基于深度学习的液体片断裂轨迹与血统重建
计算机视觉与模式识别
2026-04-13 v1 人工智能
机器学习
摘要
液体薄片断裂为液丝和液滴的过程涉及高度瞬态、多尺度的动力学，从高速阴影图图像难以定量描述。识别在断裂过程中形成的液滴、液丝和簇，并在帧之间进行跟踪，是喷雾分析的关键。然而，传统的多目标跟踪框架施加严格的一对一时间关联，无法表示一对多的碎裂事件。本研究提出了一个两阶段的深度学习框架，用于目标检测和跨帧的时间关系建模。该框架捕捉液体薄片断裂中的液丝变形、碎裂及其父子血统。在第一阶段，采用带有ResNet-50主干网络和特征金字塔网络（FPN）的Faster R-CNN检测和分类高速阴影图中记录的喷射碳聚凝胶喷嘴的液丝和液滴。采用一种保持形态的合成数据生成策略扩充训练集，避免引入不符合物理的配置，实现了在14种原生-合成配置之间的最高F1分数0.872。在第二阶段，采用Transformer增强的多层感知机（MLP）对跨帧关联进行分类，分为延续、碎裂（一对多）和非关联，使用物理信息的几何特征。尽管面临严重的类别不平衡，该模型在碎裂事件上实现了86.1%的准确率、93.2%的精确率和1.00的召回率。该框架实现了碎裂树的自动化重建、父子血统的保存以及如碎片数目和液滴尺度分布等断裂统计信息的提取。通过显式识别源自液丝碎裂形成的子液滴，框架提供了对主要雾化模式的自动化分析。
引用
@article{arxiv.2604.08711,
title = {Deep Learning-Based Tracking and Lineage Reconstruction of Ligament Breakup},
author = {Vrushank Ahire and Vivek Kurumanghat and Mudasir Ganaie and Lipika Kabiraj},
journal= {arXiv preprint arXiv:2604.08711},
year = {2026}
}