On the Determination of Diameter and 3D Position of Spray Droplets Using Astigmatic Shadowgraphy and Deep Learning
Diese Arbeit präsentiert ein Single-Camera-Deep-Learning-Framework, das astigmatische Schattengraphie mit YOLO- und VGG16-Netzwerken kombiniert, um den Durchmesser und die 3D-Position von Sprühtröpfchen präzise zu schätzen, wobei trotz der ausschließlichen Verwendung synthetischer Bilder zur Trainingszwecke eine hohe Genauigkeit bei experimentellen Daten erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Fluiddynamik ist das Verständnis darüber, wie sich eine Flüssigkeit in winzige Tröpfchen aufteilt, für alles entscheidend – von der Betankung von Strahltriebwerken bis hin zur Verabreichung von Medikamenten durch Inhalatoren. Wenn ein Spray freigesetzt wird, handelt es sich nicht um einen gleichmäßigen Nebel, sondern um eine chaotische Wolke aus Partikeln unterschiedlicher Größe, die durch den Raum fliegen. Um diese Prozesse zu kontrollieren, müssen Wissenschaftler nicht nur wissen, wie groß die Tröpfchen sind, sondern auch genau, wo sie sich im dreidimensionalen Raum befinden. Herkömmliche Kameras können die Größe eines Tröpfchens leicht messen, wenn es scharf fokussiert ist, haben aber Schwierigkeiten festzustellen, wie weit entfernt es ist, wenn es unscharf ist. Normalerweise erfordert das Lösen dieses Rätsels komplexe Aufbauten mit mehreren Kameras oder Lasern, die in realen industriellen Umgebungen schwierig einzusetzen sind.
Ein Team von Forschern der Universität Bologna und Dantec Dynamics hat einen einfacheren Weg entwickelt, um dieses Problem mit einer einzigen Kamera und einer neuen Art von künstlicher Intelligenz zu lösen. Sie nahmen ein Standard-System, das zur Bildgebung von Sprays verwendet wird, und fügten vor der Kamera ein einzelnes Stück Glas hinzu, eine Zylinderlinse. Diese Linse verzerrt das Licht absichtlich und verwandelt das Bild eines Tröpfchens in eine ovale Form. Die Richtung und Form dieses Ovals ändern sich je nachdem, ob sich das Tröpfchen vor oder hinter dem Brennpunkt befindet, wodurch die Unschärfe selbst effektiv in ein präzises Lineal für die Tiefe verwandelt wird. Das Lesen dieser verzerrten Formen von Hand ist jedoch schwierig und zeitaufwendig. Um dies zu überwinden, trainierten die Forscher ein Computerprogramm, um die Muster in diesen unscharfen Bildern zu erkennen und sofort sowohl die Größe als als auch die exakte Position des Tröpfchens im Raum zu berechnen.
Die Herausforderung bestand darin, dass das Training eines Computers zur Erkennung echter Sprays normalerweise Tausende von Fotos erfordert, bei denen die Größe und der Standort jedes einzelnen Tropfens bereits bekannt sind. In einem echten Spray ist diese Information im Voraus unmöglich zu kennen. Um dies zu umgehen, erstellte das Team eine riesige Bibliothek aus künstlichen oder synthetischen Bildern. Sie nutzten ein Computermodell, um zu simulieren, wie Licht durch ihren spezifischen Linsenaufbau wandert, um Tausende von perfekten, unscharfen Tröpfchenbildern mit bekannten Größen und Positionen zu erstellen. Sie trainierten zwei verschiedene künstliche Intelligenz-Netzwerke mit diesen synthetischen Bildern. Das erste Netzwerk, das wie ein digitales Auge fungierte, lernte, einzelne Tröpfchen in einem dichten Bild zu erkennen und auszuschneiden. Das zweite Netzwerk, das wie ein Detektiv arbeitete, analysierte die Form jedes ausgeschnittenen Tröpfchens, um dessen Tiefe und Durchmesser vorherzusagen. Bemerkenswerterweise trainierten sie das System vollständig mit diesen computergenerierten Bildern und zeigten ihm während der Lernphase kein einziges echtes Foto.
Als die Forscher dieses System mit realen Daten testeten, waren die Ergebnisse überraschend genau. Zuerst testeten sie es an einem Kalibrierungsobjekt, einer Glasplatte mit Punkten bekannter Größe, die sich in präzisen Tiefen bewegen ließ. Das System identifizierte die Größe und Position dieser Punkte korrekt, mit einer Tiefenunsicherheit von nur 0,15 Millimetern über einen Bereich von vier Millimetern und einer Größenunsicherheit von etwa 2,4 Mikometern für Tröpfchen zwischen 20 und 100 Mikrometern. Sie wandten dasselbe trainierte System dann auf ein reales Wasser-Spray an, das von einer Aerosolmaschine erzeugt wurde. Ohne erneutes Training oder Anpassung erkannte der Computer erfolgreich Tröpfchen im chaotischen Spray, selbst wenn diese sich überschnitten oder teilweise durch andere verdeckt wurden. Er kartierte die dreidimensionale Verteilung des Sprays und zeigte, dass die Tröpfchen relativ gleichmäßig durch das Messvolumen verteilt waren, wobei die Größen um ein Maximum von etwa 35 Mikrometern gruppiert waren.
Die Studie zeigt, dass es möglich ist, ein einfaches, einkamera-basiertes Schattenfotografie-System allein durch das Hinzufügen einer Zylinderlinse und den Einsatz von Deep Learning in ein leistungsfähiges dreidimensionales Messwerkzeug zu verwandeln. Die Forscher fanden heraus, dass die Fähigkeit des Computers, die Tiefe basierend auf der Form der Unschärfe zu erraten, robust war, obwohl er zuvor noch nie ein echtes Tröpfchen gesehen hatte. Während das System an den äußersten Rändern des Messbereichs, wo die Bildverzerrung extrem wurde, leichte Schwierigkeiten hatte, arbeitete es im Zentrum konsistent gut. Dieser Ansatz bietet eine unkomplizierte Möglichkeit für Industrien, Sprays mit hoher Präzision zu messen, ohne teure Multi-Kamera-Aufbauten zu benötigen, und beweist, dass ein wenig absichtliche Unschärfe, kombiniert mit intelligenter Software, die verborgene Struktur eines Sprays offenbaren kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.