Bubble identification from images with machine learning methods

要約

気泡流画像の自動的かつ信頼性の高い処理は、包括的な実験シリーズの大規模データセットを分析するために非常に必要である。特に、記録された画像における気泡の投影の重なりによって、個々の気泡の識別を非常に複雑化させるという困難が生じます。最近のアプローチは、このタスクにディープラーニングアルゴリズムを使用することに焦点を当てており、そのような技術の高い可能性はすでに証明されています。しかし、異なる画像条件、より高いガス体積分率、および部分的に隠蔽された気泡の隠れた部分の適切な再構成に対応することが主な課題である。本研究では、前者については畳み込みニューラルネットワーク（CNN）に基づく3つの異なる手法を、後者についてはその後使用可能な2つの個別手法を検証することで、これらの点に対処しようとするものである。我々の方法論を検証するために、我々は合成画像によるテストデータセットを作成し、我々の複合アプローチの能力と限界をさらに実証した。生成されたデータ、コード、学習済みモデルは、実験画像における気泡認識の研究分野での利用やさらなる開発を促進するために、アクセス可能になっています。

要約(オリジナル)

An automated and reliable processing of bubbly flow images is highly needed to analyse large data sets of comprehensive experimental series. A particular difficulty arises due to overlapping bubble projections in recorded images, which highly complicates the identification of individual bubbles. Recent approaches focus on the use of deep learning algorithms for this task and have already proven the high potential of such techniques. The main difficulties are the capability to handle different image conditions, higher gas volume fractions and a proper reconstruction of the hidden segment of a partly occluded bubble. In the present work, we try to tackle these points by testing three different methods based on Convolutional Neural Networks (CNNs) for the two former and two individual approaches that can be used subsequently to address the latter. To validate our methodology, we created test data sets with synthetic images that further demonstrate the capabilities as well as limitations of our combined approach. The generated data, code and trained models are made accessible to facilitate the use as well as further developments in the research field of bubble recognition in experimental images.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL