⚡ ingeniería eléctrica

On the Determination of Diameter and 3D Position of Spray Droplets Using Astigmatic Shadowgraphy and Deep Learning

Este artículo presenta un marco de aprendizaje profundo de cámara única que combina la sombragrafía astigmática con las redes YOLO y VGG16 para estimar con precisión el diámetro y la posición 3D de gotas de pulverización, logrando una alta precisión en datos experimentales a pesar de haber sido entrenado exclusivamente con imágenes sintéticas.

Autores originales: Mohammad Mehdizadeh Youshanlouei, Alex Ravaioli, Fahrettin Gökhan Ergin, Gabriele Bellani, Massimiliano Rossi

Publicado 2026-09-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mohammad Mehdizadeh Youshanlouei, Alex Ravaioli, Fahrettin Gökhan Ergin, Gabriele Bellani, Massimiliano Rossi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la dinámica de fluidos, comprender cómo un líquido se fragmenta en diminutas gotas es esencial para todo, desde el abastecimiento de motores de aviones hasta la administración de medicamentos a través de inhaladores. Cuando se libera un pulverizador, no es una niebla uniforme, sino una nube caótica de partículas de diversos tamaños que vuelan por el espacio. Para controlar estos procesos, los científicos necesitan saber no solo qué tan grandes son las gotas, sino exactamente dónde se encuentran en el espacio tridimensional. Las cámaras tradicionales pueden medir fácilmente el tamaño de una gota si está en un enfoque nítido, pero tienen dificultades para determinar qué tan lejos está si está borrosa. Por lo general, resolver este rompecabezas requiere configuraciones complejas con múltiples cámaras o láseres, lo que puede ser difícil de usar en entornos industriales del mundo real.

Un equipo de investigadores de la Universidad de Bolonia y Dantec Dynamics ha desarrollado una forma más sencilla de resolver este problema utilizando una sola cámara y un nuevo tipo de inteligencia artificial. Tomaron un sistema estándar utilizado para la obtención de imágenes de pulverizaciones y le añadieron una única pieza de vidrio, una lente cilíndrica, al frente de la cámara. Esta lente distorsiona la luz intencionadamente, convirtiendo la imagen de una gota en una forma ovalada. La dirección y la forma de este óvalo cambian dependiendo de si la gota está delante o detrás del punto focal, convirtiendo efectivamente el desenfoque mismo en una regla precisa de profundidad. Sin embargo, leer estas formas distorsionadas a mano es difícil y lento. Para superar esto, los investigadores entrenaron un programa informático para reconocer los patrones en estas imágenes borrosas y calcular instantáneamente tanto el tamaño de la gota como su posición exacta en el espacio.

El desafío era que entrenar a una computadora para reconocer gotas de pulverización reales suele requerir miles de fotos donde el tamaño y la ubicación de cada una de las gotas ya son conocidos. En un pulverizador real, es imposible conocer esta información de antemano. Para sortear esto, el equipo creó una enorme biblioteca de imágenes falsas, o sintéticas. Utilizaron un modelo computacional para simular cómo pasaría la luz a través de su configuración de lente específica para crear miles de imágenes de gotas borrosas y perfectas con tamaños y posiciones conocidos. Enseñaron dos redes diferentes de inteligencia artificial utilizando estas imágenes sintéticas. La primera red, actuando como un ojo digital, aprendió a detectar gotas individuales en una imagen concurrida y a recortarlas. La segunda red, actuando como un detective, analizó la forma de cada gota recortada para predecir su profundidad y diámetro. Sorprendentemente, entrenaron el sistema enteramente con estas imágenes generadas por computadora, sin mostrarle ni una sola fotografía real durante la fase de aprendizaje.

Cuando los investigadores probaron este sistema con datos del mundo real, los resultados fueron sorprendentemente precisos. Primero lo probaron en un objetivo de calibración, una placa de vidrio con puntos de tamaños conocidos que se movían a profundidades precisas. El sistema identificó correctamente el tamaño y la posición de estos puntos, con una incertidumbre de profundidad de solo 0.15 milímetros en un rango de cuatro milímetros, y una incertidumbre de tamaño de aproximadamente 2.4 micrómetros para gotas de entre 20 y 100 micrómetros. Luego aplicaron el mismo sistema entrenado a un pulverizador real de gotas de agua generado por una máquina de aerosoles. Sin reentrenamiento ni ajustes, la computadora detectó con éxito las gotas en la caótica pulverización, incluso cuando se superponían o estaban parcialmente ocultas por otras. Mapeó la distribución tridimensional de la pulverización, revelando que las gotas estaban distribuidas de manera relativamente uniforme a través del volumen de medición, con tamaños agrupados alrededor de un pico de aproximadamente 35 micrómetros.

El estudio demuestra que es posible convertir un sistema de sombra gráfica (shadowgraphy) de una sola cámara simple en una poderosa herramienta de medición tridimensional simplemente añadiendo una lente cilíndrica y utilizando aprendizaje profundo. Los investigadores descubrieron que la capacidad de la computadora para adivinar la profundidad basándose en la forma del desenfoque era robusta, a pesar de que nunca había visto una gota real antes. Aunque el sistema tuvo dificultades ligeramente en los extremos de la medición donde la distorsión de la imagen era extrema, funcionó de manera constante en el centro. Este enfoque ofrece un camino directo para que las industrias midan pulverizaciones con alta precisión sin necesidad de costosas configuraciones de múltiples cámaras, demostiendo que un poco de desenfoque intencionado, combinado con un software inteligente, puede revelar la estructura oculta de una pulverización.

Resumen Técnico: Sobre la determinación del diámetro y la posición 3D de gotas de pulverización mediante sombra astigmática y aprendizaje profundo

Planteamiento del problema
La caracterización de gotas de pulverización es crítica en los sectores automotriz, aeroespacial, farmacéutico y agrícola, donde el tamaño de la gota y su distribución espacial gobiernan procesos como la combustión y el recubrimiento. Aunque existen técnicas ópticas establecidas, estas enfrentan limitaciones significativas. Los métodos de fase Doppler se limitan a mediciones de punto único; las técnicas interferométricas (ILIDS/IPI) y la holografía digital suelen requerir iluminación coherente, configuraciones complejas o sufren de intensidad computacional y precisión de profundidad limitada. La sombragrafía convencional es una técnica madura y robusta para gotas no esféricas y opacas, pero es inherentemente bidimensional; no puede resolver la coordenada fuera del plano ( $z$ ), lo que obliga al rechazo o la corrección de partículas desenfocadas. Aunque el Seguimiento de Partículas por Desenfoque (DPT) y el Seguimiento de Partículas por Astigmatismo (APTV) ofrecen localización 3D, la aplicación del astigmatismo a gotas de pulverización polidispersas en una configuración de sombragrafía de una sola cámara presenta desafíos: la ambigüedad de la función de desenfoque respecto al plano focal y la falta de modelos teóricos establecidos para generar imágenes sintéticas fiables de partículas polidispersas.

Metodología
Los autores proponen un enfoque de una sola cámara que combina la sombragrafía astigmática con un flujo de trabajo de Aprendizaje Profundo (DL) de dos etapas para estimar simultáneamente el diámetro de la gota ( $d$ ) y su posición 3D ( $x, y, z$ ).

Configuración Óptica: Se coloca una lente cilíndrica ( $f=500$ mm) frente al objetivo de un sistema comercial de sombragrafía a microescala (Dantec Dynamics ShadowSizer). Esto introduce un astigmatismo controlado, haciendo que las gotas desenfocadas aparezcan como elipses con orientaciones que varían dependiendo de si la gota está por encima o por debajo del plano focal, resolviendo así la ambigüedad de profundidad.
Generación de Imágenes Sintéticas: Dado que obtener datos experimentales de verdad de campo para el entrenamiento es poco práctico, los autores generaron un gran conjunto de imágenes sintéticas utilizando dos modelos:
- Synth1 (Entrenamiento/Validación): Basado en un modelo de Función de Propagación de Punto (PSF) basado en Gaussianas computacionalmente eficiente (Rossi y Kähler) calibrado con imágenes experimentales. Los solapamientos se gestionan mediante la suma de intensidades.
- Synth2 (Prueba Independiente): Basado en un generador de trazado de rayos físicamente preciso (MicroSIG) que trata las gotas como objetos opacos y gestiona la oclusión de manera más realista.
Arquitectura de Aprendizaje Profundo:
- Detección y Localización: Una red YOLO v12 (You Only Look Once) detecta las gotas y determina sus coordenadas en el plano ( $x, y$ ), gestionando partículas superpuestas.
- Regresión: Una red neuronal convolucional (CNN) VGG16 modificada predice la profundidad ( $z$ ) y el diámetro ( $d$ ) a partir de imágenes recortadas de las gotas. La arquitectura incluye capas densas y aplanadas con activaciones ReLU y Lineales.
Estrategia de Entrenamiento: Ambas redes fueron entrenadas exclusivamente con imágenes sintéticas calibradas (Synth1) con aumentación de datos (ruido, variaciones de iluminación) para generalizar a condiciones del mundo real. No se utilizaron imágenes experimentales para entrenar la red de regresión.

Resultados Clave
La metodología fue validada a través de tres pruebas complementarias:

Generalización Sintética: Al ser probada con el conjunto de datos sintéticos independientes de trazado de rayos (Synth2), el modelo logró errores medianos de 0.174 mm para la profundidad (sobre un rango de 4 mm) y 2.172 µm para el diámetro (rango de 20–100 µm). Se observaron discrepancias en la predicción de la profundidad solo cerca del límite focal ( $z < 1$ mm), probablemente debido a aberraciones esféricas no capturadas totalmente por el modelo de entrenamiento.
Objetivo de Calibración: Aplicado a imágenes experimentales de un objetivo de calibración con verdad de campo conocida, el sistema logró un error mediano de 0.149 mm en profundidad y 2.41 µm en diámetro. El modelo presentó dificultades leves con gotas de 20 µm en los límites del volumen de medición.
Pulverización Experimental: El sistema analizó con éxito gotas de agua de un generador de aerosoles. El detector YOLO logró una precisión media promedio (mAP) del 98% (IoU 0.5). La distribución estadística de los diámetros de las gotas detectadas (con un pico alrededor de 35 µm) fue consistente con el valor nominal del fabricante (25 µm) y con las distribuciones típicas de pulverización. La distribución de la profundidad fue uniforme en todo el volumen de medición, excepto por déficits en los límites atribuidos a bajas relaciones señal-ruido o imprecisiones del modelo.

Significancia y Reivindicaciones
El artículo afirma presentar una metodología robusta de una sola cámara para la determinación simultánea del tamaño y la localización 3D de gotas de pulverización polidispersas. Su principal significancia radica en:

Simplicidad e Integración: El método introduce el astigmatismo mediante una única lente cilíndrica colocada antes del objetivo, lo que facilita su integración en sistemas comerciales de medición de sombras sin configuraciones ópticas complejas.
Transferencia de Sintético a Real: Demuestra que los modelos de aprendizaje profundo entrenados únicamente con imágenes sintéticas computacionalmente económicas y calibradas pueden generalizar eficazmente a datos sintéticos no vistos (generados mediante trazado de rayos) y a datos experimentales reales sin necesidad de reentrenamiento.
Rendimiento: El enfoque proporciona una determinación de diámetro consistente con incertidumbres de alrededor de 2.1–2.4 µm y de profundidad de 0.15 mm sobre un rango de medición de 4 mm, gestionando con éxito gotas superpuestas en pulverizaciones densas.

Los autores concluyen que, si bien existen limitaciones cerca de los límites del volumen de medición debido a aberraciones ópticas y bajas relaciones señal-ruido, el marco propuesto ofrece una alternativa viable a las técnicas complejas de múltiples cámaras o de iluminación coherente para la caracterización industrial de pulverizaciones. Se sugiere como trabajo futuro refinar los modelos ópticos o explorar arreglos alternativos, como cristales birrefringentes.

Más como este