CN117541640B - 叶栅试验油流图气动流场均匀性的判别方法、设备及介质 - Google Patents

叶栅试验油流图气动流场均匀性的判别方法、设备及介质 Download PDF

Info

Publication number
CN117541640B
CN117541640B CN202410027933.3A CN202410027933A CN117541640B CN 117541640 B CN117541640 B CN 117541640B CN 202410027933 A CN202410027933 A CN 202410027933A CN 117541640 B CN117541640 B CN 117541640B
Authority
CN
China
Prior art keywords
oil flow
area
uniformity
cascade
flow field
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
CN202410027933.3A
Other languages
English (en)
Other versions
CN117541640A (zh
Inventor
杨春明
魏明治
刘林
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.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202410027933.3A priority Critical patent/CN117541640B/zh
Publication of CN117541640A publication Critical patent/CN117541640A/zh
Application granted granted Critical
Publication of CN117541640B publication Critical patent/CN117541640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M9/08—Aerodynamic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了叶栅试验油流图气动流场均匀性的判别方法、设备及介质，包括S1：采集叶栅风洞试验中产生的油流图，并基于拍摄角度对油流图片进行分类存储；S2：对采集的油流图进行图像处理；S3：对图像处理后的油流图进行标注，生成对应的JSON格式标注文件；S4：基于FPN模型框架构建自动分割模型，并训练进风口区域与出风口区域的自动分割模型；S5：从叶栅风动试验中获取新的油流图，并输入至训练好的自动分割模型中进行气动流场均匀性识别。本发明通过网络模型对油流图像进行区域实例分割，利用色值占比获取区域面积，实现了对多个叶栅单元分离区是否一致的精确快速判断，提高了气动流场均匀性识别的效率。

Description

叶栅试验油流图气动流场均匀性的判别方法、设备及介质
技术领域
本发明涉及图像处理技术领域，特别涉及一种叶栅试验油流图气动流场均匀性的判别方法、设备及介质。
背景技术
在发动机叶珊风洞试验中，对于生成的油流图而言，目前大多依靠技术人员经验，通过叶栅油流图像，观察叶片表面、栅板油流图像的一致性，关注流线方向、漩涡、分离区等是否一致来进行判别试验效果。
随着航空航天的发展，针对其航空发动机叶栅的试验随即增多。依靠人工识别的方法，给大规模试验数据进行识别费时费力且代价昂贵。同时也容易因为技术人员自身原因对试验数据进行误判，而造成对试验资源的浪费。
另一方面，对于人工识别而言，难以对图像中的不规则的区域进行量化分析，当需要进行面积占比和图像边缘弧度测量时，技术人员难以操作，负担较重。
发明内容
为解决上述问题，本发明提供了一种叶栅试验油流图气动流场均匀性的判别方法，具体技术方案如下：
S1：采集叶栅风洞试验中产生的油流图，并基于拍摄角度对油流图片进行分类存储；
S2：对采集的油流图进行图像处理；
S3：对图像处理后的油流图进行标注，生成对应的JSON格式标注文件；
S4：基于FPN模型框架构建自动分割模型，并训练进风口区域与出风口区域的自动分割模型；
S5：从叶栅风动试验中获取新的油流图，并输入至训练好的自动分割模型中进行气动流场均匀性识别。
进一步的，步骤S2中，所述图像处理，包括对所述油流图进行色彩转换，并裁剪为预设的图像大小。
进一步的，步骤S3中，标注每个油流图像中的进口气流流场区域与出口气流流场区域，标注时使得标注边缘贴合流场区域边缘。
进一步的，步骤S3中，在生成对应的JSON格式文件后，还包括基于YOLACT算法所需的数据分割格式，将生成的JSON文件转换为TXT文件。
进一步的，步骤S4中，所述自动分割模型包括原型生成分支以及mask系数分支；通过原型生成分支以及mask系数分支的线性组合为系数，通过一个sigmoid非线性来产生最终的实例，具体表示如下：
其中，M为产生的最终实例，表示系数，P表示mask系数分支的hwk矩阵，C表示在NMS和分数阈值中存在的n个实例的mask系数的一个n*k矩阵，/>为矩阵C的转置矩阵。
进一步的，步骤S4中，采用分类损失，box回归损失/>和mask损失/>，训练所述自动分割模型；
所述mask损失，计算如下：
其中，表示每个样本中的每个像素相关联的权重值，使用/>来调整损失函数以更关注目标的位置，/>表示训练样本的真实值，BCE表示BCE损失函数。
BCE全称为Binary Cross Entropy，是一种二元交叉熵损失函数，多用于二分类。
进一步的，步骤S5中，所述气动流场均匀性识别的具体过程如下：
将获取得新的油流图，根据进风口区域和出风口区域，生成纯色图；
确定单个叶栅单元在图像中的面积；
分别计算单个叶栅单元进口气流流场区域和出口气流流场区域在图像中的面积，并分组计算出平均值与标准差；
基于平均值和标准差，判定各组数据对应的叶栅气动流畅的均匀性。
进一步的，计算叶栅单元中各区域在图像中的面积，具体过程如下：
S501：将图像数据使用open-cv2库进行读入；
S502：根据进口气流流场区域和出口气流流场区域在图中对应划分的不同颜色，利用区域颜色在open-cv2库中色值数进行区域判定；
S503：利用循环遍历图像的像素值，通过判断像素中RGB值的方法，获取红色和绿色所有区域的上下左右四个顶点坐标，基于上、下点的纵坐标值与左、右点的横坐标值，构建出一个叶栅单元区域，该区域以叶栅栅距为宽，列线为长所围成的矩形，计算该矩形面积，即为单个叶栅单元在图像中的面积；
S504：根据匹配区域划分颜色的色值，基于不同颜色在单个叶栅区域的像素点个数，得到对应气流流场的面积。
本发明还提供了一种叶栅试验油流图气动流场均匀性的判别设备，所述叶栅试验油流图气动流场均匀性的判别设备包括：存储器、处理器及存储在所述存储器上，并可在所述处理器上运行的叶栅试验油流图气动流场均匀性的判别程序，所述叶栅试验油流图气动流场均匀性的判别程序被所述处理器执行时实现上述所述的叶栅试验油流图气动流场均匀性的判别方法的步骤。
本发明还提供了一种计算机存储介质，所述存储介质上存储有叶栅试验油流图气动流场均匀性的判别程序，所述叶栅试验油流图气动流场均匀性的判别程序被处理器执行时实现上述所述的叶栅试验油流图气动流场均匀性的判别方法的步骤。
本发明的有益效果如下：
本发明通过机器学习对试验数据进行区域实例分割，降低了人工依赖，操作简便、省时；基于色值采用区域面积占比判断，获取进口气流流场区域和出口气流流场区域在单个叶栅中的区域面积，实现了对多个叶栅单元分离区是否一致的精确快速判断，提高了气动流场均匀性识别的效率。
附图说明
图1是本发明的方法整体流程示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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。
在本发明实施例的描述中，需要说明的是，指示方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明的实施例1公开了一种叶栅试验油流图气动流场均匀性的判别方法，如图1所示，具体步骤流程如下：
S1：采集叶栅风洞试验中产生的油流图，并基于拍摄角度对油流图片进行分类存储；
在实际中，采集的叶栅风洞试验中产生的油流图，需要图片特征包括：油流图完整拍摄进/出气区域，图像清晰完整。
具体的，将采集的油流图，可根据拍摄角度可分为叶片油流图与栅板油流图，将其分别存储叶片油流图和栅板油流图的文件夹中；所有文件需在完全解压状态下。
S2：对采集的油流图进行图像处理；
在实际中，可根据实际需要，修改油流图的图像类型，例如，将文件扩展名不是PNG的图像文件，改为PNG格式，便于图像处理。
本实施例中，所述图像处理包括对所述油流图进行色彩转换，并裁剪为预设的图像大小。
具体的，在实际中，可将油流图色彩表示转为HSV，并统一裁剪为512px*512px大小；
S3：对图像处理后的油流图进行标注，生成对应的JSON格式标注文件。
具体的，在本实施例中，采用LABLEME图像标注工具，基于实际的出气口区域与进气口区域对每个油流图像进行标注，主要区分出进口气流流场区域与出口气流流场区域；
标注时使得标注边缘贴合流场区域边缘；
标注完成后采用LABLEME标注软件，生成带有标注区域数据与其对应标注类别的JSON格式文件；
再按照YOLACT算法所需数据分割的格式，将生成的JSON文件转换为相应的TXT文件。
S4：基于FPN（Feature Pyramid Networks）模型框架构建自动分割模型，并训练进风口区域与出风口区域的自动分割模型。
所述自动分割模型，以FPN为基本框架构建，将每个试验的图片和其对应标注生成的标注信息文件看成一个样本；
FPN算法生成两个分支，原型生成分支以及mask系数分支；
其中第一个分支，即原型生成分支，使用FCN生成一种图像大小的“原型掩膜”，它们并不依赖于任何一个实例；
第二个分支，即mask系数分支，添加了一个额外的头（head）来预测每个锚的“mask系数”向量，这些锚在原型（prototype）空间中编码了一个实例的存在，最后对于每个存在于NMS的实例，使用线性组合这两个分支的工作，来为该实例构造一个mask。
原型生成分支（protonet）为整个图像预测一组32个原型掩膜；将protonet实现为一个FCN，它的最后一层有k个通道（每个prototype都有一个通道），并将其连接到一个骨干特征层；
将原型生成分支和mask系数分支的工作结合起来，使用前者和后者的线性组合作为系数；然后通过一个sigmoid非线性来产生最终的mask实例。
本实施例中，通过使用单个矩阵乘法和sigmoid实现这些操作,其计算公式为：
其中，M表示产生的最终实例，表示系数，P表示mask系数分支的hwk矩阵，C表示在NMS和分数阈值中存在的n个实例的mask系数的一个n*k矩阵，/>为矩阵C的转置矩阵。
本实施例中，采用三种损失来训练模型，分别为：分类损失，box回归损失/>和Mask损失/>；
具体的，其权重分别为1，1.5和6.125。
其中，和/>的定义与SSD（Single Shot MultiBox Detector，目标检测模型）中一样；
为了计算mask损失，在组装好的模型生成的掩码矩阵和专家手动标注的真实目标的精确区域掩码之间进行像素级的二元交叉熵计算，计算公式如下：
其中，表示每个样本中的每个像素相关联的权重值，使用/>来调整损失函数以更关注目标的位置；BCE即为BCE损失函数，全称为Binary Cross Entropy，是一种二元交叉熵损失函数，多用于二分类；该式计算的是mask损失，是对模型进行评估的步骤，由于是采用BCE函数进行评估，将组装好的模型生成的掩码矩阵，即模型输出的最终实例M作为模型网络输出的预测值，将专家手动标注的真实目标的精确区域掩码/>作为训练样本的真实值。
使用预测的bounding box（边界框）裁剪出最终的mask；
具体的，在训练中使用专家手动构建的物体检测模型的真实目标边界框（GroundTruth Bounding Box），将除以Ground Truth Bounding Box区域来保留原型中的小目标。
S5：从叶栅风动试验中获取新的油流图，采用训练后得到的pth模型文件，对新试验数据进行实例分割与分析操作，进行气动流场均匀性识别。
具体过程如下：
首先，模型训练完成后，保存训练后得到的pth模型文件。
具体的，将需要分析的图片存放在同一文件夹下；
利用Python的os标准库模块遍历每个试验文件内的文件，根据其文件名后缀和大小，将后缀不为PNG和大小为0KB的文件进行排除；
使用保存的模型对试验图片进行实例分割。
之后，获取试验生成的新的油流图像，根据进风口区域和出风口区域，生成标注后的纯色图。
确定单个叶栅单元在图像中的面积。
本实施例中，计算叶栅单元中各区域在图像中的面积，具体过程如下：
将图像数据使用open-cv2库进行读入；
根据进口气流流场区域和出口气流流场区域在图中对应划分的不同颜色，利用区域颜色在open-cv2库中色值数进行区域判定；
具体的，本实施例中，以区域划分颜色为红色为进口气流流场，绿色为出口气流流场为例进行说明；根据其在open-cv2库中色值数进行判定，红色为[0,128,0]以及绿色为[0,0,128]。
利用循环遍历图像的像素值，通过判断像素中RGB值的方法，获取红色和绿色所有区域的上下左右四个顶点坐标，基于上、下点的纵坐标值与左、右点的横坐标值，构建出一个叶栅单元区域，该区域以叶栅栅距为宽，列线为长所围成的矩形，计算该矩形面积，即为单个叶栅单元在图像中的面积；：
其中，S为单个叶栅单元在图像中的面积，、/>、/>、/>分别为区域的上下左右四个顶点对应取值。
再之后，根据单个叶栅单元的面积，计算单个叶栅单元进口气流流场区域和出口气流流场区域在图像中的面积，并分组计算出平均值与标准差；
本实施例中，根据匹配区域划分颜色的色值，基于不同颜色在单个叶栅区域的像素点个数，即可得到对应气流流场的面积。
最后，基于平均值和标准差，判定各组数据对应的叶栅气动流畅的均匀性；若任意一组数据中，有数值超过该组的平均值加标准差时，则认为该套叶栅气动流场均匀，反之则说明不均匀。
实施例2
本发明的实施例2公开了一种叶栅试验油流图气动流场均匀性的判别设备，具体的，设备可以是用于执行叶栅试验油流图气动流场均匀性的判别方法的移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(UserEquipment，UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station，MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常，设备包括：至少一个处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的叶栅试验油流图气动流场均匀性的判别程序，所述叶栅试验油流图气动流场均匀性的判别程序配置为实现如上述实施例1所述的叶栅试验油流图气动流场均匀性的判别方法的步骤。
处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－ProgrammableGate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关叶栅试验油流图气动流场均匀性的判别程序的计算操作，使得叶栅试验油流图气动流场均匀性的判别方法可以自主训练学习，提高效率和准确度。
存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现上述实施例1中所述的叶栅试验油流图气动流场均匀性的判别方法。
在一些实施例中，终端还可选包括有：通信接口和至少一个外围设备。处理器、存储器和通信接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口相连。具体地，外围设备包括：射频电路、显示屏和电源中的至少一种。
通信接口可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器和存储器。通信接口通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中，处理器、存储器和通信接口被集成在同一芯片或电路板上；在一些其他实施例中，处理器、存储器和通信接口中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路通过电磁信号与通信网络以及其他通信设备进行通信，从而可获取多个移动终端的移动轨迹以及其他数据。射频电路将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏是触摸显示屏时，显示屏还具有采集在显示屏的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器进行处理。此时，显示屏还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏可以为一个，电子设备的前面板；在另一些实施例中，显示屏可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏还可以设置成非矩形的不规则图形，也即异形屏。显示屏可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源用于为电子设备中的各个组件进行供电。电源可以是交流电、直流电、一次性电池或可充电电池。当电源包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
实施例3
本发明的实施例3公开了一种计算机存储介质，所述存储介质上存储有叶栅试验油流图气动流场均匀性的判别程序，所述叶栅试验油流图气动流场均匀性的判别程序被处理器执行时实现上述实施例1所述的叶栅试验油流图气动流场均匀性的判别方法的步骤。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (8)

1.一种叶栅试验油流图气动流场均匀性的判别方法，其特征在于，包括：
S1：采集叶栅风洞试验中产生的油流图，并基于拍摄角度对油流图片进行分类存储；
S2：对采集的油流图进行图像处理；
S3：对图像处理后的油流图进行标注，生成对应的JSON格式标注文件；
S4：基于FPN模型框架构建自动分割模型，并训练进风口区域与出风口区域的自动分割模型；
S5：从叶栅风动试验中获取新的油流图，并输入至训练好的自动分割模型中进行气动流场均匀性识别，具体过程如下：
将获取得新的油流图，根据进风口区域和出风口区域，生成纯色图；
确定单个叶栅单元在图像中的面积；
分别计算单个叶栅单元进口气流流场区域和出口气流流场区域在图像中的面积，并分组计算出平均值与标准差；
基于平均值和标准差，判定各组数据对应的叶栅气动流畅的均匀性；
计算叶栅单元中各区域在图像中的面积，具体过程如下：
S501：将图像数据使用open-cv2库进行读入；
S502：根据进口气流流场区域和出口气流流场区域在图中对应划分的不同颜色，利用区域颜色在open-cv2库中色值数进行区域判定；
S503：利用循环遍历图像的像素值，通过判断像素中RGB值的方法，获取红色和绿色所有区域的上下左右四个顶点坐标，基于上、下点的纵坐标值与左、右点的横坐标值，构建出一个叶栅单元区域，该区域以叶栅栅距为宽，列线为长所围成的矩形，计算该矩形面积，即为单个叶栅单元在图像中的面积；
S504：根据匹配区域划分颜色的色值，基于不同颜色在单个叶栅区域的像素点个数，得到对应气流流场的面积。
2.根据权利要求1所述的叶栅试验油流图气动流场均匀性的判别方法，其特征在于，步骤S2中，所述图像处理，包括对所述油流图进行色彩转换，并裁剪为预设的图像大小。
3.根据权利要求1所述的叶栅试验油流图气动流场均匀性的判别方法，其特征在于，步骤S3中，标注每个油流图像中的进口气流流场区域与出口气流流场区域，标注时使得标注边缘贴合流场区域边缘。
4.根据权利要求2所述的叶栅试验油流图气动流场均匀性的判别方法，其特征在于，步骤S3中，在生成对应的JSON格式文件后，还包括基于YOLACT算法所需的数据分割格式，将生成的JSON文件转换为TXT文件。
5.根据权利要求1所述的叶栅试验油流图气动流场均匀性的判别方法，其特征在于，步骤S4中，所述自动分割模型包括原型生成分支以及mask系数分支；通过原型生成分支以及mask系数分支的线性组合为系数，通过一个sigmoid非线性来产生最终的实例，具体表示如下：
M＝σ(PCT)
其中，M表示产生的最终实例，σ表示系数，P表示mask系数分支的hwk矩阵，C表示在NMS和分数阈值中存在的n个实例的mask系数的一个n*k矩阵。
6.根据权利要求5所述的叶栅试验油流图气动流场均匀性的判别方法，其特征在于，步骤S4中，采用分类损失Lcls，box回归损失Lbox和mask损失Lmask，训练所述自动分割模型；
所述mask损失，计算如下：
Lmask＝BCE(M,Mgt)
其中，Lmask表示每个样本中的每个像素相关联的权重值，使用Lmask来调整损失函数以更关注目标的位置，Mgt表示训练样本的真实值，BCE表示BCE损失函数。
7.一种叶栅试验油流图气动流场均匀性的判别设备，其特征在于，所述叶栅试验油流图气动流场均匀性的判别设备包括：存储器、处理器及存储在所述存储器上，并可在所述处理器上运行的叶栅试验油流图气动流场均匀性的判别程序，所述叶栅试验油流图气动流场均匀性的判别程序被所述处理器执行时实现如权利要求1-6任一所述的叶栅试验油流图气动流场均匀性的判别方法的步骤。
8.一种计算机存储介质，其特征在于，所述存储介质上存储有叶栅试验油流图气动流场均匀性的判别程序，所述叶栅试验油流图气动流场均匀性的判别程序被处理器执行时实现如权利要求1-6任一所述的叶栅试验油流图气动流场均匀性的判别方法的步骤。
CN202410027933.3A 2024-01-09 2024-01-09 叶栅试验油流图气动流场均匀性的判别方法、设备及介质 Active CN117541640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410027933.3A CN117541640B (zh) 2024-01-09 2024-01-09 叶栅试验油流图气动流场均匀性的判别方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410027933.3A CN117541640B (zh) 2024-01-09 2024-01-09 叶栅试验油流图气动流场均匀性的判别方法、设备及介质

Publications (2)

Publication Number Publication Date
CN117541640A CN117541640A (zh) 2024-02-09
CN117541640B true CN117541640B (zh) 2024-04-02

Family

ID=89790348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410027933.3A Active CN117541640B (zh) 2024-01-09 2024-01-09 叶栅试验油流图气动流场均匀性的判别方法、设备及介质

Country Status (1)

Country Link
CN (1) CN117541640B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143087A (zh) * 2014-07-24 2014-11-12 苏州大学 基于sd-oct的挫伤性视网膜内外节缺失检测方法
CN112581443A (zh) * 2020-12-14 2021-03-30 北京华能新锐控制技术有限公司 一种风力发电机叶片表面损伤轻量化识别方法
CN113188748A (zh) * 2021-04-30 2021-07-30 中国空气动力研究与发展中心空天技术研究所 一种超声速平面叶栅流场启动及均匀性调节装置
CN113719857A (zh) * 2021-09-10 2021-11-30 中国航发湖南动力机械研究所 一种燃油雾化装置及其应用
CN113758670A (zh) * 2021-09-10 2021-12-07 中国民航大学 一种抽吸与导流尾板相结合的平面叶栅流场品质改善系统
WO2022077605A1 (zh) * 2020-10-15 2022-04-21 青岛理工大学 一种风力机叶片图像损伤检测和定位方法
CN114841947A (zh) * 2022-04-27 2022-08-02 广东省人民医院 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置
CN114908814A (zh) * 2022-04-15 2022-08-16 中交四航工程研究院有限公司 一种水泥土搅拌桩搅拌室内均匀性评价方法
CN115470359A (zh) * 2022-08-31 2022-12-13 西南科技大学 一种自动构建试验标准知识图谱的方法
CN116296418A (zh) * 2022-08-18 2023-06-23 中国航空工业集团公司北京长城计量测试技术研究所 基于分布式截面的大空间流场特征参数测试方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143087A (zh) * 2014-07-24 2014-11-12 苏州大学 基于sd-oct的挫伤性视网膜内外节缺失检测方法
WO2022077605A1 (zh) * 2020-10-15 2022-04-21 青岛理工大学 一种风力机叶片图像损伤检测和定位方法
CN112581443A (zh) * 2020-12-14 2021-03-30 北京华能新锐控制技术有限公司 一种风力发电机叶片表面损伤轻量化识别方法
CN113188748A (zh) * 2021-04-30 2021-07-30 中国空气动力研究与发展中心空天技术研究所 一种超声速平面叶栅流场启动及均匀性调节装置
CN113719857A (zh) * 2021-09-10 2021-11-30 中国航发湖南动力机械研究所 一种燃油雾化装置及其应用
CN113758670A (zh) * 2021-09-10 2021-12-07 中国民航大学 一种抽吸与导流尾板相结合的平面叶栅流场品质改善系统
WO2023035576A1 (zh) * 2021-09-10 2023-03-16 中国民航大学 一种抽吸与导流尾板相结合的平面叶栅流场品质改善系统
CN114908814A (zh) * 2022-04-15 2022-08-16 中交四航工程研究院有限公司 一种水泥土搅拌桩搅拌室内均匀性评价方法
CN114841947A (zh) * 2022-04-27 2022-08-02 广东省人民医院 肺腺癌h&e染色病理图像肿瘤区域多尺度特征提取与预后分析方法、装置
CN116296418A (zh) * 2022-08-18 2023-06-23 中国航空工业集团公司北京长城计量测试技术研究所 基于分布式截面的大空间流场特征参数测试方法
CN115470359A (zh) * 2022-08-31 2022-12-13 西南科技大学 一种自动构建试验标准知识图谱的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Cascade saliency attention network for object detection in remote sensing images;Yu D等;《2020 25th International Conference on Pattern Recognition (ICPR)》;20211231;217-223 *
Plane Cascade Aerodynamic Performance Prediction Based on Metric Learning for Multi-Output Gaussian Process Regression;Liu L等;《Symmetry》;20230930;第15卷(第9期);1-15 *
喷管安装偏差对叶栅试验器风洞出口流场均匀性影响分析;陈英涛等;《科技创新与应用》;20180128(第8期);13-15+17 *
水平井定向射孔裂缝起裂与穿层特征数值分析;唐春安等;《石油与天然气地质》;20151231;第36卷(第3期);504-509 *
超音速压气机叶栅试验方法研究;卢牛;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20140615(第6期);C029-502 *

Also Published As

Publication number Publication date
CN117541640A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
US11983881B2 (en) AI-based image region recognition method and apparatus and AI-based model training method and apparatus
CN109919014B (zh) Ocr识别方法及其电子设备
CN112162930B (zh) 一种控件识别的方法、相关装置、设备及存储介质
CN110276344A (zh) 一种图像分割的方法、图像识别的方法以及相关装置
CN109117760B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
CN111291629A (zh) 图像中文本的识别方法、装置、计算机设备及计算机存储介质
CN106156711B (zh) 文本行的定位方法及装置
CN105893925A (zh) 基于肤色的人手检测方法及装置
EP3876201B1 (en) Object detection and candidate filtering system
CN112580643A (zh) 一种基于深度学习的车牌识别方法、装置及存储介质
CN109086763B (zh) 一种指针式仪表读取方法及装置
CN115546630A (zh) 基于遥感影像特征目标检测的工地提取方法和系统
CN115372877B (zh) 基于无人机的变电站的避雷器泄露电流表计巡检方法
CN110866900A (zh) 水体颜色识别方法及装置
CN111209958A (zh) 基于深度学习的变电站设备检测方法及装置
CN108303237B (zh) 一种终端屏幕检测的方法、检测装置以及存储介质
CN111245103A (zh) 一种基于神经计算棒的电网变压器铭牌的显示和存储系统
CN112308143A (zh) 一种基于多样性的样本筛选方法、系统、设备及介质
CN112926621A (zh) 数据标注方法、装置、电子设备及存储介质
CN113870196B (zh) 一种基于锚点切图的图像处理方法、装置、设备和介质
CN113947613B (zh) 目标区域检测方法、装置、设备及存储介质
EP3913533A2 (en) Method and apparatus of processing image device and medium
US9202130B2 (en) Image processing apparatus and image processing method
CN117541640B (zh) 叶栅试验油流图气动流场均匀性的判别方法、设备及介质

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