基于GPU的荧光油膜运动路径实时测量

在风洞试验中，现有的基于CPU 的光流法求解荧光油膜运动速度场耗时过长，而基于GPU 的光流法存在GPU 资源利用不充分的问题。为此，提出基于荧光油膜图像分块和临界约束的GPU 荧光油膜运动路径实时测量方法。将荧光油膜时序图像按照GPU 的资源将整帧图像切割分块并行处理，创建其对应的光流并行计算策略，即充分利用GPU 的并行流水架构优势和共享内存实现各并行块的光流计算的硬件加速；同时结合块间临界约束条件，以各块的速度矩阵迭代差为标志控制其迭代计算次数。结果表明：本文方法在保证荧光油膜运动速度场计算精度的条件下，较传统的基于CPU 的光流法解算速度平均提升了2 789.5 倍，较整帧图像的GPU 光流法速度平均提升了10.09 倍，实时解算速度可达90 帧/秒。     

基于深度学习光流法的荧光油膜全局速度测量

针对基于先验的传统光流法存在前提条件苛刻的问题，提出使用基于深度学习的光流法进行荧光油膜全局速度测量。采用数值仿真试验对基于先验的改进HS光流法和基于深度学习的FlowNet2光流法进行对比，结果显示：在不外加干扰时，改进HS光流法和FlowNet2光流法的平均端点误差分别为0.458 7像素/s和0.381 7像素/s；在亮度变化、噪声干扰或不同的演化时间下，FlowNet2光流法的平均端点误差均明显低于改进HS光流法，平均端点误差差值最大可达5.19像素/s；风洞试验进一步证明，FlowNet2光流法能够获得正确、清晰、定量的荧光油膜全局速度场，较改进HS光流法鲁棒性更高，对风洞工程应用具有一定的参考价值。