申请/专利权人：浙江大学

申请日：2024-03-04

公开（公告）日：2024-06-11

公开（公告）号：CN117825743B

主分类号：G01P5/20

分类号：G01P5/20;G06V10/77;G06V10/75;G06V10/82;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种基于傅里叶特征增强和全局匹配的PIV测速方法与装置。方法是构造了具有特征编码模块、特征增强模块、全局匹配模块、迭代更新生成流场模块和上下文特征提取模块的神经网络模型，再利用数据集对所述神经网络模型进行训练，将PIV实验粒子图像输入到所述神经网络模型处理得到速度场。本发明采用基于注意力机制的全局匹配方法，并在所述神经网络结构中引入傅里叶神经算子得到频率域特征，解决目前基于AI的PIV测速方法对大速度流场预测不准的问题，提高了模型的鲁棒性和抗干扰能力。

主权项：1.一种基于傅里叶特征增强和全局匹配的PIV测速方法，其特征在于：步骤101：构造神经网络模型；所述的神经网络模型包括特征编码模块、特征增强模块、全局匹配模块、迭代更新生成流场模块和上下文特征提取模块；将相邻时间间隔至少两幅PIV粒子图像输入到所述特征编码模块获得至少两个编码特征，再将所述至少两个编码特征输入到所述特征增强模块中获得至少两个增强特征，将所述至少两个增强特征输入到所述全局匹配模块后获得两个匹配特征，将至少一幅PIV粒子图像输入到所述上下文特征提取模块中提取获得对应的一个上下文特征信息，再将所述至少两个匹配特征和所述至少一个上下文特征信息共同输入到所述迭代更新生成流场模块中进行多次迭代计算得到最终的速度场；所述的特征编码模块包括依次进行的第一卷积层、分块操作和第二卷积层；每幅PIV粒子图像先输入到所述第一卷积层中获得初始特征，再将所述初始特征通过分块操作分为多个子块，对每个子块在通道方向进行展开为特征图，然后将所述所有子块的特征图输入所述第二卷积层对通道方向尺度进行调整后得到编码特征；所述的特征增强模块包含多层连续依次连接的T-F特征增强层，每个所述T-F特征增强层均包括傅里叶层、交叉注意力机制层和特征映射层以及相加映射层；将输入的至少两个特征和在第一个维度进行拼接合并后获得合并特征，再将所述合并特征分别输入到所述傅里叶层、交叉注意力机制层和特征映射层中；所述合并特征输入到所述傅里叶层中，所述傅里叶层中先对所述合并特征进行傅里叶变换将空间域的特征映射到频率域获得频率域特征，再将所述频率域特征与可学习的参数R进行相乘操作得到频率域内的新特征，然后将更新后的频率域特征进行傅里叶逆变换后映射回到空间域获得更新后的空间域特征；同时将所述合并特征输入至所述交叉注意力机制层通过交叉注意力机制来提取相似特征；同时将所述合并特征输入至所述特征映射层中和可学习参数矩阵W进行相乘得到映射特征；最后将更新后的空间域特征、相似特征和映射特征输入到所述相加映射层中，先进行相加、再经过激活函数σ映射后得到合成增强特征，将合成增强特征在第一个维度上再进行分解得到从第一幅图像提取的增强特征F1和从第二幅图像提取的增强特征F2；所述的交叉注意力机制层的交叉注意力机制具体为：将输入的其中一个特征通过投影得到查询矩阵Q，然后将输入的另一个特征通过连续两次投影得到键矩阵K和值矩阵V，然后将键矩阵K变形后和查询矩阵Q相乘得到交叉注意力矩阵，然后交叉注意力矩阵与值矩阵V相乘并通过变形得到最终的注意力特征；所述的全局匹配模块包括展平操作、相乘操作、映射操作；具体是将特征增强模块输出的两个增强特征先均通过展平操作变成向量，再将两个增强特征的向量通过相乘操作相乘得到注意力矩阵C，最后将注意力矩阵C通过softmax函数映射到0~1之间得到匹配矩阵P作为匹配特征；所述方法中，在所述全局匹配模块获得所述匹配特征之后，迭代更新生成流场模块中按照以下方式处理获得速度场：S1、初始化获得一个尺度为M×N的初始坐标矩阵Coords0，通过匹配矩阵P的匹配特征处理获得形变后的匹配坐标矩阵作为初始的匹配坐标矩阵Coords1；S2、根据初始坐标矩阵Coords0和当前的匹配坐标矩阵Coordsi按照以下公式结合处理获得当前流场flowi：flowi=upsampleCoordsi-Coords0其中，upsample表示上采样函数；同时用当前的匹配坐标矩阵Coordsi对匹配矩阵P进行形变得到当前形变后的匹配体积矩阵Pi；S3、将所述当前形变后的匹配体积矩阵Pi、所述上下文特征信息和所述当前流场flowi一起输入到迭代更新生成流场模块，通过迭代更新生成流场模块处理获得修正流场Δflow；S4、然后根据所述修正流场Δflow对所述当前匹配坐标矩阵Coordsi按照以下公式进行更新作为下一次迭代的匹配坐标矩阵：Coordsi+1=Coordsi+Δflow其中，Coordsi表示第i次迭代下的匹配坐标矩阵，Coordsi+1表示第i+1次迭代下的匹配坐标矩阵；S5、不断重复上述步骤S2~S4进行迭代循环处理多次，以最终迭代获得的流场作为速度场；步骤102：利用数据集对神经网络模型进行训练；步骤103：读取PIV实验粒子图像；步骤104：输入到神经网络模型处理得到速度场。

全文数据：

权利要求：

百度查询： 浙江大学 基于傅里叶特征增强和全局匹配的PIV测速方法与装置

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