激光线阵的PIV图像标定方法，包括：
获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；所述激光光栅为对激光线阵光路中的激光线进行分光处理后并在实验观测区域形成的光栅；
基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像。
可选的，还包括：
搭建激光发射部件；
所述激光发射部件包括固定架和多根激光笔，且多根所述激光笔按照平行排列方式安装在所述固定架上，任意相邻两根所述激光笔之间的距离均相等；
在工作时，通过调整所述激光发射部件的安装角度和相邻两根所述激光笔之间的距离使得发出的激光线阵中的所有激光线平行且共面。
可选的，还包括：
在激光线阵光路上依次布置半反半透镜和全反射镜；
在工作时，通过调整所述半反半透镜的安装角度，使得激光线经过所述半反半透镜后，一部分所述激光线透射过去，另一部分所述激光线反射以形成第一反射激光线，然后所述第一反射激光线照射在实验观测区域内；
调整所述全反射镜的安装角度，使得透射过去的激光线经过所述全反射镜后被全部反射并形成第二反射激光线，然后所述第二反射激光线照射在所述实验观测区域内；
所述第一反射激光线和所述第二反射激光线在所述实验观测区域内交叉以形成交错的激光光栅。
可选的，所述基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像，具体包括：
采用角点检测算法，提取畸变后激光光栅图像上的激光光栅的二维角点坐标信息；
基于神经网络模型和畸变后激光光栅图像上的激光光栅的二维角点坐标信息，确定畸变前二维角点坐标信息；
基于所述畸变前二维角点坐标信息，得到重构后激光光栅图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于激光线阵的PIV图像标定装置及方法，本发明采集激光光栅替代传统的实物标靶，实现在存在激波的情况下进行真实模型实验标定，且不干扰真实流场。并在此基础上，采用基于神经网络的畸变恢复标定算法对畸变后激光光栅图像进行标定和畸变恢复，达到了准确获取真实模型实验时的激波畸变图像的目的，进而获得各处的图像空间分辨率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于激光线阵的PIV图像标定装置的结构示意图；
图2为本发明一种基于激光线阵的PIV图像标定方法的流程示意图；
图3为本发明一种基于激光线阵和神经网络的图像畸变标定方法的流程图；
图4为本发明神经网络的示意图；
图5为本发明实施记录的畸变前后激光光栅图；图5(a)为畸变前激光光栅图；图5(b)为畸变后激光光栅图；图5(c)为畸变修复后的激光光栅图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一个目的在于提供一种新的无实物标靶的PIV图像标定装置，以替代传统的实物标靶，实现在存在激波的情况下进行真实模型实验标定，且不干扰真实流场。并在此基础上，采用神经网络算法对畸变后激光光栅图像进行标定和畸变恢复。
本发明的另一个目的在于提供一种二维PIV图像标定的软硬件系统，实现在非接触无干扰的情况下获取高精度图像标定的技术方案和系统实现。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本实施例提供了一种基于激光线阵的PIV图像标定装置，主要是通过激光线阵和光学组件在实验观测区域形成激光光栅作为无实物标靶。该装置应用于高马赫数风洞模型PIV实验中，该装置示意图如图1所示：
激光发射部件3，用于发出具有等间距特性的激光线阵，以形成激光线阵光路。
光学组件，用于对激光线阵光路中的激光线进行分光处理以在实验观测区域形成激光光栅。
相机6，用于获取风洞实验段模型1的工况调整到PIV实验工况时的畸变后激光光栅图像；实验观测区域位于风洞实验段模型1的上方。
后台处理器，用于基于神经网络算法，对畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像。
作为一种优选地实施方式，本实施例所述的激光线阵3包括固定架以及安装在固定架上的多根大功率的激光笔。
多根激光笔按照平行排列方式安装在固定架上，且任意相邻两根激光笔之间的距离均相等。
在工作时，通过调整激光发射部件的安装角度和相邻两根激光笔之间的距离使得发出的激光线阵中的所有激光线平行且共面。
进一步地，本实施例采用了10组连续式氦氖激光笔，其功率为1W，产生633nm波长的绿光。
作为一种优选地实施方式，本实施例所述的光学组件包括在激光线阵光路上布置的半反半透镜4和全反射镜5。此半反半透镜4和全反射镜5均位于风洞实验段模型1的上方。
在工作时，通过调整半反半透镜4的安装角度，使得激光线经过半反半透镜4后，一部分激光线透射过去，另一部分激光线反射以形成第一反射激光线，然后第一反射激光线照射在实验观测区域内。
调整全反射镜5的安装角度，使得透射过去的激光线经过全反射镜5后被全部反射并形成第二反射激光线，然后第二反射激光线照射在实验观测区域内。
第一反射激光线和第二反射激光线在实验观测区域内交叉以形成交错的激光光栅。
进一步地，本实施例所述的反半透镜4和全反射镜5的材料为镀镍等材料。
作为一种优选地实施方式，本实施例在激光光栅调整好后，需要布置PIV拍摄的相机6；调整相机6的安装位置和安装角度，确保能够捕捉到实验观测区域。
开启高潮风洞后，风洞实验段模型表面附近产生激波，此时相机6再次拍摄的激光光栅图像为畸变后激光光栅图像。故此时的相机6用于获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像。
开启高潮风洞前，相机6用于获取畸变前激光光栅图像，以进行后续的神经网络训练。
进一步地，本实施例所述的相机6为双曝光CCD相机。通过软件控制相机6在风洞运行前后分别对激光光栅进行记录拍摄。相机数据采用高速Cameralink数据线传入后台处理器存储。
进一步地，本实施例所述的风洞用以产生均匀且稳定的高速气流，并将实验模型预先布置于实验段，实验段内布撒示踪粒子2，以增强激光光栅在图像上的显示效果。
作为一种优选地实施方式，本实施例记录畸变前后的激光光栅图像之后，采用本实施例提出的基于神经网络的畸变恢复标定算法，即可将由于激波产生的畸变后激光光栅图像进行标定修正。
首先对记录的两张激光光栅图像分别进行角点检测，提取对应的二维角点坐标信息。由于整个空间位置不发生变化，前后两张激光光栅图像检测的角点坐标一一对应。
其次构造三层神经网络结构，输入为从畸变后激光光栅图像上提取的二维角点坐标信息，输出为从畸变前激光光栅图像上提取的二维角点坐标信息。将提取的二维角点坐标信息数据划分为训练集和验证集，并采用合适的训练策略对神经网络结构进行训练直至达到拟合精度，得到需求的神经网络模型。这样的神经网络模型就隐含了整个图像的畸变信息。
最终将畸变后激光光栅图像上的每一点坐标输入到神经网络模型中，以输出畸变还原后的真实图像坐标，至此完成畸变后激光光栅图像的标定和畸变修复。
相比于传统的实物标靶方法，本实施例采用的激光光栅对真是流场无影响，同时能够记录激波引起的真实畸变图像。
实施例二
请参见图2，本实施例提供了一种基于激光线阵的PIV图像标定方法，应用于实施例一所述的一种基于激光线阵的PIV图像标定装置，该方法包括：
步骤201：获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；所述激光光栅为对激光线阵光路中的激光线进行分光处理后并在实验观测区域形成的光栅。
步骤202：基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像。
进一步地，本实施例所述的一种基于激光线阵的PIV图像标定方法还包括：
搭建激光发射部件。
所述激光发射部件包括固定架和多根激光笔，且多根所述激光笔按照平行排列方式安装在所述固定架上，任意相邻两根所述激光笔之间的距离均相等；在工作时，通过调整所述激光发射部件的安装角度和相邻两根所述激光笔之间的距离使得发出的激光线阵中的所有激光线平行且共面。
进一步地，本实施例所述的一种基于激光线阵的PIV图像标定方法还包括：
在激光线阵光路上依次布置半反半透镜和全反射镜。
在工作时，通过调整所述半反半透镜的安装角度，使得激光线经过所述半反半透镜后，一部分所述激光线透射过去，另一部分所述激光线反射以形成第一反射激光线，然后所述第一反射激光线照射在实验观测区域内；调整所述全反射镜的安装角度，使得透射过去的激光线经过所述全反射镜后被全部反射并形成第二反射激光线，然后所述第二反射激光线照射在所述实验观测区域内；所述第一反射激光线和所述第二反射激光线在所述实验观测区域内交叉以形成交错的激光光栅。
进一步地，步骤202具体包括：
采用角点检测算法，提取畸变后激光光栅图像上的激光光栅的二维角点坐标信息。
基于神经网络模型和畸变后激光光栅图像上的激光光栅的二维角点坐标信息，确定畸变前二维角点坐标信息。
基于所述畸变前二维角点坐标信息，得到重构后激光光栅图像。
实施例三
本实施例提供一种基于激光线阵和神经网络的图像畸变标定方法，请参见图3，包括：
步骤1：搭建激光线阵光路；具体为：
将多个激光笔安装在固定架上，并调整激光笔的安装间距和安装角度使激光笔发出共面平行的激光线阵，并形成激光线阵光路。
步骤2：调整光学镜片形成光栅；具体为：
步骤2.1：首先在激光线阵光路上布置半反半透镜；该半反半透镜位于风洞实验段模型的上方，该半反半透镜用于将激光线阵的一部分激光线直接透射，将激光线阵的一部分激光线反射；然后调整半反半透镜的安装位置和安装角度使得反射光线照亮实验观测区域，即流动观测区域。
步骤2.2：首先在透射光线的光路上布置全反射镜；该全反射镜位于风洞实验段模型的上方，该全反射镜用于将透射光线全部反射；其次调整全反射镜的安装位置和安装角度使得经过反射后的透射光线同样照亮实验观测区域，然后与经过半反半透镜的反射光线相交形成激光光栅。
步骤3：采集畸变前后图像；具体为：
步骤3.1：首先将相机架设到实验台架上；然后调整相机的安装位置和安装角度使相机能够准确捕捉到实验观测区域。
步骤3.2：在风洞实验段内布撒示踪粒子，以增强激光光栅的反射效果。
步骤3.3：在风洞开启前，使用相机记录激光光栅图像，此时激光光栅图像上的激光光栅未畸变。
步骤3.4：开启高潮风洞，并将风洞实验段的工况调整到PIV实验工况，此时风洞实验段模型表面产生激波，激光光栅被扭曲，最后使用相机记录畸变后的畸变后激光光栅图像；
步骤4：角点检测；具体为：
采用角点检测算法分别提取畸变前激光光栅图像和畸变后激光光栅图像上的激光光栅的二维角点坐标信息。
角点检测算法如下：
采用设定大小的窗口在激光光栅图像的各个方向上移动，计算移动过程中窗口内灰度变化的自相关函数，如公式(1)所示：
E(u,v)＝∑x,yw(x,y)[I(x+u,y+v)-I(x,y)]2 (1)；
其中，(u,v)为窗口的大小；w为窗口的权重，取为1；I为图像像素灰度值；(x，y)为像素坐标。
经过泰勒展开后可以将自相关函数E写为：
Figure BDA0003228227550000101
M的计算公式为：
Figure BDA0003228227550000102
定义角点相应函数R为：
R＝detM-k(traceM)2 (4)；
traceM＝λ1+λ2 (5)；
detM＝λ1λ2 (6)；
其中，traceM为矩阵M的迹；detM为矩阵M的秩；λ1和λ2为矩阵M的特征值；k为经验常数，一般取0.04～0.06。
当检测到R大于0时即可定位角点位置并提取二维角点坐标信息。
步骤5：构建神经网络。
请参见图4，神经网络包含两层隐含层，每个神经元后添加ReLU激活层。神经元的计算数学表达式如下所示：
Figure BDA0003228227550000103
采用均方误差函数计算神经网络的损失，即神经网络的损失函数为：
Figure BDA0003228227550000111
其中，(x,y)为神经网络输出的预测坐标，(x',y')为神经网络输出的真实坐标，即通过角点检测算法确定出的畸变前二维角点坐标。n为训练过程中一个批次的batch个数。
步骤6：训练，以得到神经网络模型；此神经网络模型的输入为畸变后的二维角点坐标信息，输出为畸变前的二维角点坐标信息。
将之前检测到的畸变前的二维角点坐标信息和畸变后的二维角点坐标信息组成训练集样本，并以8个样本为一组作为一个batch进行神经网络权重的训练。
其中，选用Adam优化学习算法进行神经网络优化训练。优化流程如下:
步骤6.1：初始化神经网络中的权重记为θ0，初始化一阶动量矩m0、二阶动量矩v0，学习率α＝0.00001、参数权重β1＝0.9、β2＝0.999、ε＝10-8。
步骤6.2：在当前权重下，带入一个批次样本计算神经网络输出损失Losst(θt-1)，并求其对权重θ的梯度，其计算公式如下：
Figure BDA0003228227550000112
其中，t表示当前迭代次数，t-1为上一次迭代次数。
步骤6.:3：计算有偏一阶动量矩和有偏二阶动量矩，计算公式如下：
mt＝β1×mt-1+(1-β1)gt (10)；
vt＝β2×vt-1+(1-β2)gt 2 (11)；
步骤6.4：计算无偏一阶动量矩和无偏二阶动量矩，计算公式如下：
Figure BDA0003228227550000113
Figure BDA0003228227550000114
步骤6.5：计算并更新神经网络权重，计算公式如下：
Figure BDA0003228227550000121
步骤6.6：重复步骤6.2至步骤6.5，直至损失不再下降即可认为训练完成。
步骤6.7：采用未使用的二维角点坐标信息作为验证集验证神经网络模型预测的准确性，当准确度高于90％以上时即认为神经网络模型符合要求。
步骤7：标定完成，图像畸变修复。
获得包含畸变信息的神经网络模型后，将畸变后激光光栅图像上的每个像素点(x,y,I)提取出来；其中，I为像素上灰度信息。将坐标(x,y)输入到包含畸变信息的神经网络模型后，预测得到畸变前激光光栅图像上的坐标(x',y')，遍历畸变后激光光栅图像上所有的像素点(x,y,I)，即可重构出对应的畸变前激光光栅图像，其效果请参见图5。
本发明公开了一种基于激光线阵的PIV图像标定装置及方法，包括：发出一系列等间距的激光线阵的激光发射部件，在激光线阵光路上布置多组光学镜片以对激光线进行反射和投射，即实现激光线阵的分光，并通过合理布置光学镜片的安装位置和安装角度以在风洞实验段模型附近形成激光线阵垂直交叉的激光栅格。在风洞实验段模型的观测窗口外布置相机，并用相机捕获激光栅格的高清图像。
当风洞运行时，在高速气流的作用下，风洞实验段模型的实验观测区域附近将产生激波，激波的产生使得局部激光光栅网格在图像上的投影产生扭曲畸变，以形成畸变图像。
记录风洞运行前后两帧激光栅格的高清图像，并采用角点检测算法对风洞运行前后的记录的两张图像分别进行检测，提取所有识别到的激光光栅栅格的交点的坐标，并基于识别的坐标构建神经网络模型，将畸变后的角点坐标作为输入，对应的未畸变角点坐标作为输出真值进行模型训练，这样就构造了神经网络模型。将相机采集的畸变图像输入到神经网络模型中完成了PIV图像的标定。
该装置和方法提供了无需放置标靶实物的标定解决方案，解决了高潮风洞PIV测量过程中由于模型附近激波引起的图像畸变问题，并采用神经网络模型拟合畸变，提高了畸变修正的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于激光线阵的PIV图像标定装置，其特征在于，包括：
激光发射部件，用于发出具有等间距特性的激光线阵，以形成激光线阵光路；
光学组件，用于对所述激光线阵光路中的激光线进行分光处理以在实验观测区域形成激光光栅；
相机，用于获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；所述实验观测区域位于所述风洞实验段模型的上方；
后台处理器，用于基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像。
2.根据权利要求1所述的一种基于激光线阵的PIV图像标定装置，其特征在于，所述激光发射部件包括固定架和多根激光笔；
多根所述激光笔按照平行排列方式安装在所述固定架上，且任意相邻两根所述激光笔之间的距离均相等；
在工作时，通过调整所述激光发射部件的安装角度和相邻两根所述激光笔之间的距离使得发出的激光线阵中的所有激光线平行且共面。
3.根据权利要求1所述的一种基于激光线阵的PIV图像标定装置，其特征在于，所述光学组件包括在所述激光线阵光路上依次布置的半反半透镜和全反射镜；
在工作时，通过调整所述半反半透镜的安装角度，使得激光线经过所述半反半透镜后，一部分所述激光线透射过去，另一部分所述激光线反射以形成第一反射激光线，然后所述第一反射激光线照射在所述实验观测区域内；
调整所述全反射镜的安装角度，使得透射过去的激光线经过所述全反射镜后被全部反射并形成第二反射激光线，然后所述第二反射激光线照射在所述实验观测区域内；
所述第一反射激光线和所述第二反射激光线在所述实验观测区域内交叉以形成交错的激光光栅。
4.根据权利要求1所述的一种基于激光线阵的PIV图像标定装置，其特征在于，
开启高潮风洞后，所述相机用于获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；
开启高潮风洞前，所述相机用于获取畸变前激光光栅图像。
5.根据权利要求1所述的一种基于激光线阵的PIV图像标定装置，其特征在于，所述后台处理器，具体包括：
畸变二维角点坐标信息提取模块，用于采用角点检测算法，提取畸变后激光光栅图像上的激光光栅的二维角点坐标信息；
畸变前二维角点坐标信息确定模块，用于基于神经网络模型和畸变后激光光栅图像上的激光光栅的二维角点坐标信息，确定畸变前二维角点坐标信息；
重构模块，用于基于所述畸变前二维角点坐标信息，得到重构后激光光栅图像。
6.根据权利要求5所述的一种基于激光线阵的PIV图像标定装置，其特征在于，所述神经网络模型为三层神经网络模型；所述神经网络模型的损失函数为均方误差函数；所述神经网络模型包括两层隐含层，且每个神经元后均添加ReLU激活层；
所述神经网络模型的输入为畸变后激光光栅图像上的激光光栅的二维角点坐标信息，所述神经网络模型的输出为对应的畸变前二维角点坐标信息。
7.一种应用于权利要求1所述的基于激光线阵的PIV图像标定装置的标定方法，其特征在于，包括：
获取风洞实验段模型的工况调整到PIV实验工况时的畸变后激光光栅图像；所述激光光栅为对激光线阵光路中的激光线进行分光处理后并在实验观测区域形成的光栅；
基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像。
8.根据权利要求7所述的标定方法，其特征在于，还包括：
搭建激光发射部件；
所述激光发射部件包括固定架和多根激光笔，且多根所述激光笔按照平行排列方式安装在所述固定架上，任意相邻两根所述激光笔之间的距离均相等；
在工作时，通过调整所述激光发射部件的安装角度和相邻两根所述激光笔之间的距离使得发出的激光线阵中的所有激光线平行且共面。
9.根据权利要求7所述的标定方法，其特征在于，还包括：
在激光线阵光路上依次布置半反半透镜和全反射镜；
在工作时，通过调整所述半反半透镜的安装角度，使得激光线经过所述半反半透镜后，一部分所述激光线透射过去，另一部分所述激光线反射以形成第一反射激光线，然后所述第一反射激光线照射在实验观测区域内；
调整所述全反射镜的安装角度，使得透射过去的激光线经过所述全反射镜后被全部反射并形成第二反射激光线，然后所述第二反射激光线照射在所述实验观测区域内；
所述第一反射激光线和所述第二反射激光线在所述实验观测区域内交叉以形成交错的激光光栅。
10.根据权利要求7所述的标定方法，其特征在于，所述基于神经网络的畸变恢复标定算法，对所述畸变后激光光栅图像进行标定修复，以得到重构后激光光栅图像，具体包括：
采用角点检测算法，提取畸变后激光光栅图像上的激光光栅的二维角点坐标信息；
基于神经网络模型和畸变后激光光栅图像上的激光光栅的二维角点坐标信息，确定畸变前二维角点坐标信息；
基于所述畸变前二维角点坐标信息，得到重构后激光光栅图像。
CN202110978484.7A 2021-08-25 2021-08-25 一种基于激光线阵的piv图像标定装置及方法 Active CN113687099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110978484.7A CN113687099B (zh) 2021-08-25 2021-08-25 一种基于激光线阵的piv图像标定装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110978484.7A CN113687099B (zh) 2021-08-25 2021-08-25 一种基于激光线阵的piv图像标定装置及方法

Publications (2)

Publication Number Publication Date
CN113687099A true CN113687099A (zh) 2021-11-23
CN113687099B CN113687099B (zh) 2024-04-30

Family

ID=78582254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110978484.7A Active CN113687099B (zh) 2021-08-25 2021-08-25 一种基于激光线阵的piv图像标定装置及方法

Country Status (1)

Country Link
CN (1) CN113687099B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114755449A (zh) * 2022-06-14 2022-07-15 中国空气动力研究与发展中心设备设计与测试技术研究所 一种粒子图像测速畸变修正装置及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088098A (en) * 1998-01-17 2000-07-11 Robert Bosch Gmbh Calibration method for a laser-based split-beam method
JP2008215999A (ja) * 2007-03-02 2008-09-18 Tokyo Electric Power Co Inc:The 流体計測システム、流体計測方法およびコンピュータプログラム
CN103076265A (zh) * 2013-01-11 2013-05-01 战仁军 一种颗粒分布和直径的测量装置
US20130242286A1 (en) * 2012-03-16 2013-09-19 Honda Motor Co., Ltd. Particle image velocimetry system for three-dimensional space
CN105488807A (zh) * 2015-12-25 2016-04-13 傅之成 一种远心镜头的标定和矫正方法
CN105783770A (zh) * 2016-01-22 2016-07-20 西南科技大学 一种基于线结构光的冰形轮廓测量的方法
CN111429533A (zh) * 2020-06-15 2020-07-17 上海海栎创微电子有限公司 一种相机镜头畸变参数估计装置及方法
CN112577708A (zh) * 2020-12-29 2021-03-30 中国航天空气动力技术研究院 一种基于背光成像的高焓激波风洞发动机推阻测量系统方法
CN112577697A (zh) * 2020-12-29 2021-03-30 中国航天空气动力技术研究院 一种超声速风洞流场多相机三维标定装置及方法
KR102263744B1 (ko) * 2021-03-04 2021-06-10 (주)싸이젠텍 레이저 회절방식을 이용한 입자분석기

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088098A (en) * 1998-01-17 2000-07-11 Robert Bosch Gmbh Calibration method for a laser-based split-beam method
JP2008215999A (ja) * 2007-03-02 2008-09-18 Tokyo Electric Power Co Inc:The 流体計測システム、流体計測方法およびコンピュータプログラム
US20130242286A1 (en) * 2012-03-16 2013-09-19 Honda Motor Co., Ltd. Particle image velocimetry system for three-dimensional space
CN103076265A (zh) * 2013-01-11 2013-05-01 战仁军 一种颗粒分布和直径的测量装置
CN105488807A (zh) * 2015-12-25 2016-04-13 傅之成 一种远心镜头的标定和矫正方法
CN105783770A (zh) * 2016-01-22 2016-07-20 西南科技大学 一种基于线结构光的冰形轮廓测量的方法
CN111429533A (zh) * 2020-06-15 2020-07-17 上海海栎创微电子有限公司 一种相机镜头畸变参数估计装置及方法
CN112577708A (zh) * 2020-12-29 2021-03-30 中国航天空气动力技术研究院 一种基于背光成像的高焓激波风洞发动机推阻测量系统方法
CN112577697A (zh) * 2020-12-29 2021-03-30 中国航天空气动力技术研究院 一种超声速风洞流场多相机三维标定装置及方法
KR102263744B1 (ko) * 2021-03-04 2021-06-10 (주)싸이젠텍 레이저 회절방식을 이용한 입자분석기

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUMBAT NASIBOV ETC.: "Performance Analysis of the CCD Pixel Binning Option in Particle-Image Velocimetry Measurements", IEEE/ASME TRANSACTIONS ON MECHATRONICS, vol. 15, no. 4, 31 August 2010 (2010-08-31), pages 527 - 540, XP011345378, DOI: 10.1109/TMECH.2010.2051678 *
刘亦鹏;胡学羽;陈佳洛;王平阳;杜朝辉;: "圆形截面管路内PIV流场测量的直接校正方法", 上海交通大学学报, no. 04, 28 April 2013 (2013-04-28), pages 525 - 531 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114755449A (zh) * 2022-06-14 2022-07-15 中国空气动力研究与发展中心设备设计与测试技术研究所 一种粒子图像测速畸变修正装置及方法

Also Published As

Publication number Publication date
CN113687099B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Scarano Tomographic PIV: principles and practice
Guo et al. Tackling 3d tof artifacts through learning and the flat dataset
CN109791696A (zh) 利用事件摄像机同时进行定位和映射
Hanke et al. Generation and validation of virtual point cloud data for automated driving systems
CN109031654A (zh) 一种基于卷积神经网络的自适应光学校正方法及系统
CN103698554A (zh) 一种流场实时精确测量系统及方法
CN106290256A (zh) 基于视频测量的定量背景纹影方法
CN110490818B (zh) 基于cgan的计算鬼成像重建恢复方法
CN113687099A (zh) 一种基于激光线阵的piv图像标定装置及方法
WO2023023961A1 (zh) 一种基于激光线阵的piv图像标定装置及方法
WO2023024007A1 (zh) 速度、速度场测量方法、系统、设备、装置及存储介质
CN112685979B (zh) 一种基于深度学习的流体密度场生成方法和装置
CN117928875A (zh) 一种风洞流场的时间分辨偏振成像装置及方法
CN109872344A (zh) 图像特征点的跟踪方法、匹配方法和坐标获取方法、装置
Zhu et al. Full-field modal identification using reliability-guided frequency-domain-based digital image correlation method based on multi-camera system
CN110108271B (zh) 一种气动光学效应引起的星光偏折补偿方法
Loktev et al. Image Blur Simulation for the Estimation of the Behavior of Real Objects by Monitoring Systems.
CN113706582B (zh) 速度、速度场测量方法、系统、设备、装置及存储介质
Arredondo et al. A methodology for the systematic assessment of underwater video processing algorithms
CN114065650A (zh) 基于深度学习的材料裂纹尖端多尺度应变场测量跟踪方法
Zhang et al. An algorithm for motion estimation based on the interframe difference detection function model
CN114660917B (zh) 基于Transformer模型的自由视场红外数字全息成像方法
CN109785339A (zh) 一种同时分割和配准精密复杂曲面干涉条纹图像的方法
CN113516689B (zh) 一种基于关联帧约束的纹影特征可视化增强方法
EP4202869A1 (en) Method and apparatus for determining at least one optical parameter of at least one spectacle lens

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