針對高速視覺測量場景下氣泡目標呈現(xiàn)出的低對比度、目標尺度微小、復(fù)雜背景及高密度擁擠等難題，中科君達視界算法工程師們提出一種面向高速序列圖像的異構(gòu)雙分支結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)氣泡識別與跟蹤方法，通過構(gòu)建高分辨率細節(jié)分支與上下文感知分支的協(xié)同架構(gòu)，并結(jié)合最優(yōu)傳輸理論實現(xiàn)多目標軌跡關(guān)聯(lián)，實現(xiàn)復(fù)雜成像場景下氣泡跟蹤與識別。
1. 研究背景
氣泡動力學(xué)研究是航空航天、能源化工、生物醫(yī)學(xué)與微流控領(lǐng)域的研究重點，其動力學(xué)行為如生成、形變、聚變與破裂直接影響系統(tǒng)效率和安全性。
以高速攝像機為核心的高速攝影技術(shù)能以微秒級時間分辨率記錄瞬態(tài)過程，支持獲取高質(zhì)量氣泡動態(tài)序列圖像，但如何從海量圖像數(shù)據(jù)中實現(xiàn)有效的氣泡識別與追蹤仍是難點。
2. 研究痛點
傳統(tǒng)氣泡觀測依賴基于閾值/邊緣檢測等經(jīng)典圖像處理方法，面臨下列場景失效的痛點：
低對比度場景：氣泡與背景折射率接近，邊緣模糊、灰度差異微弱，傳統(tǒng)閾值法失效。
復(fù)雜背景干擾場景：流場中雜質(zhì)、兩相界面波動等容易引起誤判。
微小氣泡檢測場景：直徑10~15個像素級氣泡缺乏顯著紋理與形狀特征，常規(guī)卷積網(wǎng)絡(luò)算法容易導(dǎo)致細節(jié)丟失。
高密度擁擠場景：氣泡間距小于自身直徑，相互遮擋，傳統(tǒng)跟蹤算法易發(fā)生混淆。
3. 技術(shù)路徑
針對上述痛點，中科君達視界算法工程師們突破傳統(tǒng)的單分支卷積網(wǎng)絡(luò)結(jié)構(gòu)模型的局限，提出一種“異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)架構(gòu)”路徑。該路徑通過建立“局部精細刻畫”與“全局語義感知”的并行機制，解決了精度與速度的矛盾，并在后續(xù)的運動推斷中，引入基于最優(yōu)傳輸理論的多維約束關(guān)聯(lián)算法，技術(shù)原理如下：
3.1 異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)架構(gòu)：
高分辨率分支：使用小卷積核與空洞卷積，專用于微小氣泡的邊緣細節(jié)和幾何輪廓重建。
上下文分支：通過擴展感受野提取大尺度特征，理解氣泡所在區(qū)域的全局結(jié)構(gòu)、背景特征以及場景中的宏觀分布。
動態(tài)融合模塊：采用輕量化融合模塊，根據(jù)實時圖像特征動態(tài)調(diào)整兩個分支的權(quán)重分配，實現(xiàn)細節(jié)與語義的高效協(xié)同。
3.2 基于最優(yōu)傳輸?shù)母櫵惴ǎ?/p>
時序維度上，引入基于最優(yōu)傳輸?shù)亩嗄繕岁P(guān)聯(lián)策略：
構(gòu)建包含形狀特征、位置形態(tài)、歷史軌跡的多維特征空間。
以最小總代價完成跨幀匹配，通過全局最優(yōu)約束確保極高流速下的身份ID一致性跟蹤。
4. 技術(shù)優(yōu)勢
5. 應(yīng)用案例
5.1 低對比度下的識別
低對比度場景通常指氣泡與背景灰度差值接近噪聲水平，千眼狼“異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)架構(gòu)”技術(shù)，通過高分辨率分支強化局部梯度特征，結(jié)合上下文分支抑制背景均勻區(qū)域響應(yīng)，有效分離氣泡輪廓，避免傳統(tǒng)閾值法因?qū)Ρ榷炔蛔銓?dǎo)致的斷裂與漏檢。
5.2 嘈雜背景下的識別
嘈雜背景如生物反應(yīng)器內(nèi)存在介質(zhì)懸浮顆粒干擾，背景紋理在局部統(tǒng)計上像氣泡。
千眼狼“異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)架構(gòu)”中的高分辨率分支發(fā)揮了判別作用，通過精細的形態(tài)學(xué)特征過濾非球形噪聲，顯著提升信噪比與識別準確率。
5.3 微小氣泡的識別
微米級氣泡在圖像中僅占數(shù)個像素，易被忽略。千眼狼“異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)架構(gòu)”中的高分辨率分支采用亞像素級特征增強與多幀超分辨重建，實現(xiàn)微觀氣泡的識別。
5.4 擁擠場景下的識別
高密度氣泡群中目標氣泡重疊嚴重，易導(dǎo)致合并檢測。千眼狼“異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)架構(gòu)”技術(shù)通過雙分支協(xié)同，分別提取單個氣泡的局部獨立特征與群體分布結(jié)構(gòu)，再經(jīng)由最優(yōu)傳輸匹配實現(xiàn)重疊區(qū)域的粘連氣泡的有效分割與軌跡獨立跟蹤。
6. 高速氣泡跟蹤與測量能力擴展 復(fù)雜場景下的氣泡識別與跟蹤是物理量化分析的前置步驟，千眼狼基于異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)的氣泡動態(tài)視覺測量與跟蹤技術(shù)可進一步提供全面的定量分析能力，將高速攝像機采集的圖像序列轉(zhuǎn)化為可統(tǒng)計、可解析的物理數(shù)據(jù)，覆蓋氣泡的運動學(xué)行為分析和靜態(tài)形態(tài)學(xué)測量。 6.1 氣泡運動學(xué)測量： 基于最優(yōu)傳輸算法獲取的具有一致身份ID的軌跡數(shù)據(jù)，工程師們可逐幀計算每個氣泡的運動學(xué)參數(shù)： 位置坐標：輸出氣泡中心或特征點在每一時刻的像素坐標及世界坐標。 瞬時速度與加速度：通過對連續(xù)幀間位置的時間差分，計算氣泡的的瞬時速度矢量與加速度矢量，表征氣泡運動狀態(tài)變化。 軌跡追蹤：支持對指定氣泡或氣泡群軌跡的持續(xù)時間、平均速度、方向矢量等宏觀指標計算與可視化。 6.2 氣泡形態(tài)學(xué)測量： 基于異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)的高分辨率分支分割出的獨立氣泡，該技術(shù)支持對氣泡幾何與形態(tài)學(xué)特征進行全面測量，包括： 基本幾何參數(shù)：氣泡的投影面積、周長、長短軸長度。 等效粒徑與球形度：通過投影面積計算等效直徑，通過面積與周長計算球形度，用于評估界面張力與流動穩(wěn)定性。 結(jié)語 中科君達視界自研的千眼狼"異構(gòu)雙分支神經(jīng)網(wǎng)絡(luò)的氣泡動態(tài)視覺測量與跟蹤技術(shù)"不僅解決了低對比度、嘈雜背景、小氣泡、擁擠場景下氣泡識別與跟蹤的精度-速度矛盾，且通過算法擴展，進一步實現(xiàn)了氣泡運動學(xué)與靜態(tài)形態(tài)學(xué)屬性的可量化、可分析，為航空航天流體力學(xué)研究、能源化工設(shè)備效率評估、生物醫(yī)學(xué)工程與微流控等領(lǐng)域提供高效的實驗工具。
電話：400-859-1866
郵箱：sales@agiledevice.com
地址：安徽省合肥市包河富煌新視覺大廈
微信公眾號
官方抖音
400-859-1866