基于深度学习的粒子图像测速算法研究及应用

《基于深度学习的粒子图像测速算法研究及应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学号D201277124学校代码10487密级博士学位论文基于深度学习的粒子图像测速算法研究及应用学位申请人:李勇学科专业:机械电子工程指导老师:熊有伦教授杨华副教授答辩日期:2018年01月28日ADissertationSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofDoctorofPhilosophyinEngineeringDeepLearningBasedParticleImageVelocimetryTechnolo

2、gyandItsApplicationCandidate:LiYongMajor:MechatronicEngineeringSupervisor:Prof.XiongYoulunAssoc.Prof.YangHuaHuazhongUniversityofScienceandTechnologyWuhan，Hubei430074，P.R.China独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研宄工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或

3、集体已经发表或撰写过的研宄成果。对本文的研究做出贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：Ｉｉ曰期：多年以月斗曰学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定ｇ：，卩学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

4、保密□，在密后适用本授权书。年解本论文属于不保密０。“”（请在以上方框内打ｖ）｜学位论文作者签名：Ｈ指导教师签名：ｉ＆２曰期：＞緣年月續曰曰期年４月〇曰／华中科技大学博士学位论文摘要粒子图像测速技术(ParticleImageVelocimetry,PIV)是流体运动速度场非接触定量测量的主要手段，通过对流动速度场的精确测量，呈现流动现象和揭示流动规律，广泛应用于实验流体力学研究和流体工业的研发、设计等领域。在实际PIV测量中，传统的互相关算法和光流守恒算法在复杂湍流

5、结构流场测量中具有下列缺点：真实自然流动是复杂非线性的，传统的PIV分析方法(互相关)采用的均匀移动线性假设，光流方法中的光流守恒假设没有对噪声信号进行系统建模，对实际测量的PIV图像噪声敏感。本论文结合深度学习方法，提出了基于级联深度卷积神经网络的速度场回归估计算法和速度梯度张量场回归算法，取代传统互相关方法和光流算法的简单假设。针对PIV测量结果中存在异常值问题，基于空间自适应混合模型，利用贝叶斯理论提出了一种异常值检测替换算法，提升检测准确性和重构精度。最后，将所提出的算法集成到PIV测量仪器设备的

6、软件平台DeepPIV中，并应用到实际测量场景。主要研究工作和创新性成果概括为以下几个方面：1、提出了基于深度卷积神经网络(DeepConvolutionalNeuralNetworks,DCNN)的PIV速度场预测算法PIV-DCNN，将速度场估计问题定义为基于神经网络的回归问题，利用非线性DCNN模型取代互相关算法的均匀移动假设和光流算法中的光流守恒假设，基于PIV训练数据的非线性DCNN模型更加适合复杂流动的PIV测量。本文提出的PIV-DCNN算法采用四层深度卷积神经回归网络，从百万训练数据(仿真

7、数据和真实数据)中学习每层的速度场估计模型，PIV-DCNN的四层结构级联多个DCNN模型，实现由粗到精的速度场估计。实验表明PIV-DCNN速度场估计算法能够精确提取小尺度结构流动的速度信息，可精确感知的最小涡结构尺寸为20pixel，测量精度指标可达到0.02pixel，能够容忍最大噪声强度为0.05。PIV-DCNN较传统速度场估计算法具有较高的测量精度，更小的空间分辨率等优势。2、提出了深度卷积神经网络回归速度梯度场算法(GradientTensorNetwork,GTnet)，直接从粒子图像块映

8、射到速度梯度张量(??/??,GradientTensor)，回避了传统方法对测量速度直接差分操作带来的速度累积误差及差分近似带来的误差问题。速度梯度是流体在局部位置运动的一种数学描述，局部图像块就蕴含了速度梯度的足够信息，故采用卷积神经网络对预对齐的粒子图像块进行速度微分梯度张量进行回归预测(速度不参与速度梯度的求取)，避免了速度测量噪声在差分操作中对速度微分张量的误差放大传递。实验结果表明GTnet的精度稳定在0.002附