基于深度残差神经网络的光场粒子图像测速粒子场重建方法
摘要
提出一种基于粒子重构卷积神经网络（PRCNN）模型的快速、高分辨率粒子场重建方法。首先，对原始光场图像进行子孔径图像提取，构建粒子三维分布-光场子孔径图像数据集；然后，建立网络模型，采用自定义的损失函数进行训练获取预测模型。通过粒子场数值重建以及圆柱绕流三维流场测量实验对所提方法的重建准确性等进行评价。结果表明：相比于传统的联合代数重建技术（SART），PRCNN可以有效缓解重建拉伸效应，使粒子场重建质量因子提高了153.83%；基于GPU计算的PRCNN对单幅图像的重建时间仅为0.098 s，加速比达到3976.53；PRCNN与SART计算的速度场分布基本一致，在管道中心深度截面上，相对于平面粒子图像测速（PIV）测量结果，SART和PRCNN的平均相对误差分别为14.56%和12.92%。上述结果证明了PRCNN用于光场PIV技术中实现准确的三维流场测量的可行性。
引用本文（GB/T 7714）
傅梦希 Fu Mengxi, 朱效宇 Zhu Xiaoyu, 张良 Zhang Liang, 等. 基于深度残差神经网络的光场粒子图像测速粒子场重建方法[J]. Acta Optica Sinica, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。