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，包括通过计算流体动力学模拟的简单案例和在线可用的流动场。

This dataset is designed for training neural networks to perform dense particle image velocimetry. Each data entry comprises 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, including simple cases simulated through computational fluid dynamics and flow fields available online.

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（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）和相应的地面实况运动场（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

数据生成

• 粒子图像生成：
  • 粒子强度：满足高斯函数，参数包括峰值强度$I_{0}$、粒子直径$d_p$和位置$(x_0,y_0)$。
  • 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

流运动

• 数据多样性：包括多种流运动，部分通过计算流体动力学（CFD）模拟，部分来自在线资源。
• 示例来源：
  • 2D DNS turbulent flow
  • 表面准地理模型驱动的海流
  • 约翰斯·霍普金斯湍流数据库提供的多种流模式

数据下载

• 下载链接：Baidu Cloud
• 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。每对图像通过高斯函数模拟粒子强度，并随机选择种子密度、粒子直径、峰值强度和粒子位置等参数，生成256*256像素分辨率的图像。该数据集整合了多种流动运动，包括计算流体动力学（CFD）模拟的简单案例以及在线获取的二维湍流流动等，以丰富数据多样性。

特点

本数据集的特点在于其多样性及针对性，专为训练卷积神经网络进行密集粒子图像测速而设计。数据包含粒子图像对和相应的真实运动场，涵盖了不同的种子密度、粒子直径和流动模式。此外，数据集的构建考虑了研究目的，并遵循版权与引用规范，确保了数据的合法使用。

使用方法

使用PIV数据集时，用户需遵循数据使用条款，不得用于商业用途。数据集提供了训练和验证的划分，用户可依据提供的列表进行数据加载。同时，数据集可通过百度云链接下载，并需使用提供的提取码。在使用数据集进行研究时，应正确引用相关论文，以符合学术规范。

背景与挑战

背景概述

PIV数据集，全称为粒子图像测速（Particle Image Velocimetry）数据集，是流体力学领域用于训练卷积神经网络进行密集运动估计的重要资源。该数据集创建于2019年，主要研究人员包括Cai Shengze、Zhou Shichao、Xu Chao和Gao Qi等，隶属于实验流体力学领域。该数据集的核心研究问题是通过神经网络技术提高粒子图像测速的准确性和效率，其对流体力学实验数据分析领域产生了显著影响，推动了流体动力学研究的发展。

当前挑战

PIV数据集在构建和应用过程中面临的挑战主要包括：一是确保合成粒子图像的多样性和代表性，满足不同流体条件下的运动估计需求；二是数据集在包含多种流场运动的同时，还需保证运动场的精确描述，以便于神经网络的学习和验证。此外，数据集在生成粒子图像时，如何合理选择参数（如粒子密度、直径、峰值强度等）以及保证图像质量也是一个挑战。

常用场景

经典使用场景

在流体力学研究中，PIV (粒子图像测速) 技术是一种关键的工具，用于获取流体速度场信息。PIV 数据集为此技术的神经网络训练提供了基础，其经典使用场景在于训练卷积神经网络以实现粒子图像的密集运动估计，从而提高流体速度场的测量精度和效率。

衍生相关工作

基于PIV数据集，研究者们进一步衍生出了多种相关的工作，包括但不限于流场可视化、流体物理现象的量化分析以及新型PIV技术的研究与开发，推动了流体力学及相关领域的发展。

数据集最近研究

最新研究方向

在流体力学与计算流体动力学领域，PIV (Particle Image Velocimetry) 技术的应用日益广泛。该数据集的构建旨在推进卷积神经网络在PIV技术中的应用，特别是在密集运动估计方面的研究。该数据集包含了用于训练神经网络的粒子图像对及其对应的真实运动场，为研究者提供了丰富的流场运动案例，从而有助于提升PIV技术在流体速度场测量中的准确性和鲁棒性。当前，基于该数据集的研究方向主要集中在利用深度学习优化PIV技术中的运动估计，以及探索复杂流场下的粒子图像处理方法，这对于流体力学实验研究和工业应用具有重要意义。