SegVis: 一种基于视觉的颗粒分离度实时估计方法

《Powder Technology》：SegVis: A vision-based method for real-time estimation of the degree of granular segregation

　　

本研究提出并验证了一种基于视觉的框架，称为SegVis，用于通过非侵入式图像分析估计颗粒系统中的分离度。核心思想是利用离散元法（Discrete Element Method, DEM）构建具有代表性的图像-分离数据集，提取视觉特征，并建立其与真实分离状态之间的映射。该框架解决了传统实验中的常见局限，例如缺乏验证、测量中断和观测不稳定。除了标准循环边界DEM模拟外，本研究进一步进行了一系列水槽型数值模拟，以评估该框架在更接近实验室实验条件下的泛化能力。通过将相同的图像处理流程应用于这些类水槽场景，研究人员检验了不同边界设置下分离模式的一致性，测试了SegVis在理想化条件之外的迁移性。该框架为分离过程的自动化和连续监测提供了基础，并支持复杂颗粒系统中的可视化和数据驱动分析。

**论文解读：基于视觉的颗粒分离度实时估计方法SegVis**

**研究背景与问题**
颗粒分离（segregation）是指颗粒混合物在运动过程中，因密度、粒径或形状差异导致不同组分空间分离的物理过程，常表现为“上升”和“下沉”等宏观分层模式。该现象在滑坡、泥石流、岩冰崩等地质灾害中尤为显著，显著影响混合物的内部结构、力学响应及输运动力学。准确量化分离状态，特别是连续表征其动态演化，对于理解这些机制至关重要。然而，现有方法在测量分离度方面存在显著不足：数值模拟（如离散元法DEM）虽能提供高时间分辨率的真实分离度，但难以推广到复杂实验或现场场景；物理实验中，传统方法如开挖剖面分析仅能反映最终状态，缺乏时间连续性；侧视窗追踪方法虽可实时观测，但受壁面效应、图像遮挡和颗粒密度干扰影响较大。总体而言，当前实验方法面临三大挑战：图像观测对遮挡、不均匀光照和边界效应敏感；静态方法无法连续追踪分离过程；多数方法依赖图像衍生指标，缺乏真实分离度的参考值或验证途径。因此，亟需一种非侵入、连续且可验证的分离度估计方法。

**研究目的**
本研究提出并验证了基于视觉的框架SegVis（Segregation from Visual cues），通过非侵入式图像分析实时估计颗粒系统的分离度。核心思想是：利用DEM模拟构建图像-分离数据集，提取视觉特征，并建立其与真实分离度的映射关系，从而克服传统实验的限制。

**主要技术方法**
研究人员采用三维离散元法（3D DEM）模拟颗粒分离过程，生成具有循环边界的标准模拟案例和更具实验代表性的水槽型数值模拟案例。通过改变体积比、粒径比、密度比和颗粒形状，构建了27组代表性分离场景，共5400个图像-标签对。从前后视图和俯视图图像中提取视觉指标：前视图的质心高度（Z_up,vis、Z_down,vis）和综合指标S_f，以及俯视图的绿色颗粒面积比p_green。采用随机森林回归器（Random Forest Regressor, RF）建立多指标融合模型，以S_f、p_green和密度比为输入，预测DEM导出的真实分离度S_true。模型训练采用五折交叉验证，并在水槽型数值条件下测试迁移性。

**研究结果**
**3.1 颜色提取性能**
通过HSV颜色空间阈值分割，红色和绿色颗粒的掩膜提取清晰，边界匹配度高，即使在密集重叠区域也未出现明显误分类，背景噪声得到良好控制，表明该方法稳定可靠。

**3.2 分离过程的演化**
以标准球形系统（Group 1）和复杂非球形系统（Group 26）为例，视觉指标（S_f、p_green）与真实分离度S_true的演化趋势一致。在非球形颗粒下，SegVis仍能提取稳定的掩膜，分离趋势与球形系统相似，表明该方法对复杂形状具有鲁棒性。

**3.3 单个视觉指标的表现**
通过线性回归分析，四个视觉指标均与S_true呈强单调关系。其中S_f的拟合优度最高（R² = 0.966），而p_green在较高分离度时相关性较弱。残差分析显示，单个指标存在阶段性偏差，早期和晚期预测误差较大，表明线性模型无法充分捕捉分离的非线性演化。

**3.4 多指标融合模型性能**
线性回归模型（R² = 0.967, RMSE = 0.049）和随机森林模型（R² = 0.998, RMSE = 0.012）的对比表明，随机森林模型能更好地捕捉特征间的非线性交互，预测点紧密分布在1:1对角线附近，无系统性偏差。在27组模拟中，随机森林模型的所有组R²均超过0.993，显著优于单个视觉指标。

**3.5 模型适应性**
在不同体积比、粒径比、密度比和颗粒形状条件下，随机森林模型的交叉验证R²中位数均超过0.98。尽管极端条件（如体积比0.5、粒径比3.0、密度比1.0或复杂非球形形状）下变异稍大，模型仍保持高精度，表明其能捕捉多参数耦合效应。

**3.6 水槽型数值条件下的泛化性**
在30°、45°和60°坡角的水槽模拟中，SegVis提取的视觉指标与真实分离度演化趋势一致。然而，在流动的头尾阶段，由于颗粒层薄、遮挡和光照影响，预测偏差较大。通过分位数截断（X = 10–12），去除边界干扰样本后，R²从0.82提升至0.94，对应相对厚度H/d > 2，表明框架在稳态流条件下具有良好迁移性。

**讨论与结论**
**讨论部分**
视觉指标（S_f和p_green）通过颜色区域分割和像素统计提取，避免了颗粒边界识别和追踪，对遮挡和形状不规则不敏感，适用于非侵入式高频监测。随机森林模型在多阶段分离过程中保持稳定，但前端颜色识别受光照、阴影和渲染影响，固定HSV阈值可能导致误分类。未来可采用自适应聚类算法（如K-means或高斯混合模型）和预处理技术（如亮度归一化）来增强鲁棒性。水槽型验证表明，SegVis的迁移性受观测层厚度影响，稳态流条件下性能最佳。

**结论**
本研究提出了SegVis，一种基于视觉的颗粒系统分离度自动估计框架。该方法从图像序列中提取前视图质心结构指标和俯视图面积比特征，并利用随机森林模型将这些视觉代理映射到DEM导出的真实分离度，从而实现非接触、连续、定量的分离演化表征。通过27组三维DEM模拟（5400个图像-标签对）的验证，SegVis在不同体积比、粒径比、密度比和颗粒形状下均能捕捉非线性分离演化，随机森林融合模型预测精度高，优于单个视觉指标。在水槽型数值条件下，预测偏差主要发生在流动头尾阶段，通过分位数截断参数（X ≈ 10–12）去除边界样本后，预测精度从R² = 0.82提升至0.94，支持SegVis向更接近实验的颗粒流配置迁移。SegVis将DEM导出的真实分离标签与可观测图像特征相连接，为颗粒分离的实时视觉分析提供了可扩展的途径。其非侵入设计、部署简单和开源实现支持可重复应用，并适用于地质灾害、实验室水槽试验和工业颗粒输送系统（其中颗粒组可通过视觉或示踪区分）。