Анализ экспериментальных теневых изображений течений методами компьютерного зрения

В данном исследовании рассматриваются два примера автоматизации физических экспериментов с использованием методов компьютерного зрения и глубокого обучения. В первом из них были применены классические алгоритмы компьютерного зрения для обнаружения и отслеживания косого скачка уплотнения на экспериментальных теневых изображениях: метод выделения границ Кэнни и преобразование Хафа. Получив уравнение прямой, соответствующей косому скачку уплотнения, угол ее наклона автоматически рассчитывался для каждого кадра видео. Во втором примере была обучена сверточная нейронная сеть для определения четырех классов объектов на теневых изображениях: вертикальных ударных волн, головных ударных волн, термиков и непрозрачных частиц в потоке. Модель основана на современной архитектуре YOLOv8. Для реализации этой задачи был создан набор данных из 1493 размеченных теневых изображений. Модель показала хорошие метрики в процессе обучения: точность модели и оценка mAP50 превысили 0,9. Она была успешно применена для обнаружения объектов на теневых изображениях. Было продемонстрировано, что применение классических алгоритмов компьютерного зрения и глубокого обучения может значительно ускорить обработку визуализаций потоков и извлечение количественной информации. Однако классические алгоритмы обычно не могут использоваться напрямую и требуют от исследователя написания дополнительного кода для извлечения необходимой информации. Глубокие нейронные сети могут выполнить эту задачу автоматически, и единственное, что требуется, это разметка и сбор большего набора данных.