On the Determination of Diameter and 3D Position of Spray Droplets Using Astigmatic Shadowgraphy and Deep Learning
Questo articolo presenta un framework di deep learning a camera singola che combina la shadowgraphy astigmatica con le reti YOLO e VGG16 per stimare accuratamente il diametro e la posizione 3D delle goccioline di spray, ottenendo un'elevata precisione su dati sperimentali nonostante sia stato addestrato esclusivamente su immagini sintetiche.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della fluidodinamica, comprendere come un liquido si frammenti in minuscole goccioline è essenziale per tutto, dal rifornimento dei motori a reazione alla somministrazione di medicinali tramite inalatori. Quando viene rilasciato uno spray, non si tratta di una nebbia uniforme, ma di una nuvola caotica di particelle di varie dimensioni che volano nello spazio. Per controllare questi processi, gli scienziati devono sapere non solo quanto siano grandi le goccioline, ma esattamente dove si trovano nello spazio tridimensionale. Le telecamere tradizionali possono misurare facilmente la dimensione di una goccia se è a fuoco, ma faticano a determinare quanto sia lontana se è sfocata. Di solito, risolvere questo enigma richiede configurazioni complesse con più telecamere o laser, che possono essere difficili da utilizzare in contesti industriali reali.
Un team di ricercatori dell'Università di Bologna e di Dantec Dynamics ha sviluppato un modo più semplice per risolvere questo problema utilizzando una singola telecamera e un nuovo tipo di intelligenza artificiale. Hanno preso un sistema standard utilizzato per l'imaging degli spray e hanno aggiunto un singolo pezzo di vetro, una lente cilindrica, davanti alla telecamera. Questa lente distorce intenzionalmente la luce, trasformando l'immagine di una goccia in una forma ovale. La direzione e la forma di questo ovale cambiano a seconda che la goccia si trovi davanti o dietro il punto focale, trasformando efficacemente la sfocatura stessa in un righello preciso per la profondità. Tuttavia, leggere manualmente queste forme distorte è difficile e lento. Per superare questo ostacolo, i ricercatori hanno addestrato un programma per computer a riconoscere i pattern in queste immagini sfocate e calcolare istantaneamente sia la dimensione che la posizione esatta della goccia nello spazio.
La sfida era che addestrare un computer a riconoscere veri spray di goccioline richiedeva solitamente migliaia di foto in cui la dimensione e la posizione di ogni singola goccia fossero già note. In uno spray reale, questa informazione è impossibile da conoscere in anticipo. Per aggirare il problema, il team ha creato una vasta libreria di immagini finte, o sintetiche. Hanno utilizzato un modello al computer per simulare come la luce passerebbe attraverso la loro specifica configurazione di lenti per creare miglia di immagini di gocce perfette e sfocate, con dimensioni e posizioni note. Hanno insegnato a due diversi sistemi di intelligenza artificiale utilizzando queste immagini sintetiche. La prima rete, agendo come un occhio digitale, ha imparato a individuare le singole goccioline in un'immagine affollata e a ritagliarle. La seconda rete, agendo come un detective, ha analizzato la forma di ogni goccia ritagliata per predire la sua profondità e il suo diametro. Sorprendentemente, hanno addestrato il sistema interamente su queste immagini generate al computer, senza mostrare mai una singola fotografia reale durante la fase di apprendimento.
Quando i ricercatori hanno testato questo sistema su dati del mondo reale, i risultati sono stati sorprendentemente accurati. Hanno testato prima il sistema su un bersaglio di calibrazione, una piastra di vetro con punti di dimensioni note spostati a profondità precise. Il sistema ha identificato correttamente la dimensione e la posizione di questi punti, con un'incertezza sulla profondità di appena 0,15 millimetri su un intervallo di quattro millimetri, e un'incertezza sulla dimensione di circa 2,4 micrometri per gocce comprese tra 20 e 100 micrometri. Hanno poi applicato lo stesso sistema addestrato a uno spray reale di goccioline d'acqua generato da una macchina per aerosol. Senza alcun riaddestramento o aggiustamento, il computer ha rilevato con successo le goccioline in lo spray caotico, anche quando si sovrapponevano o erano parzialmente nascoste da altre. Ha mappato la distribuzione tridimensionale dello spray, rivelando che le goccioline erano distribuite relativamente uniformemente attraverso il volume di misurazione, con dimensioni che si raggruppavano attorno a un picco di circa 35 micrometri.
Lo studio dimostra che è possibile trasformare un semplice sistema di shadowgraphy a singola telecamera in uno strumento di misurazione tridimensionale potente semplicemente aggiungendo una lente cilindrica e utilizzando il deep learning. I ricercatori hanno scoperto che la capacità del computer di indovinare la profondità basandosi sulla forma della sfocatura era robusta, nonostante non avesse mai visto una goccia reale prima d'ora. Sebbene il sistema abbia incontrato qualche difficoltà ai margini estremi dell'intervallo di misurazione, dove la distorsione dell'immagine diventava estrema, ha funzionato costantemente bene al centro. Questo approccio offre una via diretta per le industrie per misurare gli spray con alta precisione senza la necessità di costose configurazioni multi-telecamera, dimostrando che un po' di sfocatura intenzionale, combinata con un software intelligente, può rivelare la struttura nascosta di uno spray.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.