基于模式的两相聚焦粒子跟踪测距中的迹源相与分散相颗粒相分离
计算机视觉与模式识别
2025-06-24 v1 应用物理
流体动力学
摘要
本工作探讨了基于后处理的方法在非聚焦粒子跟踪测距（DPTV）中实现两相流中迹源相与分散相颗粒的相分离的可行性。该方法通过单摄像机 setup 实现两种颗粒（迹源颗粒和分散相颗粒）的三维定位 determination。两种相的区别基于非聚焦颗粒图像中模式的差异，这种差异源于迹源颗粒和气泡或液滴的光散射行为的不同。本文训练卷积神经网络（CNN），包括Faster R-CNN和YOLOv4变体，用于基于这些模式特征检测和分类颗粒图像。为生成大规模标记训练数据集，本文引入基于生成对抗网络的框架，允许生成更贴近实验特定视觉外观的自标记数据。结果通过六个数据集（包括合成两相和真实单相和两相流）进行评估，显示出高检测精度和分类准确率（95-100%），即使在域迁移情况下也能保持表现。结果确认了使用CNN在非致密两相DPTV中实现稳健相分离的可行性，特别是在传统基于波长、尺寸或ensemble相关的方法在不可行的情况下。
引用
@article{arxiv.2506.18157,
title = {Pattern-Based Phase-Separation of Tracer and Dispersed Phase Particles in Two-Phase Defocusing Particle Tracking Velocimetry},
author = {Christian Sax and Jochen Kriegseis},
journal= {arXiv preprint arXiv:2506.18157},
year = {2025}
}