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

Resumo Técnico: Caracterização de Distribuições de Tamanho de Células de Detonação em Registros de Fuligem em Folha Baseada em Aprendizado Profundo

Definição do Problema
O tamanho geométrico e a regularidade das células de detonação são parâmetros fundamentais para caracterizar a sensibilidade cinética química e a instabilidade hidrodinâmica das ondas de detonação. Tradicionalmente, esses parâmetros são extraídos de registros de fuligem em folha por meio de medição manual, um processo que é demorado, subjetivo e propenso a erros. Embora as técnicas existentes de visão computacional e segmentação semântica ofereçam automação, elas frequentemente apresentam dificuldades de generalização quando aplicadas a imagens experimentais reais. Essas imagens frequentemente exibem altos níveis de ruído, bordas borradas devido à deposição irregular de fuligem e sobreposição severa de células, levando à identificação incorreta de componentes conectados e distribuições estatísticas imprecisas.

Metodologia
Para abordar essas limitações, os autores propõem um novo framework de reconhecimento automatizado e extração de características baseado em segmentação de instância por aprendizado profundo, utilizando especificamente a arquitetia Mask R-CNN (Rede Neural Convolucional de Região de Máscara).

• Arquitetura da Rede: O modelo emprega um backbone ResNet-50 inicializado com pesos pré-treinados no ImageNet para extrair características de múltiplas escalas. Utiliza uma Rede de Pirâmide de Agregação de Caminhos (PAFPN) como "neck" para fundir informações espaciais de baixo nível e informações semânticas de alto nível. A cabeça de detecção inclui uma Rede de Proposta de Região (RPN) com âncoras multiescala e uma cabeça de Região de Interesse (RoI) com RoIAlign para geração precisa de máscaras ao nível de pixel.
• Estratégia de Treinamento: Para superar a escassez de dados anotados e evitar o sobreajuste (overfitting), o estudo utiliza uma estratégia de aprendizado por transferência em duas etapas. O modelo é primeiro pré-treinado em imagens naturais gerais e, posteriormente, ajustado (fine-tuned) em um conjunto de dados heterogêneo personalizado. Este conjunto combina simulações numéricas de alta fidelidade e registros físicos experimentais de fuligem em folha, organizados no formato padrão COCO.
• Pré-processamento e Aumento de Dados: As imagens de entrada são redimensionadas para 1024×1024 pixels. Para aumentar a robustez, o pipeline de treinamento inclui rotação aleatória (flipping) e Distorção Fotométrica para simular variações de iluminação e espessura da fuligem.
• Estratégia de Fragmentação (Patching): Reconhecendo que a inferência direta em imagens grandes e de alta densidade leva ao descompasso de escala de características e detecções perdidas, os autores estabelecem um paradigma de pré-processamento padronizado onde as imagens alongadas de fuligem são particionadas em uma grade de 2×3 sub-patches para inferência independente antes da agregação.

Principais Contribuições

1. Segmentação de Instância para Células de Detonação: Ao contrário da segmentação semântica, que classifica pixels, esta abordagem isola instâncias individuais de células, permitindo a análise estatística de características geométricas (comprimento, largura, área) para cada célula individual, mesmo em regiões densamente compactadas e sobrepostas.
2. Paradigma de Pré-processamento Padronizado: O artigo identifica o "desvio de distribuição a priori" e o "descompasso de escala de características" como causas para detecções perdidas em imagens de alta densidade. Propõe e valida uma estratégia específica de fragmentação de imagem (grade 2×3) como uma condição necessária para manter o desempenho do modelo em dados experimentais de grande formato.
3. Extração de Características de Alta Ordem: Indo além do simples tamanho médio da célula ($\lambda$), o modelo extrai automaticamente métricas morfológicas avançadas, incluindo o Índice de Irregularidade (RI) e o desvio padrão dos ângulos de deflexão das células ($\sigma_\theta$), que quantificam a estabilidade e o caos da onda de detonação.
4. Rastreamento da Evolução Espacial: O método permite o rastreamento automatizado da evolução do tamanho das células ao longo da direção de propagação, permitindo a distinção entre estados de iniciação transientes e a propagação estável de Chapman-Jouguet (CJ).

Resultos

• Validação de Referência (Benchmark): Em dados simulados numericamente (tanto regulares quanto irregulares), o modelo alcançou uma concordância quase perfeita ao nível de pixel com o ground truth. Para células simuladas irregulares, o tamanho médio das células previsto diferiu do ground truth por uma margem negligenciável (37,61px vs. 37,64px).
• Validação Experimental:
  • Condições Irregulares: Em folhas de fuligem experimentais reais e ruidosas, o modelo alcançou um erro relativo de 3,5% no tamanho médio da célula em comparação com medições manuais. Embora a contagem total de células tenha sido ligeiramente menor devido à exclusão de células truncadas nas bordas dos patches, a distribuição de densidade de probabilidade apresentou uma alta sobreposição com as referências manuais.
  • Condições Regulares: Para células experimentais regulares, o erro relativo no tamanho médio da célula foi inferior a 2%.
• Robustez e Sensibilidade:
  • Resolução: O modelo demonstrou forte invariância de escala, mantendo um erro relativo de aproximadamente 5% mesmo quando a resolução de entrada era reduzida para 30%.
  • Densidade de Objetos: A inferência direta em imagens completas (contendo ~1.500 células) resultou em detecções perdidas severas e um tamanho médio enviesado. A estratégia de fragmentação 2×3 mitigou isso com sucesso, restaurando a contagem de detecções e a precisão estatística.
• Extração de Características: As métricas de alta ordem extraídas (RI e $\sigma_\theta$) para casos regulares e irregulares alinharam-se com as expectativas teóricas, distinguindo corretamente entre arranjos de "escala de peixe" estáveis e frentes de onda caóticas e instáveis.

Significância
O artigo afirma que este método fornece uma ferramenta robusta, objetiva e eficiente para a análise quantitativa da combustão de detonação. Ao automatizar a extração tanto de médias globais quanto de evoluções espaciais locais, o modelo supera a subjetividade e as limitações da análise manual tradicional. Ele transforma morfologias físicas complexas e ruidosas em dados estruturados, facilitando investigações mais profundas sobre as correlações entre a sensibilidade cinética química e as instabilidades hidrodinâmicas macroscópicas. O estudo estabelece um fluxo de trabalho padronizado para o processamento de dados de detonação em larga escala, servindo como base para pesquisas futuras sobre os mecanismos intrínsecos da propagação de detonação.