近日，上海交通大学中英国际低碳学院董雪老师团队在应用物理学期刊《Applied physics B》发表了利用卷积神经网络通过透视成像反演片激光诊断图像的工作--“Generating planar distributions of soot particles from luminosity images in turbulent flames using deep learning”，论文第一作者为上海交通大学中英国际低碳学院2019级博士生张暐，通讯作者为上海交通大学中英国际低碳学院助理教授董雪和澳大利亚阿德莱德大学研究员孙志伟。

片激光诱导炽光(PLII)技术被认为是一种量化碳烟浓度分布的有效手段，具有受入射激光散射和吸收影响较小、对入射光束转向引起的强度变化的敏感性较低、可以针对精确平面开展高空间分辨率的碳烟体积分数测量等优点。然而，由于实验成本高昂、高压高负荷工况下燃烧室(内燃机、飞机发动机、工业锅炉等)观测窗口不充足等原因，大多数片激光诊断技术的应用场景仍然局限于实验室内开放空间下的基础火焰。此外，现有激光器受制于有限的连续脉冲数(如burst-mode laser的连续脉冲数为100左右)，难以实现真正有效的连续高速测量。尽管基于平面激光成像的测量面临上述挑战，但通过高速相机对火焰自发光直接成像受以上因素影响较小。因此，在实际应用中广泛采用基于火焰自发光直接成像的方法进行燃烧诊断，而非开展平面激光测量。当存在碳烟辐射发光时，火焰中其他中间产物的化学发光相对较弱，所以含碳烟火焰的自发光在较长波段(如700 nm左右)主要来自碳烟颗粒的宽光谱辐射。正因如此，含碳烟火焰的自发光成像与碳烟浓度的平面分布存在内在相关性，然而其相关性难以量化。

2019级博士生张暐在董雪老师的指导下，通过搭建并优化生成对抗网络模型，逐层提取湍流火焰自发光图像和PLII图像的高维特征信息，并建立两者间非线性关系，实现自发光图像向PLII图像的拟合。该项研究所提出的方法为课题组在湍流燃烧及激光诊断领域的首次尝试，目前模型可对高度分布在280mm-630mm(x/d:60.8-136.9)、雷诺数为8000-20000的射流火焰PLII图像进行较好反演。后续课题组将从优化神经网络模型和成像系统等方面持续开展研究，以期为湍流火焰的片激光诊断提供可靠有效、且具有较高时空分辨率的计算成像手段。

作者介绍

张暐，上海交通大学中英国际低碳学院博士研究生，2015年硕士毕业于兰州大学电路与系统专业，2015-2019就职于国家电网甘肃省电力公司。2019年4月进入上海交通大学攻读博士学位。研究方向：深度学习，图像处理，激光成像。

董雪，现任上海交通大学中英国际低碳学院助理教授，博士生导师。于2016年获得澳大利亚阿德莱德大学博士学位，同年入职上海交通大学。研究方向包括：湍流流动燃烧诊断；激光成像及图像处理；太阳能光热利用等。

论文链接

https://link.springer.com/article/10.1007%2Fs00340-020-07571-9