基于卷积神经网络从宽角光散射图像数据确定液滴尺寸
计算机视觉与模式识别
2023-11-08 v1 机器学习
摘要
宽角光散射（WALS）为基于喷雾的纳米颗粒合成方法中液滴的高度时间与空间分辨测量提供了可能。这些液滴的尺寸是影响合成材料（如异质团聚体）最终性质的关键变量。然而，从 WALS 图像数据确定液滴尺寸的传统方法费力且可能引入偏差，尤其在应用于喷雾火焰合成（SFS）等复杂系统时。为应对这些挑战，我们引入了一种全自动的基于机器学习的方法，采用卷积神经网络（CNNs）以简化液滴尺寸测定流程。该基于 CNN 的方法具有进一步优势：它需要少量人工标注且可利用迁移学习，使其成为传统方法尤其是效率方面大有前景的替代方案。为评估我们机器学习模型的性能，我们考虑了来自乙醇喷雾火焰过程在不同距 burner 表面高度（HABs）的 WALS 数据，模型在包含近 35000 张 WALS 图像的大型数据集上训练并交叉验证。
引用
@article{arxiv.2311.03387,
title = {Determination of droplet size from wide-angle light scattering image data using convolutional neural networks},
author = {Tom Kirstein and Simon Aßmann and Orkun Furat and Stefan Will and Volker Schmidt},
journal= {arXiv preprint arXiv:2311.03387},
year = {2023}
}