[发明专利]基于物理约束的残差网络有限角度燃烧场三维重建方法

说明书

本发明公开了一种基于物理约束的残差网络有限角度燃烧场三维重建方法，包括以下步骤：将有限角度燃烧火焰场投影图的一维投影数据作为输入数据；燃烧火焰场的物理三维结构特征分布作为约束火焰场重建结果的先验知识，将其以正则项引入损失函数；基于该损失函数对残差网络进行训练；通过训练建立优化的残差网络模型，对有限角度燃烧火焰场实现高精度三维重建。本发明构建的残差网络模型能够实现火焰燃烧场在投影角度受限条件下的火焰发射层析三维重建，和传统的代数迭代类算法（ART）重建结果相比，基于物理约束的残差网络模型在角度受限条件下所得到的重建结果具有更高的重建精度，并且在计算时间上具有优越性，重建速率更快。

技术领域

本发明涉及燃烧火焰三维成像算法领域，具体涉及一种基于物理约束的残差网络有限角度燃烧场三维重建方法。

背景技术

燃烧场的三维测量与实时显示在促进燃烧技术方面发挥着重要作用，如先进的火箭技术和能源利用技术等。要实现瞬态三维参数重建，首先要获得被测动态火焰的多方位投影。近年来，火焰化学发光断层成像(FCT)方法引起了研究人员的广泛兴趣，建立了不同形式的多方位投影采集系统。

理论上，只有当采集的投影数量满足奈奎斯特采样定理时，才能实现理想的测试场的三维断层重建。然而，在实际的工业环境中，包括发电锅炉、燃气轮机和航空发动机，燃烧过程一般是在非自由空间进行的。因此，鉴于所提供的检测空间有限，很难在测试场周围180°的范围内获得均匀分布的多方位投影。所以本发明采用了一种基于相机阵列排布的光学系统，能够在有限的观测窗口中获得高密度方向的火焰投影，作为三维火焰化学发光断层成像的待测场有效信息。

由于获得的高密度方向投影是有限观测窗口条件下的投影，基于传统的迭代类重建算法的重建结果仍会受限于不充分的投影角度，在重建过程中产生伪影，影响重建质量。

近年来，深度学习在许多领域蓬勃发展，给CT(Computed Tomography)技术带来了重大变化。A perspective on deep imaging论文中将深度学习和CT技术结合起来，改善了医学成像的质量。Low-dose CT via convolutional neural network.论文中采用了一种基于卷积神经网络的低剂量CT图像的降噪方法，减少了医学CT成像中的伪影现象，提高了图像质量。与传统的迭代重建算法相比，卷积神经网络(CNN)方法可以去除重建伪影，保护图像边缘，在计算速度上有很大优势。此外，残差网络(ResNet)也因其能够避免深层次网络的梯度消失和梯度爆炸问题得到了广泛应用。因此，基于残差网络能够得到更高准确性的训练结果，本发明提供了一种基于物理约束的残差网络有限角度燃烧场三维重建方法，该方法将待测场的物理特征引入残差网络训练过程，建立的优化后的残差网络模型在角度受限燃烧场重建中，预测结果精度更高，场的分布更加可靠。

发明内容

本发明的目的在于提供一种基于物理约束的残差网络有限角度燃烧场三维重建方法，解决有限角度非完全数据投影下燃烧火焰发射层析的三维重建问题。

实现本发明目的的技术解决方案为：一种基于物理约束的残差网络有限角度燃烧场三维重建方法，包括以下步骤：

步骤1：通过基于相机阵列的火焰发射层析重建装置的M个不同位置的CCD相机采集N帧连续的火焰投影图像，每帧由M个CCD相机同时各采集一幅火焰投影图像构成，N500；提取M×N张火焰投影图像中包含火焰发射强度投影的位置，将该位置对应的同一行投影图的一维投影数据作为输入数据，输入数据的像素大小为h×l，共K张，K≥10000；将输入数据按照8:2的比例分为训练集和测试集；

步骤2：根据燃烧火焰场的三维物理结构分布特征，构建三维火焰损失函数；

步骤3：将训练集输入残差网络，同时将火焰层析的重建三维场真实分布的二维横截面作为标签数据输入残差网络，利用损失函数对残差网络进行训练，得到优化的残差网络模型；