APP下载

基于深度学习的显微离焦图像法颗粒深度测量

2021-12-28徐日辛周骛张翔云

化工进展 2021年12期
关键词:深度测量模型

徐日辛,周骛,张翔云

(1 上海理工大学能源与动力工程学院,上海 200093;2 上海市动力工程多相流动与传热重点实验室,上海 200093)

微通道在材料、生物化学、化工等领域应用广泛,如脱氧核糖核酸(DNA)分析[1]、化工材料合成[2]和微尺度反应器研究[3-4]等。这些微流设备的设计需以充分了解其流动特性为前提,即一般采用粒子成像测速技术(PIV) 或粒子追踪测速技术(PTV)等手段对其中流场进行可视化测量[5]。对于复杂流体系统而言,三维速度的测量必不可少,而其难点在于示踪粒子的深度定位。

单个示踪粒子深度信息的获取手段包括双目视觉[6]、数字全息[7]、光场[8-10]、离焦[11]等,其中离焦法通过识别成像的不同离焦程度确定深度位置,尤其适合景深较小的显微成像系统。Pentland[11]提出通过将一幅离焦模糊的图像建模为一张清晰图像与退化函数卷积的结果,退化模型被认为满足高斯分布,则退化模型的标准差可以用来表征离焦模糊程度,从而建立与深度位置的对应关系,被称为离焦深度测量(depth from defocus,DFD)。本文作者课题组[12-13]提出了基于单镜头双相机系统的深度测量方法,解决了离焦二义性问题,但所采用设备的颗粒测量下限约为20μm,且相关图像处理方法难以应用于前后离焦不对称的显微成像系统。Barnkob等[14]提出了一种基于一组校准图像和归一化互相关函数的常规离焦颗粒跟踪(general defocus particle tracking,GDPT)方法来跟踪微通道系统中示踪粒子的三维运动,但正如其所述,其局限在于由于像差导致图像传感器不同区域对同一颗粒的成像效果不同,使得准确的校准过程非常复杂。……

登录APP查看全文

猜你喜欢

深度测量模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
深度观察
深度观察
深度观察
3D打印中的模型分割与打包
测量