PIV dataset

该数据集用于训练神经网络执行密集粒子图像测速。每个数据项包含一对粒子图像（CNN输入）和相应的地面实况运动场（输出）。数据集包括多种流动模式，以增加数据多样性，并提供了训练和测试数据的分割列表。

This dataset is designed for training neural networks to perform dense particle image velocimetry. Each data entry consists of a pair of particle images (CNN input) and the corresponding ground truth motion field (output). The dataset encompasses a variety of flow patterns to enhance data diversity and includes segmented lists for both training and testing data.

原始信息汇总

数据集概述

数据集名称

PIV dataset for neural network training

数据集用途

用于训练神经网络执行密集粒子图像测速（Particle Image Velocimetry, PIV）。

数据集内容

• 数据项组成：每个数据项包含一对粒子图像（CNN输入）和相应的地面真实运动场（输出）。
• 文件示例：
  • PIV-genImagesdatauniformuniform_00001_img1.tif
  • PIV-genImagesdatauniformuniform_00001_img2.tif
  • PIV-genImagesdatauniformuniform_00001_flow.flo
• 训练验证分割：
  • FlowData_train.list
  • FlowData_test.list

粒子图像生成

• 粒子强度分布：满足高斯函数，参数包括峰值强度、粒子直径和位置。
• 参数范围：
  • 种子密度 $ ho$：0.05 - 0.1 粒子/像素
  • 粒子直径 $d_p$：1-4 像素
  • 峰值强度 $I_{0}$：200-255 灰度值
  • 位置 $(x_0,y_0)$：1-256 像素
• 图像分辨率：256 * 256 像素

流体运动

• 数据多样性：包含多种流体运动，包括简单模拟和在线可获取的流场。
• 流场来源：
  • 计算流体动力学（CFD）模拟
  • 在线资源，如2D DNS湍流流场、表面准地理模型驱动的海流等。

数据下载

• 百度云链接：https://pan.baidu.com/s/1GVVENe3NN0h2QKbiqS3cJA
• 提取码：fljs

搜集汇总

数据集介绍

构建方式

PIV数据集的构建基于合成粒子图像对及其对应的真实运动场。粒子图像通过高斯函数生成，其中每个粒子的强度分布符合高斯分布，参数如粒子直径、峰值强度和位置在合理范围内随机选择。运动场数据则通过计算流体动力学（CFD）模拟生成，并结合了多种在线流动数据库的数据，以增加数据的多样性。所有图像的分辨率均为256×256像素，确保了数据的一致性和可处理性。

特点

PIV数据集的特点在于其多样性和高质量。数据集包含了多种流动模式，涵盖了从简单到复杂的流动场景，能够有效支持神经网络在密集粒子图像测速（PIV）任务中的训练。每个数据项由一对粒子图像和对应的真实运动场组成，确保了数据的完整性和实用性。此外，数据集还提供了训练集和验证集的划分，便于模型的训练与评估。

使用方法

PIV数据集的使用方法较为直观。用户可以通过提供的训练集和验证集列表（FlowData_train.list和FlowData_test.list）直接加载数据。数据集中的粒子图像对和运动场文件以标准格式存储，便于读取和处理。用户可以利用这些数据训练卷积神经网络，实现密集粒子图像测速任务。此外，数据集还提供了百度云和Google Drive的下载链接，方便用户获取数据。在使用数据集时，需遵循相关许可协议，并在研究工作中引用指定的文献。

背景与挑战

背景概述

PIV数据集由Shengze Cai等人于2019年创建，旨在通过卷积神经网络（CNN）实现密集粒子图像测速（PIV）的精确运动估计。该数据集由多个粒子图像对及其对应的真实运动场组成，广泛应用于流体力学实验研究。通过合成粒子图像和多样化的流场模拟，PIV数据集为深度学习在流体动力学中的应用提供了重要支持。其核心研究问题在于如何利用神经网络从粒子图像中提取高精度的运动信息，从而替代传统的PIV算法。该数据集在实验流体力学领域具有重要影响力，推动了基于深度学习的流体运动估计技术的发展。

当前挑战

PIV数据集在解决流体运动估计问题时面临多重挑战。首先，粒子图像中的噪声和低信噪比使得运动场的精确提取变得困难，尤其是在复杂流场条件下。其次，数据集的构建过程中，如何生成多样化的流场模拟以覆盖实际应用中的各种场景，是一个技术难点。此外，粒子图像的合成需要精确控制参数，如粒子密度、直径和强度，以确保数据的真实性和多样性。最后，如何将深度学习模型与传统PIV算法结合，以实现更高的计算效率和精度，也是当前研究的重要挑战。

常用场景

经典使用场景

PIV数据集在流体力学研究中扮演着关键角色，特别是在粒子图像测速（PIV）技术的应用中。该数据集通过提供成对的粒子图像及其对应的真实运动场，为训练卷积神经网络（CNN）提供了丰富的素材。这些数据能够帮助研究人员精确地重建流场，从而深入理解复杂流动现象。

实际应用

在实际应用中，PIV数据集被广泛用于航空航天、海洋工程和环境科学等领域。例如，在飞机设计过程中，研究人员可以利用该数据集优化机翼周围的流场分布；在海洋工程中，该数据集可用于模拟海洋表面的流动模式，从而改进海洋结构物的设计。这些应用显著提升了工程设计的效率和安全性。

衍生相关工作

PIV数据集催生了一系列基于深度学习的高精度PIV算法研究。例如，Cai等人提出的卷积神经网络方法在流场重建中取得了显著进展。此外，该数据集还激发了更多关于流场数据生成和增强的研究，如基于生成对抗网络（GAN）的流场数据生成技术，进一步扩展了PIV技术的应用范围。