文章目录

摘要

abstract

第1章 绪论

1.1 自适应光学技术基本原理

    1.1.1 自适应光学概述

    1.1.2 波前传感器

    1.1.3 波前校正器

    1.1.4 激光信标

1.2 流场测量中的粒子图像测速技术

1.3 自适应光学在流场测量中的应用

1.4 深度学习简介及在自适应光学中的应用

    1.4.1 深度学习概述

    1.4.2 深度卷积神经网络中的基本概念

    1.4.3 自适应光学中的深度学习

1.5 拟解决的关键问题及论文结构

第2章 流场测量中的光学畸变模型及基于激光信标的测量方法

2.1 引言

2.2 晃动气-液两相介质边界引起的光学畸变模型

2.3 基于激光信标与Hartmann-Shanck波前传感器的畸变相界测量原理

    2.3.1 用于流场测量中畸变相界测量的空间分布式激光信标

    2.3.2 基于Hartman-Shack波前传感器的波前测量及复原

    2.3.3 晃动介质边界畸变测量原理

2.4 本章小结

第3章 大动态范围Hartmann-Shack波前测量算法

3.1 引言

3.2 基于光斑分割的质心估计算法

    3.2.1 基于Canny算子的光斑分割算法

    3.2.2 基于形态学特征的独立光斑区域的筛选与标记

    3.2.3 分割光斑的定位算法

3.3 基于邻域搜索匹配的动态范围扩展算法

3.4 本章小结

第4章 大动态范围Hartmann-Shack波前测量算法性能分析

4.1 引言

4.2 Hartman-Shack传感器的性能指标及误差分析

    4.2.1 Hartman-Shack传感器的性能指标

    4.2.2 Hartman-Shack传感器误差分析

4.3 基于仿真和实验的算法性能分析

    4.3.1 不同信噪比下的光斑仿真模型

    4.3.2 与传统质心算法及其改进算法的性能对比

    4.3.3 响应系数及非线性误差分析

    4.3.4 动态范围扩展性能的量化分析

    4.3.5 算法实验验证

4.4 本章小结

第5章 基于多输入深度学习模型的无校正器件自适光学技术

5.1 引言

5.2 AOPIV-MIUN算法

    5.2.1 AOPIV-MIUN算法的基本框架思想

    5.2.2 AOPIV-MIUN算法实现

    5.2.3 AOPIV-MIUN的训练

5.3 基于实验平台的数据集生成

5.4 神经网络的校正性能分析

    5.4.1 基于PIV粒子图像质量的校正性能分析

    5.4.2 基于PIV流场速度测量结果的校正性能分析

5.5 本章小结

第6章 基于深度卷积神经网络的流体运动估计与畸变校正

6.1 引言

6.2 粒子图像测速中流体运动场估计算法

6.3 两种基于多输入深度卷积神经网络的畸变校正流体运动估计算法

    6.3.1 基于MIUN结构的稠密流体运动场估计

    6.3.2 基于多输入Xception结构的稀疏流体运动场估计

    6.3.3 AOPIV-MICNN的训练

6.4 基于合成模型的数据集生成

    6.4.1 畸变PIV粒子图像对及对应流场的生成

    6.4.2 Hartmann-Shack波前传感器仿真模型

6.5 测试结果分析与讨论

6.6 本章小结

第7章 总结和展望

7.1 全文总结

7.2 论文创新点

7.3 未来展望

参考文献

致谢

作者简历及攻读学位期间发表的学术论文与研究成果

文章摘要:基于成像的流体测量技术,如粒子图像测速技术（Particle Image Velocimetry,PIV）,是一种对流体运动速度场的非接触、实时、定量且全局测量技术。被广泛应用于流体动力学研究及工业生产中,对于研究复杂流动现象具有重要的意义。然而,这种基于光学成像的测量技术,当流体介质中的折射率不均匀,或当测量光路中存在开放的气-液两相介质表面且存在随机晃动时,成像光路会因为折射率的变化而产生一定的波前畸变,使得成像造成畸变。这种光路中随机且动态变化的波前畸变使得PIV粒子图像上的粒子位置分布产生显著的误差（即几何畸变）且严重影响图像质量。而传统的PIV技术对流体运动场的测量是根据连续多帧PIV粒子图像上粒子的位移,通过互相关算法或光流算法,对测量区域内的流体运动场进行估计。所以PIV粒子图像的几何畸变和图像质量的退化会严重影响PIV的测量精度,使得测量结果不可信。自适应光学（Adaptive Optics,AO）技术,是一种校正光学系统中动态波前畸变的技术。传统的自适应光学系统通过波前传感器测量动态波前畸变,再通过电子系统计算控制信号,控制波前校正器件进行实时的波前校正,使得光学系统在受到波前畸变扰动时仍然保持良好的工作状态。为了对光学流场测量中的波前畸变进行实时校正,以提高在受到波前畸变扰动时的测量准确度和正确度,自适应光学技术被应用于流场测量的光学系统中。然而实际的实验结果与工程实践表明,光学流场测量中的波前畸变具有频率高,动态范围大,空间分辨率高等特点,对于这一应用场景,基于波前校正器件的传统自适应光学系统的校正性能受到了波前校正器器件本身性能的限制。本论文针对传统自适应光学在流场测量应用中所存在的限制和问题,以人工智能中的深度学习为基础,提出了无校正器件自适应光学技术的概念并应用于流场测量的波前畸变校正中。主要研究工作分为以下四个部分:1、对流场测量中的光学畸变模型进行了分析并提出了基于Hartmann-Shack波前传感器和空间分布式激光信标的波前测量方法。粒子图像测速系统的测量装置与测量目标处在不同的介质当中,而粒子图像测速系统需要通过气-液两相介质表面成像,相当于在流场测量的成像系统前增加了一个随机扰动的波面。论文首先对光路中的波前畸变和在图像上所造成的实际退化模型在理论上进行了推导,将可测量的波前畸变与图像的退化模型之间的关系进行了推导。根据推导得到的关系,提出了针对流场测量中气-液两相介质所引起的特殊波前畸变的测量方法,提出了空间分布式激光信标的概念,并对其测量原理进行物理模型推导,结合Hartmann-Shack波前传感器,提出了对此应用场景下波前畸变的测量方法。2、针对流场测量中晃动气-液两相介质表面所造成的波前畸变大动态范围特性,而传统Hartmann-Shack波前传感器动态范围受限的问题。建立了一套大动态范围的Hartmann-Shack波前测量算法。提出了基于图像分割的质心估计算法,即对光斑区域进行分割后进行质心计算,打破了传统质心算法中的子孔径范围限制,从整幅光斑阵列图中获得所有光斑的质心,同时还消除了噪声对质心估计的影响。提出了邻域搜索匹配算法以扩展动态范围,将光斑质心和标定坐标位置进行对应匹配。对所提出的大动态范围的Hartmann-Shack波前测量算法的性能进行分析,分别从质心估计误差、线性度、动态范围扩展量化性能及实验平台验证对算法的性能进行了评价。3、该部分为整个研究内容的核心,基于深度学习,提出了无波前校正器件自适应光学系统的新概念。根据需求,提出了多输入卷积神经网络结构AOPIVMIUN算法,首次将多输入卷积神经网络应用于图像回归问题。通过提出的网络结构,以Hartmann-Shack波前传感器得到的波前畸变信息作为额外输入,对粒子图像测速系统中的畸变图像进行了畸变校正。通过设计实验平台,生成了神经网络训练和测试所需要的数据集。以校正后粒子图像的校正效果和流场速度测量结果作为评价标准,对所建立神经网络的畸变校正性能进行了分析。所提出方法校正效果达到82%,优于传统闭环自适应光学系统性能77%。4、对PIV技术的流场分布估计算法和自适应光学校正以深度学习为平台进行融合,提出了可实现畸变校正功能的流体运动场估计算法。分别建立了两种不同的多输入卷积神经网络结构,以两帧畸变PIV粒子图像和测量得到的波前畸变信息作为输入,直接输出校正后的流场结果,根据输出的流场分布的分辨率,将网络结构分为稠密估计和稀疏估计两种,将流场测量和畸变校正同时融合在深度卷积神经网络中。基于PIV粒子图像生成模型,Hartmann-Shack波前传感器仿真模型、以及流场测量中图像畸变模型,建立了相应的数据集合成模型以生成训练数据集,最后从不同角度对算法性能进行了评价。本文围绕无波前校正器的新型自适应光学技术在光学流体测量中的波前畸变校正这一应用展开。解决了传统自适应光学系统在流场测量应用中的困难和限制,是国内首次对流场测量中的自适应光学技术进行研究,同时也提出了基于深度学习的无波前校正器件自适应光学技术这一概念方法,首次将多输入卷积神经网络应用于图像回归问题当中。本文所提出的方法在未来的研究工作中可以对流场测量更复杂的畸变现象进行研究应用,如燃料电池中的液滴内部流场测量,流体介质中存在多相泰勒气泡的流场测量等。