申请/专利权人：浙江大学

申请日：2024-03-26

公开（公告）日：2024-06-11

公开（公告）号：CN117952173B

主分类号：G06N3/08

分类号：G06N3/08;G06V10/82;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明公开了一种深度学习模型训练的PIV及速度场数据集构建方法及装置。方法是先生成先验已知区域和先验已知速度场，再生成标签速度场和先验已知标记，接着根据标签速度场生成粒子图像，最后生成噪音并加入粒子图像，获得扩充后的粒子图像，进而输出样本加入到PIV粒子图像及速度场数据集中。本发明能任意样本数量大小的数据库的建立，解决之前数据库中数量不足的问题，能够提高开发模型的鲁棒性和开发模型的泛化能力。

主权项：1.一种深度学习模型训练的PIV及速度场数据集构建方法，其特征在于：步骤101，生成先验已知区域和先验已知速度场；所述步骤101中的先验已知区域按照以下方式生成：将区域划分为多类形状形成区间，随机生成一个随机数p作为形状类型标记数，并生成随机数p对应的形状形成区间，处理完毕后分别将形状内的像素、形状外的像素重置后输出对应形状；其中输出形状内的区域为速度已知的区域，形状外的区域为速度未知的区域；所述步骤101中的先验已知速度场按照以下方式生成：在预设区间内均匀采样生成两幅随机场e1和e2，用高斯滤波分别对两幅随机场进行高斯滤波，高斯滤波核的大小是在预设范围内随机抽样得到，两幅随机场经过高斯滤波之后分别得到两幅初步速度场u和v，再对两幅初步速度场u和v进行归一化，归一化因子通过下式设置：S=maxu2+v212其中，S表示归一化因子，max表示最大化函数；最后将速度场u和v分别除以归一化因子S，获得先验已知速度场的两个分量；步骤102，根据先验已知区域和先验已知速度场生成标签速度场和先验已知标记；步骤103，根据标签速度场生成粒子图像；步骤104，生成噪音并加入所述粒子图像，获得扩充后的粒子图像；所述步骤104中，粒子图像中加入的噪音包括高斯噪音和按照一定概率随机添加的形状噪音；随机生成两个高斯噪音场g1和g2分别加入到步骤103获得的两幅粒子图像中；基于第一个形状生成光斑噪音场，具体过程是在第一个形状区域内赋值随机生成的噪音灰度，用随机生成的两个高斯核分别对赋值噪音灰度后的第一个形状区域进行高斯滤波得到斑状的两个形状噪音q1和q2；基于第二个形状生成光带噪音场，具体过程是在第二个形状区域进行图像膨胀，将膨胀后的第二个形状区域与原始的第二个形状区域进行相减得到带状形状，随机生成两个高斯核分别对带状形状进行高斯滤波得到带状的两个形状噪音q3和q4；以随机方式加入四个形状噪音之一或者不加入形状噪音；按照以下方式加入四个形状噪音之一或者不加入形状噪音：在0~1区间内随机生成一个随机数，然后进行以下判断：若随机数落入0~0.2区间且不包含0.2，则加入形状噪音q1；若随机数落入0.2~0.4区间且不包含0.4，则加入形状噪音q2；若随机数落入0.4~0.6区间且不包含0.6，则加入形状噪音q3；若随机数落入0.6~0.8区间且不包含0.8，则加入形状噪音q4；若随机数落入0.8~1区间，则不加入形状噪音；步骤105，根据步骤101～104的结果输出样本加入到数据集中。

全文数据：

权利要求：

百度查询： 浙江大学 深度学习模型训练的PIV及速度场数据集构建方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD