基于深度的气泡表征的机器学习框架

理解气泡在多相流中的三维运动对于解释运输和混合至关重要，尤其是当气泡在剪切力作用下变形或快速通过流场时。在许多实验室 setup 中，仅可获得单台高速相机，这限制了测量只能限于二维。传统的图像处理工具只能在气泡呈现圆形且孤立时识别气泡，但在处理不规则形状的气泡、剪切引起的变形、强烈的模糊以及部分重叠时表现不佳。多摄像机系统可以克服这些问题，但需要显著的硬件 additions 和标定工作。在本工作中，我们引入了一种新的机器学习框架，仅需一台分辨率为 3 微米的 20 kHz 高速相机，即可检测气泡并估计其深度。该方法首先利用大量无标签数据集并采用无监督算法对气泡进行聚类，以揭示其潜在结构。这些聚类提供伪标签，随后与少量真实的平面气泡标签结合，用于训练能够在不同气泡外观下泛化的半监督模型。这些组件共同产生一个连续的深度代理评分，用于指示每个气泡距离成像平面的距离，即便气泡被扭曲或不规则形状。在并行过程中，我们采用实例分割实现鲁棒的气泡识别，将相互接触、重叠以及由高速剪切产生的拉伸气泡进行分离。定量地，平面分割基线在保留集上实现了强大的性能，平均精度 (AP) = 0.818，表明在不同阈值、杂乱情况下的检测稳定性，气泡检测精度为 0.901，误报率 (FPR) 接近 6.1%，因此在所测试的获取条件下，虚假气泡较少，统计数据更干净。