研发背景

PIV流场测量，需对捕获的粒子图像进行预处理。复杂、多变流场通常拥有多种相态和相态间的变化过程，受不同相态间界面光线反射、气泡镜面效应影响，会出现错误粒子，影响粒子图像互相关计算和粒子图像测速精度，故需对错误粒子进行去除，对背景图像进行分割。

技术简介

语义分割，是借助深度学习网络，按语义类标记图像中每个像素进行分类，进而将图像分割成属于不同语义类别的区域，在粒子图像测速PIV中主要应用于提高图像处理精度和效率。传统语义分割算法是基于卷积神经网络(CNN)、全卷积网络(FCN)算法，但存在训练数据不足，分类不平衡、边界不清晰的问题。

千眼狼PIV算法工程师团队，综合运用多种最新深度学习技术:

一是引入注意力机制，聚焦图像中的关键区域，分割复杂背景中的相似图像。二是引入数据增强技术，加大图像数据的随机训练，提高数据多样性。三是引入特征融合技术，利用不同分辨率的特征图提取更丰富的信息，提高小尺度下细节的分割精度。

应用案例

PIV粒子图像预处理，基于新型语义分割技术，实现目标粒子区域从动态背景中分离，进行后续互相关计算。

气泡和两相流图像非接触测量应用中，基于新型语义分割技术，实现对气泡边界图像的有效分割，解决气泡重叠、失焦痛点，进而对气泡轨迹追踪、尺寸测量、滑移速度测量等。

附千眼狼自研PIV流场测量软件、硬件

适用于2D2C,2D3C,3D3C,PTV,微流场测量,气泡测量等应用场景。

自主可控的PIV高速摄像机，PIV超清相机，科学级sCMOS相机。