一种基于深度学习和仿真实验结合的高效非球形粒子跟踪策略

《Powder Technology》：An efficient non-spherical particle tracking strategy based on deep-learning and simulation-experiment integration

本研究提出一种基于深度学习的非球形颗粒追踪策略，结合超quadric DEM模拟生成合成数据预训练Mask R-CNN模型，通过少量实验图像微调提升抗噪能力，并在旋转 drum实验中验证其普适性，有效解决传统方法依赖形状特征和手动标注的局限性。

　　在研究颗粒系统时，基于图像的颗粒识别与追踪技术扮演着至关重要的角色。这些技术能够帮助科学家们深入了解颗粒材料在不同条件下的行为特征，为工业设备的设计和自然灾害的预测提供重要的理论依据。然而，传统的颗粒识别方法主要依赖于几何特征，适用于球形或近球形颗粒系统。随着机器学习在图像分割领域的快速发展，非球形颗粒的识别变得更为可行。尽管如此，模型训练过程中仍需要大量的手动标注数据，这不仅增加了工作量，也限制了这些方法在实际应用中的可扩展性。此外，当应用于形状不同的颗粒时，重新构建算法或数据集通常需要耗费大量时间和精力。

为了克服这些挑战，本文提出了一种基于深度学习与仿真实验相结合的非球形颗粒追踪新策略。该策略首先利用超二次体（superquadric）离散元法（DEM）生成合成数据集，并使用Mask R-CNN进行预训练，以建立初步的检测能力。随后，通过少量手动校正的实验图像对模型进行微调，以增强其在现实环境中的鲁棒性。现实环境中常见的干扰因素包括颗粒之间的重叠、遮挡、分辨率不足、光照不均以及反射伪影等，这些问题都可能影响颗粒识别的准确性。微调后的模型能够更好地适应这些复杂情况，从而提高识别效果。

在此基础上，研究团队进一步开发了一种适用于非球形颗粒的粒子追踪测速（PTV）方法。该方法基于微调后的Mask R-CNN模型预测的掩膜图像，能够有效地追踪颗粒的运动轨迹，并重建其速度场。为了验证这一方法的有效性，研究团队将其应用于旋转鼓实验中，通过对比实验结果，证明了该方法在不同颗粒形状下的适应性和可靠性。旋转鼓实验是一种常用的模拟颗粒流动的实验装置，能够提供丰富的颗粒运动数据，对于评估颗粒追踪方法的性能具有重要意义。

此外，本文还探讨了如何利用合成数据和真实实验数据相结合的方式，提高模型的泛化能力。合成数据的生成通常依赖于计算机图形学引擎或物理仿真平台，这些平台能够模拟颗粒在不同环境下的运动状态，并生成高质量的图像和掩膜数据。然而，合成数据在某些情况下可能缺乏现实世界的细节，导致模型在实际应用中表现不佳。因此，研究团队提出了一种混合训练方案，即在合成数据的基础上，通过少量真实实验数据对模型进行微调。这种策略不仅降低了对人工标注数据的依赖，还显著提升了模型在真实场景中的识别能力。

本文的研究成果表明，通过将深度学习与仿真实验相结合，可以有效地解决非球形颗粒识别和追踪中的关键问题。传统的图像处理技术虽然在某些情况下能够识别非球形颗粒，但它们通常依赖于特定的形状特征和规则匹配，难以适应形状多样且复杂的颗粒系统。相比之下，基于深度学习的方法能够自动提取颗粒的特征，提高识别的准确性和鲁棒性。此外，该方法在处理颗粒重叠、遮挡等复杂情况时表现出更强的适应能力，使得颗粒追踪在实际应用中更加可行。

本文的研究不仅为非球形颗粒的识别和追踪提供了新的思路，还为相关领域的实验研究提供了实用的解决方案。通过构建高质量的合成数据集，并结合少量真实实验数据进行微调，研究团队成功地开发了一种适用于多种非球形颗粒的追踪方法。这种方法的提出，使得研究人员能够在不依赖大量人工标注的情况下，快速开发和优化颗粒追踪算法，从而节省时间和成本。

本文的实验结果进一步验证了所提出方法的有效性。在旋转鼓实验中，非球形颗粒的运动轨迹被成功追踪，并重建了其速度场。实验数据表明，该方法在识别精度和几何泛化能力方面均优于传统的图像处理方法。这不仅证明了深度学习在颗粒识别中的强大潜力，也展示了仿真实验与真实实验相结合的优势。通过这种方式，研究人员可以更全面地了解颗粒材料在复杂环境下的行为特征，为后续的理论研究和工程应用提供坚实的基础。

总之，本文提出了一种基于深度学习和仿真实验相结合的非球形颗粒追踪策略，克服了传统方法在识别非球形颗粒时所面临的诸多挑战。该策略不仅提高了颗粒识别的准确性，还增强了模型在现实环境中的适应能力。通过构建高质量的合成数据集，并结合少量真实实验数据进行微调，研究人员能够快速开发适用于不同颗粒形状的追踪方法，从而推动颗粒材料研究的进一步发展。