CSTNet：一种用于基于化学物种层析的反应流成像的双分支卷积网络
图像与视频处理
2021-04-06 v3 仪器与探测器
摘要
化学物种层析（CST）已广泛用于反应流中关键参数（如物种浓度和温度）的原位成像。然而，即便采用最先进的计算算法，该方法也受限于固有的病态和秩亏层析数据反演以及高计算成本。这些问题阻碍了其用于实时流动诊断。为解决这些问题，我们在此提出一种新颖的基于 CST 的卷积神经网络（CSTNet），用于高保真、快速且同时成像物种浓度与温度。CSTNet 引入了将 CST 测量与传感器布局纳入学习网络的共享特征提取器。此外，提出了一种带串扰解码器的双分支架构用于图像重建，这些解码器自动学习物种浓度与温度自然相关的分布。所提出的 CSTNet 在模拟数据集和实验中使用面向工业的传感器从真实火焰获取的实测数据上均得到验证。相对于先前方法，其在对测量噪声的鲁棒性和毫秒级计算时间方面表现出优越性能。据我们所知，这是首次基于深度学习的 CST 算法在采用激光束数量严重受限的低复杂度光学传感器的反应流中，经实验验证用于多关键参数同时成像。
引用
@article{arxiv.2010.03868,
title = {CSTNet: A Dual-Branch Convolutional Network for Imaging of Reactive Flows using Chemical Species Tomography},
author = {Yunfan Jiang and Jingjing Si and Rui Zhang and Godwin Enemali and Bin Zhou and Hugh McCann and Chang Liu},
journal= {arXiv preprint arXiv:2010.03868},
year = {2021}
}
备注
Submitted to IEEE Transactions on Neural Networks and Learning Systems