使用Swin变压器提取面向背景的schlieren图像的位移

科学领域:

• 流体动力学 流体动力学
• 光学测量技术的使用
• 图像处理 图像处理

背景情况:

• 准确的位移提取对于面向背景的Schlieren (BOS) 重建至关重要.
• 像交叉相关 (CC) 和光流 (OF) 这样的传统方法在BOS位移估计方面存在局限性.
• 现有的方法通常需要手动调整参数,从而影响效率和准确性.

研究的目的:

• 开发一种先进的深度学习模型,用于在BOS中进行端到端的位移提取.
• 在BOS应用中克服传统CC和OF方法的局限性.
• 为BOS位移估计提供强大的和自动化的解决方案.

主要方法:

• 设计了一个端到端的深度神经网络架构,利用Swin变压器来增强远程相关性捕获.
• 使用计算流体动力学 (CFD) 模拟用于模型训练,生成了一个合成数据集.
• 经过训练的网络直接从图像对中估计BOS位移,而不需要额外的参数.

主要成果:

• 拟议的基于Swin变压器的网络在合成和真实实验BOS图像上都表现出稳定的性能.
• 实验验证证了深度学习方法在传统CC和OF方法上的优越性.
• 该网络的性能优于专门设计用于光流任务的经典卷积神经网络.

结论:

• 开发的深度神经网络为BOS位移提取提供了高效和稳定的方法.
• 这种人工智能驱动的方法显著改进了传统技术,为更准确的流场分析铺平了道路.
• 该方法在没有额外参数的情况下执行的能力简化了BOS重建过程.