Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records

Technische Samenvatting: Deep Learning-gebaseerde Karakterisering van Detonatiecel-grootteverdelingen in Roetfolie-opnamen

Probleemstelling
De geometrische grootte en regelmaat van detonatiecellen zijn fundamentele parameters voor het karakteriseren van de chemische kinetische gevoeligheid en hydrodynamische instabiliteit van detonatiegolven. Traditioneel worden deze parameters uit roetfolie-opnamen geëxtraheerd via handmatige meting, een proces dat tijdrovend, subjectief en foutgevoelig is. Hoewel bestaande computer vision- en semantische segmentatietechnieken automatisering bieden, hebben ze vaak moeite met generalisatie wanneer ze worden toegepast op echte experimentele beelden. Deze beelden vertonen frequent hoge ruisniveaus, onscherpe grenzen door ongelijkmatige roetafzetting en ernstige overlapping van cellen, wat leidt tot misidentificatie van verbonden componenten en onnauwkeurige statistische verdelingen.

Methodologie
Om deze beperkingen aan te pakken, stellen de auteurs een nieuw geautomatiseerd raamwerk voor automatische herkenning en extractie van kenmerken gebaseerd op deep learning instance segmentatie, waarbij specifiek gebruik wordt gemaakt van de Mask R-CNN (Mask Region-based Convolutional Neural Network) architectuur.

• Netwerkarchitectuur: Het model maakt gebruik van een ResNet-50 backbone, geïnitialiseerd met ImageNet pre-trained gewichten, om multi-schaal kenmerken te extraheren. Het maakt gebruik van een Path Aggregation Feature Pyramid Network (PAFPN) als 'neck' om laag-niveau ruimtelijke en hoog-niveau semantische informatie te fuseren. De detectiekop bevat een Region Proposal Network (RPN) met multiscale anchors en een Region of Interest (RoI) kop met RoIAlign voor precieze pixel-niveau maskergeneratie.
• Trainingsstrategie: Om het tekort aan geannoteerde data te overwinnen en overfitting te voorkomen, hanteert de studie een tweestaps transfer learning-strategie. Het model wordt eerst voorgetraind op algemene natuurlijke afbeeldingen en vervolgens verfijnd (fine-tuned) op een aangepaste heterogene dataset. Deze dataset combineert hoogwaardige numerieke simulaties en fysieke experimentele roetfolie-opnamen, georganiseerd in het standaard COCO-formaat.
• Data Preprocessing en Augmentatie: Invoerbeelden worden geschaald naar 1024×1024 pixels. Om de robuustheid te vergroten, bevat de trainingspipeline random flipping en PhotoMetric Distortion om variaties in verlichting en roetdikte te simuleren.
• Patching Strategie: In het besef dat directe inferentie op grote, hoog-densiteit afbeeldingen leidt tot een mismatch in kenmerk-schaal en gemiste detecties, stellen de auteurs een gestandaardiseerde preprocessing-paradigma op waarbij langwerpige roetfolie-afbeeldingen worden opgedeeld in een 2×3 rooster van sub-patches voor onafhankelijke inferentie alvorens aggregatie.

Belangrijkste Bijdragen

1. Instance Segmentatie voor Detonatiecellen: In tegen tegenover gestelde van semantische segmentatie die pixels classificeert, isoleert deze aanpak individuele cel-instanties, wat statistische analyse van geometrische kenmerken (lengte, breedte, oppervlakte) mogelijk maakt voor elke afzonderlijke cel, zelfs in dicht opeengepakte en overlappende regio's.
2. Gestandaardiseerde Preprocessing Paradigma: Het artikel identificeert "prior distribution shift" en "feature scale mismatch" als oorzaken voor gemiste detecties in hoog-densiteit afbeeldingen. Het stelt een specifieke image patching strategie (2×3 rooster) voor en valideert deze als een noodzakelijke voorwaarde voor het behoud van de modelprestaties op grootschalige experimentele data.
3. Extractie van High-Order Kenmerken: Voorbij de eenvoudige gemiddelde celgrootte ($\lambda$), extraheert het model automatisch geavanceerde morfologische metrieken, inclusioneel de Irregularity Index (RI) en de standaarddeviatie van cel deflectiehoeken ($\sigma_\theta$), die de stabiliteit en chaos van de detonatiegolf kwantificeren.
4. Ruimtelijke Evolutie Tracking: De methode maakt geautomatiseerde tracking van de evolutie van de celgrootte langs de voortplantingsrichting mogelijk, waardoor onderscheid kan worden gemaakt tussen transiënte initiatiefasen en stabiele Chapman-Jouguet (CJ) voortplanting.

Resultaten

• Benchmark Validatie: Op numeriek gesimuleerde data (zowel regelmatig als onregelmatig) bereikte het model een bijna perfecte pixel-niveau overeenkomst met de ground truth. Voor onregelmatige gesimuleerde cellen verschilde de voorspelde gemiddelde celgrootte slechts marginaal van de ground truth (37,61px vs. 37,64px).
• Experimentele Validatie:
  • Onregelmatige Condities: Op ruisige, echte experimentele roetfolies bereikte het model een relatieve fout van 3,5% in de gemiddelde celgrootte vergeleken met handmatige metingen. Hoewel het totale aantal cellen iets lager was vanwege de uitsluiting van afgekapte cellen bij de patchgrenzen, vertoonde de waarschijnlijkheidsdichtheidsverdeling een hoge overlap met handmatige referenties.
  • Reguliere Condities: Voor reguliere experimentele cellen was de relatieve fout in de gemiddelde celgrootte minder dan 2%.
• Robuustheid en Sensitiviteit:
  • Resolutie: Het model demonstreerde sterke schaalinvariantie en behield een relatieve fout van ongeveer 5%, zelfs wanneer de invoerresolutie werd gedownsampled naar 30%.
  • Object Densiteit: Directe inferentie op volledige afbeeldingen (bevattende ~1.500 cellen) resulteerde in ernstige gemiste detecties en een vertekend gemiddelde. De 2×3 patching strategie mitigeerde dit succesvol, waardoor detectieaantallen en statistische nauwkeurigheid werden hersteld.
• Kenmerkextractie: De geëxtraheerde high-order metrieken (RI en $\sigma_\theta$) voor zowel reguliere als onregelmatige gevallen kwamen overeen met theoretische verwachtingen en onderscheidden correct tussen stabiele visjeschaal-arrangementen en chaotische, onstabiele golffronten.

Betekenis
Het artikel stelt dat deze methode een robuuste, objectieve en efficiënte tool biedt voor de kwantitatieve analyse van detonatieverbranding. Door de extractie van zowel globale gemiddelden als lokale ruimtelijke evoluties te automatiseren, overwint het model de subjectiviteit en beperkingen van traditionele handmatige analyse. Het transformeert complexe, ruisige fysieke morfologieën in gestructureerde data, wat diepere onderzoeken naar de correlaties tussen chemische kinetische gevoeligheid en macroscopische hydrodynamische instabiliteiten faciliteert. De studie vestigt een gestandaardiseerde workflow voor het verwerken van grootschalige detonatiegegevens, wat dient als fundament voor toekomstig onderzoek naar de intrinsieke mechanismen van detonatievoortplanting.