利用计算机视觉与机器人交互预测流体黏度
机器学习
2023-12-05 v2
摘要
准确测定流体黏度对于各类工业和科学应用至关重要。传统黏度测量方法虽可靠，但常需人工干预且难以适应实时监测。随着机器学习和计算机视觉的发展，本工作探索通过分析视频数据中捕获的流体振荡来预测流体黏度的可行性。该管线采用以自监督方式预训练的3D卷积自编码器，从振荡流体的语义分割掩码中提取并学习特征。随后，由预训练自编码器生成的输入数据的潜表示被一个独立的推断头处理，以时间分辨方式推断流体类别（分类）或流体黏度（回归）。当预训练自编码器生成的潜表示用于分类时，系统在总计4,140个测试数据点上达到97.1%的准确率。类似地，对于回归任务，采用额外的全连接网络作为回归头使管线在4,416个测试数据点上达到0.258的平均绝对误差。本研究对流体表征和不断发展的人工智能（Artificial Intelligence）领域均作出创新贡献，展示了深度学习在实现近实时黏度估计以及通过分析捕获振荡流体动力学的视频数据解决流体动力学实际挑战方面的潜力。
引用
@article{arxiv.2308.02715,
title = {Fluid Viscosity Prediction Leveraging Computer Vision and Robot Interaction},
author = {Jong Hoon Park and Gauri Pramod Dalwankar and Alison Bartsch and Abraham George and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2308.02715},
year = {2023}
}
备注
12 pages, 7 figures