中文

基于深度学习的烟迹记录中爆轰胞尺寸分布表征

图像与视频处理 2026-07-04 v1 计算机视觉与模式识别
作者: Mingyang Bu , Robson A. Schneider , Karl P. Chatelain , Mhedine Alicherif , Yingchen Shi , Andrés Z. Mendiburu , Deanna A. Lacoste , Bing Wang
在 arXiv 上查看 ↗ PDF ↗

摘要

爆轰胞的几何尺寸和规则性是表征爆轰波的关键物理参数。传统的烟迹板人工测量耗时且主观，而现有的计算机视觉技术在具有高噪声、模糊边界和严重重叠的真实实验图像上通常泛化能力差。为了解决这个问题，我们提出了一种基于深度学习实例分割（Mask R-CNN）的爆轰胞自动识别和高阶特征提取新方法。通过构建自定义异构数据集（数值模拟和物理实验）并集成迁移学习，该模型在高噪声流场内实现了准确的像素级掩码预测。结果表明，在基准验证中具有高像素级一致性，并且对复杂真实烟迹板中的噪声具有很强的鲁棒性。预测的平均胞尺寸与人工测量结果吻合良好，规则和不规则条件下的相对误差分别低于 2% 和 3.5%。敏感性消融实验证实了模型的尺度适应性，并指导了适当的图像分块标准化预处理范式的建立。克服了仅提取全局平均尺寸的限制，该模型实现了沿传播方向胞尺寸瞬态空间演化的自动跟踪。此外，它定量提取了高阶规则性特征，如不规则度指数（RI）和胞偏转角标准差，证明了与理论预期的一致性。所提出的方法提高了统计分析的效率和客观性，为实验和数值烟迹板提供了强大的数据提取工具。

关键词

爆轰胞 烟迹板 实例分割 Mask R-CNN 迁移学习 特征提取

引用

@article{arxiv.2607.03764,
  title  = {Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records},
  author = {Mingyang Bu and Robson A. Schneider and Karl P. Chatelain and Mhedine Alicherif and Yingchen Shi and Andrés Z. Mendiburu and Deanna A. Lacoste and Bing Wang},
  journal= {arXiv preprint arXiv:2607.03764},
  year   = {2026}
}