⚡ engenharia elétrica

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

Este artigo apresenta uma estrutura de aprendizado profundo de câmera única que combina shadowgraphy astigmática com as redes YOLO e VGG16 para estimar com precisão o diâmetro e a posição 3D de gotículas de spray, alcançando alta precisão em dados experimentais apesar de ter sido treinada exclusivamente em imagens sintéticas.

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

Publicado 2026-09-21

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da dinâmica de fluidos, compreender como o líquido se fragmenta em minúsculas gotículas é essencial para tudo, desde o abastecimento de motores de jatos até a entrega de medicamentos através de inaladores. Quando um spray é liberado, ele não é uma névoa uniforme, mas uma nuvem caótica de partículas de tamanhos variados voando pelo espaço. Para controlar esses processos, os cientistas precisam saber não apenas o tamanho das gotículas, mas exatamente onde elas estão localizadas no espaço tridimensional. Câmeras tradicionais conseguem medir facilmente o tamanho de uma gotícula se ela estiver em foco nítido, mas têm dificuldade em determinar quão longe ela está se estiver borrada. Geralmente, resolver esse quebra-cabeça exige configurações complexas com múltiplas câmeras ou lasers, o que pode ser difícil de usar em ambientes industriais do mundo real.

Uma equipe de pesquisadores da Universidade de Bolonha e da Dantec Dynamics desenvolveu uma maneira mais simples de resolver este problema usando uma única câmera e um novo tipo de inteligência artificial. Eles pegaram um sistema padrão usado para imagens de sprays e adicionaram uma única peça de vidro, uma lente cilíndrica, à frente da câmera. Esta lente distorce intencionalmente a luz, transformando a imagem de uma gotícula em uma forma oval. A direção e a forma deste oval mudam dependendo se a gotícula está à frente ou atrás do ponto focal, efetivamente transformando o próprio borrão em uma régua de precisão para a profundidade. No entanto, ler essas formas distorcidas manualmente é difícil e lento. Para superar isso, os pesquisadores treinaram um programa de computador para reconhecer os padrões nessas imagens borradas e calcular instantaneamente tanto o tamanho quanto a posição exata da gotícula no espaço.

O desafio era que treinar um computador para reconhecer gotas de spray reais geralmente exige milhares de fotos onde o tamanho e a localização de cada gota já são conhecidos. Em um spray real, essa informação é impossível de se saber antecipadamente. Para contornar isso, a equipe criou uma enorme biblioteca de imagens falsas, ou sintéticas. Eles usaram um modelo de computador para simular como a luz passaria pela configuração de lente específica deles para criar milhares de imagens de gotículas perfeitas e borradas com tamanhos e posições conhecidos. Eles ensinaram duas redes diferentes de inteligência artificial usando essas imagens sintéticas. A primeira rede, agindo como um olho digital, aprendeu a detectar gotas individuais em uma imagem lotada e a recortá-las. A segunda rede, agindo como um detetive, analisou a forma de cada gota recortada para prever sua profundidade e diâmetro. Surpreendentemente, eles treinaram o sistema inteiramente com essas imagens geradas por computador, sem mostrar uma única fotografia real durante a fase de aprendizado.

Quando os pesquisadores testaram este sistema em dados do mundo real, os resultados foram surpreendentemente precisos. Primeiro, testaram o sistema em um alvo de calibração, uma placa de vidro com pontos de tamanhos conhecidos movidos para profundidades precisas. O sistema identificou corretamente o tamanho e a posição desses pontos, com uma incerteza de profundidade de apenas 0,15 milímetros em um intervalo de quatro milímetros, e uma incerteza de tamanho de cerca de 2,4 micrômetros para gotículas entre 20 e 100 micrômetros. Eles aplicaram o mesmo sistema treinado a um spray real de gotículas de água gerado por uma máquina de aerossol. Sem retreinamento ou ajuste, o computador detectou com sucesso as gotículas no spray caótico, mesmo quando elas se sobrepunham ou estavam parcialmente escondidas por outras. Ele mapeou a distribuição tridimensional do spray, revelando que as gotículas estavam espalhadas de forma relativamente uniforme pelo volume de medição, com tamanhos agrupados em torno de um pico de aproximadamente 35 micrômetros.

O estudo demonstra que é possível transformar um simples sistema de sombra de câmera única em uma poderosa ferramenta de medição tridimensional simplesmente adicionando uma lente cilíndrica e usando aprendizado profundo. Os pesquisadores descobriram que a capacidade do computador de adivinhar a profundidade com base na forma do borrão era robusta, embora ele nunca tivesse visto uma gota real antes. Embora o sistema tenha tido uma dificuldade ligeira nas extremidades extremas do intervalo de medição, onde a distorção da imagem se tornava extrema, ele apresentou um desempenho consistente no centro. Esta abordagem oferece um caminho direto para as indústrias medirem sprays com alta precisão sem a necessidade de configurações de múltiplas câmeras caras, provando que um pouco de borrão intencional, combinado com um software inteligente, pode revelar a estrutura oculta de um spray.

Resumo Técnico: Sobre a Determinação do Diâmetro e da Posição 3D de Gotículas de Spray Usando Astigmatismo de Sombra e Aprendizado Profundo

Definição do Problema
A caracterização de gotículas de spray é crítica nos setores automotivo, aeroespacial, farmacêutico e agrícola, onde o tamanho das gotas e a distribuição espacial governam processos como combustão e revestimento. Embora existam técnicas ópticas estabelecidas, elas enfrentam limitações significativas. Métodos de Doppler de fase são limitados a medições de ponto único; técnicas interferométricas (ILIDS/IPI) e holografia digital frequentemente exigem iluminação coerente, configurações complexas ou sofrem com intensidade computacional e precisão de profundidade limitada. A sombra gráfica (shadowgraphy) convencional é uma técnica madura e robusta para partículas não esféricas e opacas, mas é inerentemente bidimensional; ela não consegue resolver a coordenada fora do plano ( $z$ ), forçando a rejeição ou correção de partículas desenfocadas. Embora o Rastreamento de Partículas por Desfoco (DPT) e o Rastreamento de Velocidade por Astigmatismo (APTV) ofereçam localização 3D, aplicar o astigmatismo a gotículas de spray polidispersas em uma configuração de sombra gráfica de câmera única apresenta desafios: a ambiguidade da função de desfoque em relação ao plano focal e a falta de modelos teóricos estabelecidos para gerar imagens sintéticas confiáveis de partículas polidispersas.

Metodologia
Os autores propõem uma abordagem de câmera única que combina sombra gráfica astigmática com um pipeline de Aprendizado Profundo (DL) de dois estágios para estimar simultaneamente o diâmetro da gotícula ( $d$ ) e sua posição 3D ( $x, y, z$ ).

Configuração Óptica: Uma lente cilíndrica ( $f=500$ mm) é colocada à frente da lente objetiva de um sistema comercial de sombra gráfica de microescala (Dantec Dynamics ShadowSizer). Isso introduz astigmatismo controlado, fazendo com que as gotículas desenfocadas apareçam como elipses com orientações que variam dependendo de estarem acima ou abaixo do plano focal, resolvendo assim a ambiguidade de profundidade.
Geração de Imagens Sintéticas: Como obter dados experimentais de verdade de campo (ground-truth) para treinamento é impraticável, os autores geraram um grande conjunto de dados de imagens sintéticas usando dois modelos:
- Synth1 (Treinamento/Validação): Baseado em um modelo de Função de Espalhamento de Ponto (PSF) baseado em Gauss (Rossi e Kähler) computacionalmente eficiente e calibrado para imagens experimentais. Sobreposições são tratadas via soma de intensidade.
- Synth2 (Teste Independente): Baseado em um gerador de traçado de raios (ray-tracing) fisicamente preciso (MicroSIG), que trata as gotículas como objetos opacos e lida com a oclusão de forma mais realista.
Arquitetura de Aprendizado Profundo:
- Detecção e Localização: Uma rede YOLO v12 (You Only Look Once) detecta as gotículas e determina suas coordenadas no plano ( $x, y$ ), lidando com partículas sobrepostas.
- Regressão: Uma rede Neural Convolucional (CNN) VGG16 modificada prevê a profundidade ( $z$ ) e o diâmetro ( $d$ ) a partir de imagens recortadas das gotículas. A arquitetura inclui camadas densas e achatadas (flattened) com ativações ReLU e Linear.
Estratégia de Treinamento: Ambas as redes foram treinadas exclusivamente em imagens sintéticas calibradas (Synth1) com aumento de dados (ruído, variações de iluminação) para generalizar para condições do mundo real. Nenhuma imagem experimental foi usada para treinar a rede de regressão.

Principais Resultados
A metodologia foi validada através de três testes complementares:

Generalização Sintética: Ao ser testada no conjunto de dados independente de traçado de raios (Synth2), o modelo alcançou erros medianos de 0,174 mm para profundidade (sobre um intervalo de 4 mm) e 2,172 µm para diâmetro (intervalo de 20–100 µm). Discrepâncias na previsão de profundidade foram observadas apenas próximo ao limite focal ( $z < 1$ mm), provavelmente devido a aberrações esféricas não totalmente capturadas pelo modelo de treinamento.
Alvo de Calibração: Aplicado a imagens experimentais de um alvo de calibração com valores reais conhecidos, o sistema alcançou um erro mediano de 0,149 mm em profundidade e 2,41 µm em diâmetro. O modelo apresentou dificuldades leves com gotículas de 20 µm nos limites do volume de medição.
Spray Experimental: O sistema analisou com sucesso gotículas de água de um gerador de aerossol. O detector YOLO alcançou uma Precisão Média (mAP) de 98% (IoU 0.5). A distribuição estatística dos diâmetros das gotículas detectadas (com pico em torno de 35 µm) foi consistente com o valor nominal do fabricante (25 µm) e com distribuições típicas de spray. A distribuição de profundidade foi uniforme em todo o volume de medição, exceto por déficits nos limites atribuídos a baixas relações sinal-ruído ou imprecisões do modelo.

Significância e Alegações
O artigo afirma apresentar uma metodologia robusta de câmera única para o dimensionamento 3D e localização simultânea de gotículas de spray polidispersas. Sua principal significância reside em:

Simplicidade e Integração: O método introduz o astigmatismo via uma única lente cilíndrica colocada antes da objetiva, tornando-o fácil de integrar em sistemas comerciais de medição de sombra sem configurações ópticas complexas.
Transferência Sintético-para-Real: Demonstra que modelos de aprendizado profundo treinados apenas em imagens sintéticas calibradas e computacionalmente baratas podem generalizar efetivamente para dados sintéticos não vistos (gerados via traçado de raios) e para dados experimentais reais sem necessidade de retreinamento.
Desempenho: A abordagem fornece determinação consistente do diâmetro com incertezas em torno de 2,1–2,4 µm e incertezas de profundidade de 0,15 mm sobre um intervalo de medição de 4 mm, lidando com sucesso com gotículas sobrepostas em sprays densos.

Os autores concluem que, embora existam limitações próximas aos limites do volume de medição devido a aberrações ópticas e baixas relações sinal-ruído, o framework proposto oferece uma alternativa viável às técnicas complexas de múltiplas câmeras ou iluminação coerente. Trabalhos futuros sugeridos focam no refinamento de modelos ópticos ou na exploração de arranjos alternativos, como cristais birrefringentes.

Mais como este