On the Determination of Diameter and 3D Position of Spray Droplets Using Astigmatic Shadowgraphy and Deep Learning
Dit artikel presenteert een single-camera deep learning-framework dat astigmatische schaduwgrafie combineert met YOLO- en VGG16-netwerken om de diameter en de 3D-positie van spraetdruppels nauwkeurig te schatten, waarbij een hoge precisie op experimentele gegevens wordt bereikt ondanks het feit dat uitsluitend op synthetische afbeeldingen is getraind.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de vloeistofdynamica is het begrijpen van hoe een vloeistof uiteenvalt in kleine druppeltjes essentieel voor alles, van het voeden van straalmotoren tot het toedienen van medicijnen via inhalatoren. Wanneer een spray wordt vrijgegeven, is dit geen uniforme nevel, maar een chaotische wolk van deeltjes van verschillende groottes die door de ruimte vliegen. Om deze processen te beheersen, moeten wetenschappers niet alleen weten hoe groot de druppeltjes zijn, maar ook precies waar ze zich in de driedimensionale ruimte bevinden. Traditionele camera's kunnen gemakkelijk de grootte van een druppel meten als deze scherp in beeld is, maar ze hebben moeite om te bepalen hoe ver weg deze is als de afbeelding onscherp is. Meestal vereist het oplossen van dit puzzelstukje complexe opstellingen met meerdere camera's of lasers, wat moeilijk te gebruiken kan zijn in echte industriële omgevingen.
Een team onderzoekers aan de Universiteit van Bologna en Dantec Dynamics heeft een eenvoudigere manier ontwikkelt om dit probleem op te lossen met behulp van een enkele camera en een nieuw soort kunstmatige intelligentie. Ze namen een standaard systeem dat wordt gebruikt voor het fotograferen van sprays en voegden een enkel stuk glas toe, een cilindrische lens, aan de voorkant van de camera. Deze lens vervormt het licht opzettelijk, waardoor het beeld van een druppel verandert in een ovale vorm. De richting en vorm van deze ovaal veranderen afhankelijk van of de druppel zich vóór of achter het brandpunt bevindt, waardoor de onscherpte effectief wordt omgezet in een nauwkeurige liniaal voor diepte. Het lezen van deze vervormde vormen met de hand is echter moeilijk en traag. Om dit te overwinnen, trainden de onderzoekers een computerprogramma om de patronen in deze onscherpe beelden te herkennen en direct zowel de grootte als de exacte positie in de ruimte van de druppel te berekenen.
De uitdaging was dat het trainen van een computer om echte spraydruppels te herkennen meestal duizenden foto's vereist waarvan de grootte en locatie van elke individuele druppel al bekend zijn. In een echte spray is deze informatie vooraf onmogelijk te kennen. Om dit te omzeilen, creëerde het team een enorme bibliotheek van nep, of synthetische, beelden. Ze gebruikten een computermodel om te simuleren hoe licht door hun specifieke lensopstelling zou gaan om duizenden perfecte, onscherpe druppelbeelden met bekende grootte en positie te maken. Ze trainden twee verschillende kunstmatige intelligentienetwerken met deze synthetische plaatjes. Het eerste netwerk, dat fungeert als een digitaal oog, leerde individuele druppels in een drukke afbeelding te herkennen en ze uit te snijden. Het tweede netwerk, dat fungeert als een detective, analyseerde de vorm van elke uitgesneden druppel om de diepte en diameter te voorspellen. Opmerkelijk genoeg trainden ze het systeem volledig op deze computergegenereerde beelden, zonder het tijdens de leerfase ook maar één echte foto te laten zien.
Toen de onderzoekers dit systeem testten op real-world data, waren de resultaten verrassend nauwkeurig. Ze testten het eerst op een kalibratietarget, een glazen plaat met stippen van bekende groottes die naar precieze dieptes werd bewogen. Het systeem identificeerde correct de grootte en positie van deze stippen, met een diepteonzekerheid van slechts 0,15 millimeter over een bereik van vier millimeter, en een grootteonzekerheid van ongeveer 2,4 micrometer voor druppels tussen 20 en 100 micrometer. Ze pasten hetzelfde getrainde systeem toe op een echte spray van waterdruppeltjes gegenereerd door een aerosolmachine. Zonder hertraining of aanpassing detecteerde de computer de druppeltjes in de chaotische spray succesvol, zelfs wanneer ze overlapten of gedeeltelijk door anderen werden verborgen. Het bracht de driedimensionale distributie van de spray in kaart, waarbij werd onthuld dat de druppeltjes relatief gelijkmatig door het meetvolume verspreid waren, met groottes die clusterden rond een piek van ongeveer 35 micrometer.
De studie demonstreert dat het mogelijk is om een eenvoudig, single-camera shadowgraphy-systeem te veranderen in een krachtig driedimensionaal meetinstrument, simpelweg door een cilindrische lens toe te voegen en deep learning te gebruiken. De onderzoekers ontdekten dat het vermogen van de computer om de diepte te raden op basis van de vorm van de onscherpte robuust was, ook al had het nog nooit een echte druppel gezien. Hoewel het systeem enigszins worstelde aan de uiterste randen van het meetbereik waar de beeldvervorming extreem werd, presteerde het consistent goed in het midden. Deze aanpak biedt een recht even pad voor industrieën om sprays met hoge precisie te meten zonder dat daar dure multi-camera opstellingen voor nodig zijn, wat bewijst dat een beetje opzettelijke onscherpte, gecombineerd met slimme software, de verborgen structuur van een spray kan onthullen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.