CN114062712B - 基于单光场成像的合成孔径粒子图像测速方法及装置 - Google Patents

基于单光场成像的合成孔径粒子图像测速方法及装置 Download PDF

Info

Publication number
CN114062712B
CN114062712B CN202111147939.7A CN202111147939A CN114062712B CN 114062712 B CN114062712 B CN 114062712B CN 202111147939 A CN202111147939 A CN 202111147939A CN 114062712 B CN114062712 B CN 114062712B
Authority
CN
China
Prior art keywords
particle
dimensional
field
refocusing
field distribution
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
Application number
CN202111147939.7A
Other languages
English (en)
Other versions
CN114062712A (zh
Inventor
许传龙
曹丽霞
李健
张彪
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111147939.7A priority Critical patent/CN114062712B/zh
Publication of CN114062712A publication Critical patent/CN114062712A/zh
Application granted granted Critical
Publication of CN114062712B publication Critical patent/CN114062712B/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
    • G01P5/22—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 auto-correlation or cross-correlation detection means
    • 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
    • G01P5/26—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 direct influence of the streaming fluid on the properties of a detecting optical wave
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Multimedia (AREA)
  • Studio Devices (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于单光场成像的合成孔径粒子图像测速方法及装置，测速方法包括：利用数字重聚焦技术结合高斯函数计算粒子光场图像在被测流场区域的三维重聚焦粒子场分布；将三维重聚焦粒子场分布代入训练好的神经网络模型中，重建出三维重聚焦粒子场分布里实际的三维粒子场分布；计算三维粒子场分布的三维空间三个速度分量的速度场分布。本发明中的数字重聚焦技术结合高斯函数的方法所需追迹的光线数量少，重聚焦图像中的每个粒子强度连续、无空洞，呈均匀的高斯分布，从而使粒子的重聚焦图像质量高；利用神经网络模型重建3D粒子场分布的方法计算速度快，提高了3D粒子场分布的重建效率及速度场的测量效率，同时降低了计算的硬件成本。

Description

基于单光场成像的合成孔径粒子图像测速方法及装置
技术领域
本发明涉及流场测量技术领域，具体是一种基于单光场成像的合成孔径粒子图像测速方法(单光场SA-PIV)。
背景技术
流动现象广泛存在于工业和科研领域，流体力学中许多问题都是复杂的、三维的、非定常的流动，如湍流、边界层流动和喷雾等。三维速度场是表征各种复杂流场三维结构的关键参数之一。准确高效的三维速度场测量有助于揭示各种复杂流动的拓扑结构和性质，这对流体力学的优化运行和设计具有重要意义。
三维空间三个速度分量的粒子图像测速技术(3D-3C PIV)由于具有非侵入性、瞬时性、高精度以及能够测量流场的3D-3C速度场分布的优点，已成为表征各种三维(3D)非定常和复杂流动结构拓扑的重要测量方法之一。目前商用的3D PIV通常需要三台或三台以上的传统相机从不同视角采集流场的粒子图像。这需要多台相机的高度耦合和同步，使系统的组装、操作复杂，相机标定困难和不方便，同时硬件成本随相机数量的增加而增高。在光场相机中，微透镜阵列安装在CCD传感器前某一特定距离，使单光场相机可以在单次曝光中同时记录粒子发出的散射光的方向、位置及强度信息。因此，单光场相机用于3D PIV系统中的成像模块可以克服传统多相机系统耦合和同步带来的问题，实验系统组装、操作更简单，硬件成本更低。近几年，基于单光场相机的3D PIV(单光场PIV)得到了发展，已成为测量流场的3D-3C速度场分布的非接触测量法之一。
目前单光场PIV主要有基于单光场成像的层析粒子图像测速技术(单光场Tomo-PIV)。原理为：首先，将被测流场离散化成许多小立方体(体素)，计算每个体素对光场相机中的像素的贡献(权重矩阵)；然后，对光场相机采集的粒子光场图像进行层析重建，从而获得流场中的粒子的三维位置和强度分布(3D粒子场分布)；最后，对△t时间间隔的一对3D粒子场分布进行三维互相关计算，从而获得流场的3D-3C速度场分布。单光场Tomo-PIV的核心是权重矩阵的计算及3D粒子场分布的层析重建。目前的单光场Tomo-PIV存在的缺点是权重矩阵的计算及层析重建复杂、耗时，需要在多核CPU或GPU，及内存在60GB以上的服务器上计算，计算的时间成本及硬件成本高。以下将以因果关系推理单光场Tomo-PIV的缺点：
1)权重矩阵计算耗时
单光场Tomo-PIV中需要计算权重矩阵，权重矩阵描述了被测流场中离散体素与光场相机中相应成像像素之间的关系，权重矩阵的计算效率与权重矩阵的计算方法和矩阵中的元素数量密切相关。
首先，权重矩阵的计算方法通常采用前向光线追迹技术追迹离散化被测流场中每个体素发出的浓密光线至光场相机中的微透镜及像素上，然后计算这些光线对微透镜阵列和像素的贡献，这种计算方法往往需要追迹至少10000根由单个体素发出的光线至光场相机的微透镜及像素上才能获得较高精度的权重矩阵。当被测三维流场中离散体素数量为301(X轴)×201(Y轴)×201(Z轴)个时，总共至少需要追迹1.2×1011根光线至光场相机的微透镜及像素上。追迹的光线数量越多，权重矩阵的精度越高，但所需计算时间越多。
其次，整个权重矩阵的元素数量是体素数量与像素数量的乘积，权重矩阵的元素数量通常为106～1016个。例：被测三维流场中离散体素数量为301(X轴)×201(Y轴)×201(Z轴)个，像素数量为4000×6000个，则权重矩阵的元素数量为2.9×1014个，采用前向光线追迹技术计算并保存一个体素对像素的贡献所需时间约为0.5秒，用24个线程的服务器并行计算并保存整个权重矩阵所需时间约为(301×201×201×0.5)/(24×3600)＝70.37小时。
即使目前利用基于预识别技术剔除离散化体素中的零值体素，只计算非零体素对像素的贡献，从而实现权重矩阵的计算效率的优化。但当被测流场中的粒子浓度较高时，非零体素数量会增加，那么权重矩阵仍然需要数小时以上的计算，更重要的是每次层析重建前都需要进行预识别处理，以及重新进行权重矩阵的计算。
2)层析重建耗时
单光场Tomo-PIV中，层析重建被用于3D粒子场分布的重建，层析重建算法主要有MART算法、ART算法、SART算法及EM算法。由于权重矩阵里的元素数量及被重建的体素数量较大，这导致了层析重建需要加载庞大的权重矩阵，进一步导致了3D粒子场分布重建耗时。重建时间随着体素数量、颗粒浓度的增加而增加。目前的文献显示层析重建一幅粒子的光场图像通常需要4小时以上的计算时间。
由于权重矩阵庞大的数据量，权重矩阵的计算和层析重建都需要在多核CPU或GPU，及内存为60GB以上的服务器上进行计算，硬件和计算成本都较高，且服务器不便于携带。
发明内容
本发明所要解决的技术问题是提出一种提高单光场PIV中的3D粒子场分布的重建效率的基于单光场成像的合成孔径粒子图像测速方法及装置。
为解决上述技术问题，本发明采用的技术方案是：
一种基于单光场成像的合成孔径粒子图像测速方法，包括：
利用数字重聚焦技术结合高斯函数计算粒子光场图像在被测流场区域的三维(3D)重聚焦粒子场分布；
将3D重聚焦粒子场分布代入训练好的神经网络模型中，重建出3D重聚焦粒子场分布里实际的3D粒子场分布；
利用三维互相关技术计算3D粒子场分布的3D-3C速度场分布。
本发明的核心是利用数字重聚焦技术结合高斯函数将粒子光场图像中的每个子图像重聚焦至被测流场中不同深度的体素平面，获得粒子光场图像在被测流场区域的三维(3D)重聚焦粒子场分布；在此基础上，利用3D U-Net神经网络模型重建3D重聚焦粒子场分布里实际的3D粒子场分布。
有益效果：
与现有技术相比，本发明具有以下优点：
1)利用数字重聚焦技术结合高斯函数计算粒子光场图像的3D重聚焦粒子场分布，所需追迹光线数量少、计算效率高，降低了计算的硬件成本，重聚焦图像中的每个粒子强度连续、无空洞，呈均匀的高斯分布，使粒子的重聚焦图像质量高。在Intel(R)Core(TM)i9-10940X CPU@3.30GHz，内存为128GB的服务器下用8个线程对351(X轴)×351(Y轴)×201(Z轴)个体素进行重聚焦计算需要546秒的计算时间。该方法将微透镜阵列及主镜头等效成针孔模型，利用后向光线追迹技术追迹从像素中心发出的光线分别至微透镜平面、主镜头平面、物空间，然后穿过各个体素平面，每个像素只追迹一根光线，例：当光场相机的像素数量为4000×6000时，需要追迹2.4×107根光线至被测流场的体素平面。然后通过高斯函数计算每一根像素视线在体素平面上的成像强度。后向光线追迹技术所需追迹的光线数量(2.4×107)少于前向光线追迹技术追迹每个体素发出的浓密光线至光场相机的像素上所需的光线数量(至少1.2×1011)。从原理上看，数字重聚焦技术结合高斯函数的方法所需追迹的光线数量少，从而计算效率快，且整个过程能在普通笔记本电脑上计算；每一根像素视线将重聚焦并成像至体素平面的3×3个体素上，利用高斯函数计算像素视线在这3×3个体素上的成像强度，这种方式会使得到的重聚焦图像里的每个粒子强度连续、无空洞，呈均匀的高斯分布，从而提高了粒子的重聚焦图像的质量。
2)一种基于单光场成像的合成孔径粒子图像测速方法(单光场SA-PIV)具有3D粒子场分布的重建效率高，测量流场的3D-3C速度场效率高，及计算的硬件成本低的优点。对于特定参数下的光场相机，3D U-Net神经网络只需要训练一次，然后利用训练好的模型可实现不同浓度的3D粒子场分布的重建，在Intel(R)Core(TM)i9-10940X CPU@3.30GHz，内存为128GB的服务器下，利用训练好的模型重建一帧3D粒子场分布所需时间为215秒，这个重建过程也能在普通笔记本电脑上进行；三维互相关技术原理简单，程序易实现，可在普通的笔记本电脑上实现三维互相关技术的计算。因此根据以上分析，单光场SA-PIV测量流场速度场的效率高，同时降低了计算的硬件成本。
附图说明
图1为单光场SA-PIV的原理示意图。
图2为全光型光场相机及聚焦型光场相机的后向光线追迹原理示意图。
图3为单根像素视线在一个体素平面上的成像示意图。
图4为3D粒子场的重聚焦结果。
图5为数据集的建立、训练及重建的流程示意图。
图6为粒子光场图像的重聚焦结果及实际的3D粒子场分布，其中(a)为粒子光场图像的重聚焦结果，(b)为实际的3D粒子场分布。
图7为实际的3D粒子场分布的提取原理示意图。
图8为3D U-Net神经网格结构参数及原理示意图。
图9为Raytrix R29拍摄所得的被测流场的粒子光场图像，其中(a)为t时刻的粒子光场图像，(b)为t+△t时刻的粒子光场图像。
图10为被测流场的3D粒子场分布的重建结果，其中(a)为t时刻的3D粒子场分布，(b)为t+△t时刻的3D粒子场分布。
图11为3D-3C速度场测量结果，其中(a)为YOZ截面，(b)为XOY平面，(c)为XOZ截面，(d)为3D-3C速度矢量分布。
其中，1.离散化体素；2.物空间中的共轭平面；3.主镜头；4.微透镜阵列；5.像素；6.像素中心；7.微透镜阵列中心；8.A点；9.B点；10.C点；11.全光型光场相机；12.体素平面；13.单个体素；14.虚拟像面；15.聚焦型光场相机；16.像素视线。
具体实施方式
本发明提供一种基于单光场成像的合成孔径粒子图像测速方法，方法的原理如图1所示，包括以下步骤：
步骤一、获取粒子的光场图像：
首先在被测流场中加入跟随性、散射性较好的示踪粒子，将双脉冲激光扩散成具有一定厚度的体激光并入射到流场中，流场中的示踪粒子被激光照射后产生散射光；利用时序同步控制器控制双脉冲激光器的双脉冲信号之间的时间间隔，使两个激光脉冲分别落在光场相机的双曝光时间上，从而使光场相机连续两次拍摄到流场的粒子光场图像；
光场相机可以为全光型光场相机、聚焦型光场相机及Raytrix R29。
步骤二、获得3D重聚焦粒子场分布：
利用数字重聚焦技术结合高斯函数将粒子光场图像中的每个子图像重聚焦至被测流场中不同深度的体素平面，获得粒子光场图像在被测流场区域的3D重聚焦粒子场分布。
步骤三、采用神经网络模型重建出3D粒子场分布：
将3D重聚焦粒子场分布代入事先训练好的3D U-Net神经网络模型中，从而重建出3D重聚焦粒子场分布里实际的3D粒子场分布。
步骤四、利用三维互相关技术计算3D粒子场分布的3D-3C速度场分布。
步骤二中，利用数字重聚焦技术结合高斯函数计算粒子光场图像的3D重聚焦粒子场的方法，参见图2，步骤包括：
在图2中，首先将被测流场区域离散化成以体素为最小单元的立方体网格，这些体素在XOY的同一平面上构成体素平面。将微透镜阵列及主镜头等效成针孔模型，主镜头发出的光线经微透镜阵列成像至CCD上形成子图像，采用后向光线追迹技术追迹光场图像中每个子图像的像素中心发出的光线(像素视线)分别至微透镜平面、主镜头平面及物空间，然后穿过各个体素平面，每个像素追迹一根光线。
像素视线穿过微透镜阵列的中心到达主镜头平面，像素视线和主镜头之间交点A的坐标计算公式为：
Figure BDA0003286168780000061
式中，my是微透镜在Y轴上的中心坐标；lm为主镜头与微透镜阵列之间的距离；sy是子图像在Y轴上的中心坐标；d2是微透镜阵列和CCD探测器平面之间的距离；y1为像素视线和主镜头之间交点A在Y轴上的坐标。公式(1)适用于全光型光场相机、聚焦型光场相机及Raytrix R29光场相机。
然后，像素视线通过自由空间到达物空间中的共轭物面，像素视线与共轭物面的交点B的坐标计算公式为：
Figure BDA0003286168780000062
式中，l1为物空间中共轭物面与主镜头之间的距离；d1为微透镜阵列与虚拟像面之间的距离；y2为像素视线与共轭物面的交点B在Y轴上的坐标。
最后，像素视线与物空间中任意一个体素平面之间的交点C的坐标计算公式为：
Figure BDA0003286168780000063
式中，z3是物空间中任意一个体素平面与共轭物面在Z轴方向上的距离；y3为像素视线与物空间中任意一个体素平面之间的交点C在Y轴上的坐标。公式(3)适用于全光型光场相机、聚焦型光场相机及Raytrix R29光场相机。
当像素视线被追迹至体素平面后，该像素视线会与体素平面的某一个体素相交，图3中的“×”为像素视线与体素平面中的某一个体素的交点，由于像素视线是由像素中心点发出的，并不能完全代表整个像素在体素平面的重聚焦图像，为了使像素视线能尽可能的表征整个像素在体素平面上的重聚焦图像，假设像素中心发出的像素视线会对以其相交体素(图3中“×”位置的体素)为中心的周围3×3的体素(图3中灰色区域的体素)都有影响，即像素视线会成像在3×3的体素上，并利用高斯公式计算该像素视线在这3×3的体素上的成像强度，高斯函数的公式为：
Figure BDA0003286168780000071
式中，a为第a行体素；b为第b列体素；c为第c层体素平面；Ia,b,c为像素视线重聚焦至第c层体素平面的第a行第b列的体素的成像强度；σ为表征高斯分布宽度的标准差；da,b为第a行第b列的体素中心与像素视线之间的距离；A为振幅。
当体素平面上的单个体素接收多根像素视线时，需要将多根像素视线对应的同一个体素的强度求和。这种数字重聚焦技术结合高斯函数的方法会使得到的重聚焦图像里的每个粒子强度连续、无空洞，呈均匀的高斯分布，从而提高了粒子的重聚焦图像的质量，有利于3D粒子场分布的提取。
利用公式(1)-(4)将光场图像中每个子图像中的像素视线重聚焦并成像至被测流场中的各个连续的体素平面，这些连续的体素平面整合成一个三维体，被称为3D重聚焦粒子场分布，如图4所示。
由于3D重聚焦粒子场分布是粒子光场图像中像素视线在物空间中不同深度的体素平面的累积求和，因此3D重聚焦粒子场分布包括了实际的3D粒子场分布信息及像素视线在每一个体素平面累积求和产生的模糊信息。需要对3D重聚焦粒子场分布进一步处理，得到去模糊的3D粒子场分布。
步骤三中，将3D重聚焦粒子场分布代入事先训练好的3D U-Net神经网络模型中，从而重建出3D重聚焦粒子场分布里的3D粒子场分布，包括：
3D U-Net神经网络能够实现三维体中某些信息的识别、切割与提取。3DU-Net神经网络只用少量数据集并可以实现三维体中某些信息的识别、切割与提取。因此，将3D U-Net神经网络用于3D粒子场分布的重建。首先，建立不同示踪粒子浓度的光场图像的3D重聚焦粒子场分布与实际的3D粒子场分布之间的数据集(3D U-Net神经网络中的输入数据与输出数据)；然后，将数据集代入3D U-Net神经网络进行训练，从而获得粒子光场图像的3D重聚焦粒子场分布与实际的3D粒子场分布之间的映射模型；最后，利用该模型重建实验采集的粒子光场图像，从而获得3D粒子场分布。
数据集的建立、训练及重建的流程示意图如图5所示。
数据集建立的具体步骤为：
1)实际的3D粒子场分布的产生：3D粒子场分布的浓度设为0.0185ppm、0.0247ppm、0.0308ppm、0.0925ppm、0.1541ppm(ppm表示被测流场中的示踪粒子数量与实际参与成像的微透镜阵列数量之比)。每个浓度工况下随机产生20组不同的3D粒子场分布，记录并保存粒子的三维位置坐标(X,Y,Z)。
2)输入数据的制作：根据粒子实际的三维位置(X,Y,Z)，利用前向光线追迹技术计算三维粒子场的光场图像，然后利用数字重聚焦技术结合高斯函数即公式(1)-(4)计算光场图像，从而获得粒子光场图像的3D重聚焦粒子场分布，作为3DU-Net神经网络的输入数据。
3)输出数据的制作：以单个粒子为例，图6(a)为单个粒子的3D重聚焦粒子场分布，相比于实际的3D粒子场分布(图6(b))，3D重聚焦粒子场分布包括了实际的3D粒子场分布信息及像素视线在每一个体素平面累积求和产生的模糊信息。需要在3D重聚焦粒子场分布中提取出实际的粒子强度分布，提取的原理示意图如图7所示。从图7(a)中的重聚焦图像在YOZ平面的剖面示意图中可以看出，实际的粒子位于重聚焦图像中能量最高的区域，已知粒子在3D重聚焦粒子场分布中的实际位置坐标(X,Y,Z)，以实际位置坐标(X,Y,Z)所处的体素为中心，将对应的3D重聚焦粒子场分布中粒子所在三维位置(X,Y,Z)相邻的3×3×3体素区域以外的体素强度置为0，从而获得实际的3D粒子场分布，如图7(b)所示。将实际的3D粒子场分布作为3D U-Net神经网络中与输入数据相对应的输出数据。从而建立了3D重聚焦粒子场分布与实际的3D粒子场分布之间的数据集。
3D U-Net神经网络模型的建立：
建立3D U-Net神经网络模型，图8为3D U-Net神经网络的网络结构参数及原理示意图，模型左侧为编码部分，包含四个解析步骤：每一层使用两个三维卷积层(3D-Conv)对输入的三维体数据进行特征提取，每个卷积后跟一个用于修正的线性单位(ReLu)，然后使用最大池化层(3D Maxpool)来缩小三维特征图的尺寸；右侧为解码部分，同样包含四个解析步骤：每一层使用两个三维反卷积(3D Up-Conv)来放大三维体的特征图，再通过级联操作获得更大的三维体特征图的范围，每个卷积后面跟着一个ReLu，然后使用卷积操作提取更有效的三维体特征，最后输出使用一个1×1×1的卷积层，Sigmoid函数作为激活函数。
将数据集喂入3D U-Net神经网络进行训练，从而获得粒子光场图像的3D重聚焦粒子场分布与实际的3D粒子场分布之间的映射模型并保存，该模型可用于单光场PIV实验中的光场图像的3D粒子场分布的重建。
以下以层流实验为例，利用单光场SA-PIV测量层流的3D-3C速度场分布：
图9为Raytrix R29光场相机拍摄所得的被测流场的粒子光场图像，图9(a)为t时刻的粒子光场图像，图9(b)为t+△t时刻的粒子光场图像。利用公式(1)-(4)将实验中采集到的粒子光场图像即图9(a)和图9(b)进行数字重聚焦计算，然后将计算所得的3D重聚焦粒子场分布代入事先训练好的3D U-Net神经网络模型，从而重建出被测流场中的3D粒子场分布，如图10(a)和图10(b)所示。
步骤四中，利用三维互相关技术计算3D粒子场分布的3D-3C速度场分布的方法，包括：
对重建所得的3D粒子场分布即如图10(a)和图10(b)所示中的E沿X轴Y轴Z轴分别以xsize,ysize,zsize的尺寸建立三维询问窗口，对每一个询问窗口进行三维互相关计算，其公式为：
Figure BDA0003286168780000091
式中，xsize,ysize,zsize为询问窗口分别在X,Y,Z轴上的尺寸；t为t时刻；Δt为时间间隔；t+Δt为t+Δt时刻；Et，Et+Δt分别为t时刻和t+Δt时刻的3D粒子场分布；σt,σΔ+t分别为t时刻和t+Δt时刻的询问窗口内的体素强度值的标准差；m′,n′,l′为询问窗口内的体素分别在X,Y,Z轴上的体素坐标；Δm′,Δn′,Δl′为Et+Δt相对于Et分别在X,Y,Z轴上平移的体素坐标，R为互相关系数；R(Δm′,Δn′,Δl′)为Et+Δt相对于Et分别在X,Y,Z轴上平移了Δm′,Δn′,Δl′后的互相关系数；式(5)的最大值对应的Δm′,Δn′,Δl′为询问窗口分别在X,Y,Z轴上的位移。
每一个询问窗口的速度为：
Figure BDA0003286168780000101
式中，vx、vy、vz为询问窗口在X,Y,Z轴上的速度。
利用公式(5)和(6)对图10的一对3D粒子场分布进行三维互相关计算和速度场分布计算，计算结果如图11所示，层流流动向X轴正方向移动，层流管道中区域[-5,5]mm的流速略大于靠近管道壁面的流速，这主要是由流体的粘性引起的，层流最大速度位于中心Z＝0mm处，约为0.038m/s。
本发明还提供一种合成孔径粒子图像测速装置，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现上述合成孔径粒子图像测速方法的步骤。

Claims (4)

1.一种基于单光场成像的合成孔径粒子图像测速方法，其特征在于，包括：
利用数字重聚焦技术结合高斯函数计算粒子光场图像在被测流场区域的三维重聚焦粒子场分布；
将三维重聚焦粒子场分布代入训练好的神经网络模型中，重建出三维重聚焦粒子场分布里实际的三维粒子场分布；
利用三维互相关技术计算三维粒子场分布的三维空间三个速度分量的速度场分布；
利用数字重聚焦技术结合高斯函数计算粒子光场图像中每个子图像下的每个像素在被测流场区域中的三维重聚焦粒子场分布为：
Figure FDA0003755386950000011
式中，a为第a行体素；b为第b列体素；c为第c层体素平面；Ia,b,c为像素视线重聚焦至第c层体素平面的第a行第b列的体素的成像强度；σ为表征高斯分布宽度的标准差；da,b为第a行第b列的体素中心与像素视线之间的距离；A为振幅；
体素中心与像素视线之间的距离da,b为：
Figure FDA0003755386950000012
式中，xa,b为第a行第b列的体素在X轴上的坐标；ya,b为第a行第b列的体素在Y轴上的坐标；xc、yc分别为与像素视线相交的体素在X轴、Y轴上的坐标；
将三维重聚焦粒子场分布代入训练好的神经网络模型中，重建出三维重聚焦粒子场分布里实际的三维粒子场分布的方法，包括：
建立数据集：
1)实际的三维粒子场分布的产生：在不同的浓度工况下随机产生P组不同的3D粒子场分布，记录并保存粒子的三维位置坐标(X,Y,Z)，其中P≥20；
2)输入数据的制作：根据粒子实际的三维位置(X,Y,Z)，利用前向光线追迹技术计算三维粒子场的光场图像，然后利用数字重聚焦技术结合高斯函数计算光场图像在被测流场中不同深度的体素平面上的重聚焦图像，获得粒子光场图像在被测流场区域的三维重聚焦粒子场分布，作为神经网络的输入数据；
3)输出数据的制作：将实际的三维粒子场分布作为神经网络中与输入数据相对应的输出数据；
神经网络模型的建立、训练及三维粒子场分布的重建：
搭建神经网络模型并设置网络参数，将数据集喂入神经网络进行训练，从而获得粒子光场图像的三维重聚焦粒子场分布与实际的三维粒子场分布之间的映射模型并保存；
将三维重聚焦粒子场分布带入训练好的神经网络模型，重建出实际的3D粒子场分布；
步骤四中，利用三维互相关技术计算流场的三维空间三个速度分量速度场分布的方法，包括：
对重建所得的三维粒子场分布E沿X轴Y轴Z轴分别以xsize,ysize,zsize的尺寸建立三维询问窗口，对每一个询问窗口进行三维互相关计算，其公式为：
Figure FDA0003755386950000021
式中，xsize,ysize,zsize为询问窗口分别在X,Y,Z轴上的尺寸；t为时刻；Δt为时间间隔；Et，Et+Δt分别为t时刻和t+Δt时刻的三维粒子场分布；σt,σΔ+t分别为t时刻和t+Δt时刻的询问窗口内的体素强度值的标准差；m′,n′,l′为询问窗口内的体素分别在X,Y,Z轴上的体素坐标；Δm′,Δn′,Δl′为Et+Δt相对于Et分别在X,Y,Z轴上平移的体素坐标，R为互相关系数；R(Δm′,Δn′,Δl′)为Et+Δt相对于Et分别在X,Y,Z轴上平移了Δm′,Δn′,Δl′后的互相关系数；R的最大值对应的Δm′,Δn′,Δl′为询问窗口分别在X,Y,Z轴上的位移；
每一个询问窗口的速度为：
Figure FDA0003755386950000022
式中，vx、vy、vz为询问窗口在X,Y,Z轴上的速度。
2.根据权利要求1所述的合成孔径粒子图像测速方法，其特征在于，神经网络模型为3DU-Net神经网络模型。
3.根据权利要求2所述的合成孔径粒子图像测速方法，其特征在于，3D U-Net神经网络模型包括编码部分和解码部分；编码部分包含四个解析步骤：每一层使用两个三维卷积层对输入的三维体数据进行特征提取，每个卷积后跟一个用于修正的线性单位，然后使用最大池化层来缩小三维特征图的尺寸；解码部分包含四个解析步骤：每一层使用两个三维反卷积来放大三维体的特征图，再通过级联操作获得更大的三维体特征图的范围，每个卷积后跟一个线性单位，然后使用卷积操作提取更有效的三维体特征，最后输出使用一个1×1×1的卷积层，Sigmoid函数作为激活函数。
4.一种合成孔径粒子图像测速装置，其特征在于，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现如权利要求1至3任一所述合成孔径粒子图像测速方法的步骤。
CN202111147939.7A 2021-09-29 2021-09-29 基于单光场成像的合成孔径粒子图像测速方法及装置 Active CN114062712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111147939.7A CN114062712B (zh) 2021-09-29 2021-09-29 基于单光场成像的合成孔径粒子图像测速方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111147939.7A CN114062712B (zh) 2021-09-29 2021-09-29 基于单光场成像的合成孔径粒子图像测速方法及装置

Publications (2)

Publication Number Publication Date
CN114062712A CN114062712A (zh) 2022-02-18
CN114062712B true CN114062712B (zh) 2022-09-06

Family

ID=80233807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111147939.7A Active CN114062712B (zh) 2021-09-29 2021-09-29 基于单光场成像的合成孔径粒子图像测速方法及装置

Country Status (1)

Country Link
CN (1) CN114062712B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5532814A (en) * 1994-06-20 1996-07-02 Cha; Soyoung S. Holographic diffraction image velocimetry for three-dimensional three-component particle fields or solid objects
CN1598594A (zh) * 2003-09-18 2005-03-23 拉维视有限公司 在空间中确定三维速度场的方法
JP2011017600A (ja) * 2009-07-08 2011-01-27 Honda Motor Co Ltd ３次元空間の粒子画像流速測定方法および粒子画像流速測定装置
CN102435770A (zh) * 2011-09-27 2012-05-02 北京航空航天大学 一种单相机三维体视粒子图像测速系统
CN104777329A (zh) * 2014-01-13 2015-07-15 北京航空航天大学 一种用于粒子图像测速三维粒子场重构的线性规划算法
JP2016099195A (ja) * 2014-11-20 2016-05-30 株式会社ジェイテクト 粒子画像流速測定方法および粒子画像流速測定装置
CN105807550A (zh) * 2016-03-02 2016-07-27 深圳大学 反演超高速成像方法
CN106153977A (zh) * 2016-06-21 2016-11-23 上海交通大学 一种基于单光场相机的三维流场测试方法
CN106296811A (zh) * 2016-08-17 2017-01-04 李思嘉 一种基于单光场相机的目标物三维重构方法
CN106908622A (zh) * 2017-03-15 2017-06-30 东南大学 一种基于光场成像的层析piv测量装置及方法
CN107478267A (zh) * 2017-07-11 2017-12-15 上海交通大学 基于光场相机的三维流场的温度场和速度场同步测试方法
CN107525945A (zh) * 2017-08-23 2017-12-29 南京理工大学 基于集成成像技术的3d‑3c粒子图像测速系统及方法
CN107561311A (zh) * 2017-07-11 2018-01-09 上海交通大学 基于双光场相机的三维流场测试方法
CN108362469A (zh) * 2018-01-16 2018-08-03 上海交通大学 基于压敏漆与光场相机的尺寸与表面压力测量方法与装置
CN109633199A (zh) * 2018-12-11 2019-04-16 天津大学 一种基于相关匹配的粒子聚焦两点像测速方法
CN109669049A (zh) * 2019-02-01 2019-04-23 浙江大学 一种基于卷积神经网络的粒子图像测速方法
CN109916531A (zh) * 2019-03-04 2019-06-21 东南大学 一种基于光场重聚焦的半透明火焰三维温度场测量方法
CN110187143A (zh) * 2019-05-28 2019-08-30 浙江大学 一种基于深度神经网络的层析piv重构方法和装置
CN111967288A (zh) * 2019-05-20 2020-11-20 万维数码智能有限公司 智能三维物体识别和定位系统和方法
CN113030510A (zh) * 2021-02-25 2021-06-25 太原理工大学 一种基于三色掩膜单彩色相机的三维流场测试方法及系统
CN113139989A (zh) * 2021-06-22 2021-07-20 浙江大学 一种基于深度学习的粒子图像测速方法与装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1172712A1 (en) * 2000-07-14 2002-01-16 Universite Libre De Bruxelles Method for measuring the velocity of particles in a fluid medium in motion
WO2006006250A1 (ja) * 2004-07-13 2006-01-19 The Tokyo Electric Power Company, Incorporated 流体流動計測システム、流体流動計測方法およびコンピュータプログラム
US20190137932A1 (en) * 2016-05-25 2019-05-09 The Regents Of The University Of California Wide-field imaging of birefringent crystals and other materials using lens-free polarized microscope

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5532814A (en) * 1994-06-20 1996-07-02 Cha; Soyoung S. Holographic diffraction image velocimetry for three-dimensional three-component particle fields or solid objects
CN1598594A (zh) * 2003-09-18 2005-03-23 拉维视有限公司 在空间中确定三维速度场的方法
JP2011017600A (ja) * 2009-07-08 2011-01-27 Honda Motor Co Ltd ３次元空間の粒子画像流速測定方法および粒子画像流速測定装置
CN102435770A (zh) * 2011-09-27 2012-05-02 北京航空航天大学 一种单相机三维体视粒子图像测速系统
CN104777329A (zh) * 2014-01-13 2015-07-15 北京航空航天大学 一种用于粒子图像测速三维粒子场重构的线性规划算法
JP2016099195A (ja) * 2014-11-20 2016-05-30 株式会社ジェイテクト 粒子画像流速測定方法および粒子画像流速測定装置
CN105807550A (zh) * 2016-03-02 2016-07-27 深圳大学 反演超高速成像方法
CN106153977A (zh) * 2016-06-21 2016-11-23 上海交通大学 一种基于单光场相机的三维流场测试方法
CN106296811A (zh) * 2016-08-17 2017-01-04 李思嘉 一种基于单光场相机的目标物三维重构方法
CN106908622A (zh) * 2017-03-15 2017-06-30 东南大学 一种基于光场成像的层析piv测量装置及方法
CN107478267A (zh) * 2017-07-11 2017-12-15 上海交通大学 基于光场相机的三维流场的温度场和速度场同步测试方法
CN107561311A (zh) * 2017-07-11 2018-01-09 上海交通大学 基于双光场相机的三维流场测试方法
CN107525945A (zh) * 2017-08-23 2017-12-29 南京理工大学 基于集成成像技术的3d‑3c粒子图像测速系统及方法
CN108362469A (zh) * 2018-01-16 2018-08-03 上海交通大学 基于压敏漆与光场相机的尺寸与表面压力测量方法与装置
CN109633199A (zh) * 2018-12-11 2019-04-16 天津大学 一种基于相关匹配的粒子聚焦两点像测速方法
CN109669049A (zh) * 2019-02-01 2019-04-23 浙江大学 一种基于卷积神经网络的粒子图像测速方法
CN109916531A (zh) * 2019-03-04 2019-06-21 东南大学 一种基于光场重聚焦的半透明火焰三维温度场测量方法
CN111967288A (zh) * 2019-05-20 2020-11-20 万维数码智能有限公司 智能三维物体识别和定位系统和方法
CN110187143A (zh) * 2019-05-28 2019-08-30 浙江大学 一种基于深度神经网络的层析piv重构方法和装置
CN113030510A (zh) * 2021-02-25 2021-06-25 太原理工大学 一种基于三色掩膜单彩色相机的三维流场测试方法及系统
CN113139989A (zh) * 2021-06-22 2021-07-20 浙江大学 一种基于深度学习的粒子图像测速方法与装置

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
《A Microparticle Image Velocimetry Based on Light Field Imaging》;Xianglei Song;《IEEE Sensors Journal》;20190608;全文 *
《Characteristics of tomographic reconstruction of light-field Tomo-PIV》;Lixia Cao;《Optics Communications》;20190312;全文 *
《Optical Sectioning Tomographic Reconstruction of Three-Dimensional Flame Temperature Distribution Using Single Light Field Camera》;Wenchao Zhao;《IEEE Sensors Journal》;20171113;全文 *
《Parameters optimization of light field micro-particle image velocimetry》;Xianglei Song;《Optics Communications》;20200622;全文 *
《Simultaneous 3D-PIV and temperature measurements using a new CCD-based holographic interferometer》;B. Skarman;《Flow Measurement and Instrumentation》;19960331;全文 *
《光场成像系统仿真分析与深度标定研究》;于成帅;《上海理工大学学报》;20210215;全文 *
《基于光场成像的气液两相流中气泡三维测量方法研究》;李庆浩;《中国优秀硕士学位论文全文数据库基础科学辑》;20200615;全文 *
王晨.《 颗粒粒径分布测量反演算法的改进》.《光学学报》.2019, *

Also Published As

Publication number Publication date
CN114062712A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Liu et al. Comparison between optical flow and cross-correlation methods for extraction of velocity fields from particle images
Fahringer et al. Volumetric particle image velocimetry with a single plenoptic camera
CN109669049B (zh) 一种基于卷积神经网络的粒子图像测速方法
Novara et al. Motion tracking-enhanced MART for tomographic PIV
Fahringer et al. Tomographic reconstruction of a 3-D flow field using a plenoptic camera
Adamczyk et al. 2-Dimensional particle tracking velocimetry (PTV): technique and image processing algorithms
US5905568A (en) Stereo imaging velocimetry
Schröder et al. Advances of PIV and 4D-PTV” Shake-The-Box” for turbulent flow analysis–the flow over periodic hills
CN110187143B (zh) 一种基于深度神经网络的层析piv重构方法和装置
Xue et al. Three-dimensional feature parameters measurement of bubbles in gas–liquid two-phase flow based on virtual stereo vision
CN106908622A (zh) 一种基于光场成像的层析piv测量装置及方法
CN106153977A (zh) 一种基于单光场相机的三维流场测试方法
CN107478267A (zh) 基于光场相机的三维流场的温度场和速度场同步测试方法
Ren et al. Complex surface reconstruction based on fusion of surface normals and sparse depth measurement
Thurow et al. Recent development of volumetric PIV with a plenoptic camera
CN114396877B (zh) 面向材料力学性能的智能三维位移场及应变场测量方法
CN114062712B (zh) 基于单光场成像的合成孔径粒子图像测速方法及装置
Qadri et al. Aoneus: A neural rendering framework for acoustic-optical sensor fusion
Fahringer et al. 3d particle position reconstruction accuracy in plenoptic piv
Lynch et al. Preliminary development of a 3-D, 3-C PIV technique using light field imaging
CN116070550B (zh) 一种改进的基于时间解析piv的重构流场压力场方法
Fu et al. A single-camera, 3D scanning velocimetry system for quantifying active particle aggregations
Fahringer et al. Comparing volumetric reconstruction algorithms for plenoptic-PIV
Elrefaie et al. Real-time and on-site aerodynamics using stereoscopic piv and deep optical flow learning
Zhang et al. Research on Binocular Stereo Vision Ranging Based on Improved YOLOv5s

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