应用深度学习与数字同轴全息术估计液滴尺寸分布

我们考察了五种基于机器学习的架构，用于估计通过数字同轴全息术获得的液滴尺寸分布。这些架构，即U-Net、R2 U-Net、Attention U-Net、V-Net和Residual U-Net，均使用合成全息图像进行训练。我们的评估侧重于分析这些架构的训练、验证和预测性能。我们发现U-Net和R2 U-Net最为出色，展现出稳定的性能趋势，并取得了比其他三种架构更高的交并比（IOU）分数。我们使用实验全息图像对这两个表现最佳的架构进行额外训练，以进一步验证其有效性。随后，它们被用于分割一个展示液袋破碎现象的实验数据集，以便提取尺寸分布。然后，将从U-Net和R2 U-Net分割中提取的尺寸分布与\cite{jackiw2022prediction}提出的解析模型进行比较，采用了伽马分布和对数正态分布。我们的研究结果表明，由于其长指数尾部，伽马分布比对数正态分布能更准确地预测多模态尺寸分布。本研究为机器学习架构在估计颗粒/液滴尺寸方面的有效性提供了有价值的见解，并突显了它们在实际实验场景中的实用应用。